[论文解读] Quantum circuit structure learning

Mateusz Ostaszewski, Edward Grant+1 more|arXiv (Cornell University)|May 23, 2019

Quantum Computing Algorithms and Architecture被引用 23

一句话总结

本文提出了一种新颖的量子线路结构学习方法，通过最小的计算开销联合优化线路架构与参数。该方法在IBM Melbourne量子设备上对氢化锂、海森堡模型以及氢分子的变分量子电子结构求解器中表现出优越性能，优于仅优化参数的标准方法。

ABSTRACT

We propose an efficient method for simultaneously learning both the structure and parameter values of quantum circuits with only a small computational overhead. Shallow circuits trained using structure learning perform significantly better than circuits trained using parameter updates alone, making this method particularly suitable for use on noisy intermediate-scale quantum computers. We demonstrate the method for training a variational quantum eigensolver for finding the ground states of Lithium Hydride and the Heisenberg model in simulation, and for finding the ground state of Hydrogen gas on the IBM Melbourne quantum computer.

研究动机与目标

• 解决变分量子算法中量子线路设计次优的挑战。
• 降低同时优化线路结构与参数的计算成本。
• 在含噪声中等规模量子（NISQ）硬件上，提升量子化学问题的基态能量估计性能。
• 通过高效的结构学习，实现变分量子算法在当前量子设备上的实用化部署。

提出的方法

• 该方法采用可微分的量子线路结构搜索，支持基于梯度的优化，同时优化线路拓扑与门参数。
• 其采用参数化量子线路，包含可学习的结构组件（如门连接性和门类型），并嵌入可微分框架中。
• 该方法将结构学习集成至变分量子电子结构求解器（VQE）框架中，支持端到端训练。
• 它利用能量期望值的梯度信息，统一优化线路架构与参数值。
• 通过将搜索空间限制在浅层线路，并对结构选择进行高效参数化，该方法保持了较低的计算开销。
• 该方法支持模拟与真实设备执行，已验证其在IBM Melbourne等真实量子硬件上的可扩展性。

实验结果

研究问题

• RQ1 联合优化量子线路结构与参数是否能提升变分量子算法中基态能量的估计性能？
• RQ2 与仅优化参数的标准方法相比，结构学习在NISQ设备上的性能表现如何？
• RQ3 与传统VQE训练相比，学习线路结构的计算成本如何？
• RQ4 结构学习是否能在真实量子硬件上实现对量子化学哈密顿量的精确基态制备？
• RQ5 该方法在不同分子体系（如氢化锂和氢分子）上的可扩展性如何？

主要发现

• 采用结构学习训练的浅层量子线路，其基态能量估计显著优于仅通过参数更新训练的线路。
• 在模拟中，该方法成功实现了对海森堡模型的基态能量估计，表现出更优的收敛性与准确性。
• 对于氢化锂，该结构学习方法获得的能量估计值低于采用固定线路结构的基线VQE方法。
• 在IBM Melbourne量子计算机上，该方法成功找到了氢气的基态，验证了其在真实NISQ硬件上的适用性。
• 结构学习的计算开销保持较低水平，实现了高效优化，且未牺牲性能。