[论文解读] Quantum-classical tradeoffs and multi-controlled quantum gate decompositions in variational algorithms

Teague Tomesh, Nicholas B. Allen+2 more|arXiv (Cornell University)|Oct 10, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文研究了变分量子算法中量子与经典资源的权衡，聚焦于最大独立集（MIS）问题的约束型量子近似优化算法（QAOA）。提出了三种QAOA变体——单角度、多角度和自适应角度，每种在量子与经典资源之间实现不同平衡，并引入了门分解成本（GDC）度量以评估不同原生门集合在硬件层面的权衡，结果表明优化的分解策略能显著降低电路深度和错误率。

ABSTRACT

The computational capabilities of near-term quantum computers are limited by the noisy execution of gate operations and a limited number of physical qubits. Hybrid variational algorithms are well-suited to near-term quantum devices because they allow for a wide range of tradeoffs between the amount of quantum and classical resources used to solve a problem. This paper investigates tradeoffs available at both the algorithmic and hardware levels by studying a specific case -- applying the Quantum Approximate Optimization Algorithm (QAOA) to instances of the Maximum Independent Set (MIS) problem. We consider three variants of the QAOA which offer different tradeoffs at the algorithmic level in terms of their required number of classical parameters, quantum gates, and iterations of classical optimization needed. Since MIS is a constrained combinatorial optimization problem, the QAOA must respect the problem constraints. This can be accomplished by using many multi-controlled gate operations which must be decomposed into gates executable by the target hardware. We study the tradeoffs available at this hardware level, combining the gate fidelities and decomposition efficiencies of different native gate sets into a single metric called the gate decomposition cost.

研究动机与目标

• 分析变分量子算法在约束优化中的算法与硬件层面的权衡。
• 评估三种QAOA变体——单角度、多角度和自适应角度——在量子与经典资源使用方面的表现。
• 提出统一的门分解成本（GDC）度量，结合门保真度与分解效率，用于比较不同原生门集合。
• 证明优化的门分解策略可降低电路深度并提升近期量子硬件上的性能。
• 为约束型QAOA应用中选择最优算法与硬件配置提供框架。

提出的方法

• 提出三种QAOA变体：单角度（SA-QAOA）、多角度（MA-QAOA）和自适应角度（AA-QAOA），其参数化方式与电路深度各不相同。
• 采用约束感知的量子真 optimization 电路，需使用多控制量子门以确保MIS解的可行性。
• 引入门分解成本（GDC）度量，量化将多控制门分解为原生门集合所产生的开销。
• 通过数值模拟与误差分析，在多种原生门集合（如CNOT、CZ、Toffoli、Rydberg、Molmer-Sorensen）上评估GDC。
• 应用数值优化与误差建模，评估电路深度、门保真度与经典参数数量之间的权衡。
• 通过MIS问题的模拟验证结果，比较不同配置下的近似比与资源使用情况。

实验结果

研究问题

• RQ1 不同的QAOA参数化策略（单角度、多角度、自适应角度）在约束优化中如何影响量子与经典资源的使用？
• RQ2 硬件原生门集合的选择对QAOA电路中多控制门分解效率与保真度有何影响？
• RQ3 所提出的门分解成本（GDC）度量如何实现对变分算法中硬件层面权衡的系统性比较？
• RQ4 优化的门分解在多大程度上可降低QAOA在MIS问题中的电路深度并提升近似比？
• RQ5 GDC度量能否指导近期量子设备上最优算法与硬件配置的选择？

主要发现

• 多角度QAOA（MA-QAOA）在更短的电路中实现了比单角度QAOA（SA-QAOA）更高的近似比，但代价是增加了经典参数数量。
• 自适应角度QAOA（AA-QAOA）通过动态调整每层的参数数量，减少了经典优化迭代次数。
• 门分解成本（GDC）度量成功量化了不同原生门集合之间在门保真度与分解效率之间的权衡。
• 与分解实现相比，使用原生多控制门（如Rydberg或Molmer-Sorensen）可降低电路深度与错误率，且在最多7量子比特时保真度超过99%。
• 数值模拟表明，优化的分解策略可通过降低错误率与改善梯度估计，减少量子电路测量次数以实现收敛。
• 本研究证明，以GDC为指导的硬件感知算法设计，可显著提升NISQ设备上变分量子算法的性能与可训练性。