[论文解读] Quantum circuit architecture search: error mitigation and trainability enhancement for variational quantum solvers

Yuxuan Du, Tao Huang+3 more|arXiv (Cornell University)|Oct 20, 2020

Quantum Computing Algorithms and Architecture参考文献 44被引用 35

一句话总结

本文提出量子架构搜索（QAS），一种资源和运行时效率高的方法，可自动发现最优变分量子线路架构，以增强对噪声的鲁棒性并缓解变分量子算法中的 barren plateau 问题。QAS 在数据分类和量子化学任务的仿真与真实硬件实验中，均优于启发式架构。

ABSTRACT

Quantum error mitigation techniques are at the heart of quantum hardware implementation, and are the key to performance improvement of the variational quantum learning scheme (VQLS). Although VQLS is partially robust to noise, both empirical and theoretical results exhibit that noise would rapidly deteriorate the performance of most variational quantum algorithms in large-scale problems. Furthermore, VQLS suffers from the barren plateau phenomenon---the gradient generated by the classical optimizer vanishes exponentially with respect to the qubit number. Here we devise a resource and runtime efficient scheme, the quantum architecture search scheme (QAS), to maximally improve the robustness and trainability of VQLS. In particular, given a learning task, QAS actively seeks an optimal circuit architecture to balance benefits and side-effects brought by adding more quantum gates. Specifically, while more quantum gates enable a stronger expressive power of the quantum model, they introduce a larger amount of noise and a more serious barren plateau scenario. Consequently, QAS can effectively suppress the influence of quantum noise and barren plateaus. We implement QAS on both the numerical simulator and real quantum hardware, via the IBM cloud, to accomplish data classification and quantum chemistry tasks. Numerical and experimental results show that QAS significantly outperforms conventional variational quantum algorithms with heuristic circuit architectures. Our work provides practical guidance for developing advanced learning-based quantum error mitigation techniques on near-term quantum devices.

研究动机与目标

• 解决大规模量子系统中由于噪声和 barren plateau 问题导致的变分量子算法性能下降问题。
• 开发一种系统性方法，平衡变分量子线路的表达能力、噪声累积和梯度消失问题。
• 提升近期量子硬件上变分量子求解器的鲁棒性和可训练性。
• 提供一种实用且高效的量子线路设计框架，其性能优于启发式架构。

提出的方法

• QAS 在量子线路架构中进行搜索，以识别在最大化性能的同时最小化噪声和 barren plateau 效应的最优配置。
• 该方法基于表达能力（通过门数衡量）与噪声引起的误差及梯度消失之间的权衡来评估线路设计。
• QAS 使用经典优化引导搜索过程，动态调整线路结构，以平衡门数与稳定性。
• 该框架在量子模拟器和 IBM 量子硬件上实现，以验证其在真实世界条件下的性能表现。
• 结合架构搜索与误差缓解技术，以增强整体算法的鲁棒性。

实验结果

研究问题

• RQ1 如何系统性地优化量子线路架构，以降低变分量子算法对噪声的敏感性？
• RQ2 架构搜索在多大程度上可以缓解大规模变分量子线路中的 barren plateau 问题？
• RQ3 基于搜索的方法是否能在真实量子硬件上实现比启发式线路设计更高的准确率和更快的收敛速度？
• RQ4 在变分量子算法中，线路表达能力、噪声累积与梯度优化之间存在哪些权衡？

主要发现

• QAS 显著提升了变分量子算法在数值仿真和真实 IBM 量子硬件上的性能表现。
• 所提出的架构搜索在数据分类和量子化学任务中优于传统的启发式线路设计。
• QAS 有效抑制了量子噪声的影响，并降低了大规模问题中出现 barren plateau 的可能性。
• 与固定架构的标准变分量子线路相比，该方法实现了更好的收敛性与更高的保真度结果。