[论文解读] Quantum circuit architecture search on a superconducting processor

Kehuan Linghu, Qian Yang+15 more|arXiv (Cornell University)|Jan 4, 2022

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本论文首次在8量子比特超导量子处理器上实现了量子架构搜索（QAS）的实验演示，旨在优化变分量子算法（VQA）的试算电路。通过自动设计针对特定任务的硬件高效试算电路，QAS将分类准确率从使用启发式试算电路时的31%提升至98%，成功克服了噪声中等规模量子设备中的表达能力-可训练性权衡问题。

ABSTRACT

Variational quantum algorithms (VQAs) have shown strong evidences to gain provable computational advantages for diverse fields such as finance, machine learning, and chemistry. However, the heuristic ansatz exploited in modern VQAs is incapable of balancing the tradeoff between expressivity and trainability, which may lead to the degraded performance when executed on the noisy intermediate-scale quantum (NISQ) machines. To address this issue, here we demonstrate the first proof-of-principle experiment of applying an efficient automatic ansatz design technique, i.e., quantum architecture search (QAS), to enhance VQAs on an 8-qubit superconducting quantum processor. In particular, we apply QAS to tailor the hardware-efficient ansatz towards classification tasks. Compared with the heuristic ansatze, the ansatz designed by QAS improves test accuracy from 31% to 98%. We further explain this superior performance by visualizing the loss landscape and analyzing effective parameters of all ansatze. Our work provides concrete guidance for developing variable ansatze to tackle various large-scale quantum learning problems with advantages.

研究动机与目标

• 为解决在噪声中等规模量子（NISQ）设备上变分量子算法（VQAs）的表达能力-可训练性权衡问题。
• 开发并实验验证一种自动化试算电路设计方法——量子架构搜索（QAS），使其能够根据任务和硬件约束定制电路结构。
• 证明QAS在真实量子硬件上相比启发式试算电路可显著提升VQA性能。
• 通过损失曲面分析与有效参数分析，提供关于QAS设计的试算电路为何优于标准构造的实证与理论洞察。

提出的方法

• 构建一个候选试算电路集合 𝒮，其满足硬件约束，包括量子比特连通性与退相干时间限制。
• 通过在所有候选试算电路中进行逐层参数初始化，构建一个超网络，以支持联合优化。
• 从超网络中采样试算电路，测量可观测量，计算损失，并通过经典优化方法更新参数以最小化目标函数。
• 重复优化直至收敛或达到最大迭代次数，随后在 𝒮 中搜索并排序表现最佳的试算电路以进行微调。
• 使用校准矩阵 F 实现读出误差缓解，通过 F⁻¹P̃ = P 校正实验测量结果。
• 通过对读出腔体施加相干微波驱动，构建去相位噪声通道，以模拟真实噪声条件。

实验结果

研究问题

• RQ1 量子架构搜索（QAS）是否可在真实超导量子处理器上成功实现，以提升VQA性能？
• RQ2 在分类任务中，QAS设计的试算电路与启发式试算电路相比，测试准确率如何？
• RQ3 表达能力与可训练性在QAS与启发式试算电路之间的性能差距中起到何种作用？
• RQ4 不同试算电路的损失曲面与有效参数特性如何解释所观察到的性能差异？
• RQ5 QAS能否在当前NISQ硬件上扩展至更大、更复杂的量子学习问题？

主要发现

• QAS设计的试算电路在量子分类任务中实现了98%的测试准确率，而启发式试算电路仅为31%。
• QAS设计试算电路的损失曲面呈现出更平坦且更有利的结构，表明其具有更好的可训练性，并降低了荒芜高原（barren plateau）风险。
• 有效参数分析表明，QAS试算电路更高效地利用了参数，对梯度更新表现出更高的敏感性。
• QAS带来的性能增益在不同噪声水平下均保持稳健，T₂* 值在1.2至15.9 μs的去相位条件下变化时表现一致。
• 使用校准矩阵 F 进行读出误差缓解，提升了态制备与测量保真度，从而实现了对试算电路性能的可靠评估。
• 本研究证实，通过QAS实现硬件感知且面向特定问题的试算电路设计，是实现在NISQ时代高性能量子机器学习的关键。