[论文解读] Robust Implementation of Generative Modeling with Parametrized Quantum Circuits

Vicente Leyton‐Ortega, Alejandro Perdomo‐Ortiz+1 more|arXiv (Cornell University)|Jan 23, 2019

Quantum Computing Algorithms and Architecture被引用 6

一句话总结

本文使用Rigetti的量子云服务（QCS™）对数据驱动的量子线路学习（DDQCL）进行了基于真实硬件的稳健基准测试，评估了经典优化器、线路ansatz（星型与线型纠缠拓扑结构）以及线路深度在Bars and Stripes数据集上的表现。结果表明，线路深度和拓扑结构对性能有显著影响，其中星型拓扑因更高的量子比特保真度而展现出更快的收敛速度，并确立了qBAS作为衡量NISQ设备性能的可靠指标，超越了单个门保真度的评估范围。

ABSTRACT

Although the performance of hybrid quantum-classical algorithms is highly dependent on the selection of the classical optimizer and the circuit ansatz, a robust and thorough assessment on-hardware of such features has been missing to date. From the optimizer perspective, the primary challenge lies in the solver's stochastic nature, and their significant variance over the random initialization. Therefore, a robust comparison requires that one perform several training curves for each solver before one can reach conclusions about their typical performance. Since each of the training curves requires the execution of thousands of quantum circuits in the quantum computer, such a robust study remained a steep challenge for most hybrid platforms available today. Here, we leverage on Rigetti's Quantum Cloud Services to overcome this implementation barrier, and we study the on-hardware performance of the data-driven quantum circuit learning (DDQCL) for three different state-of-the-art classical solvers, and on two-different circuit ansatze associated to different entangling connectivity graphs for the same task. Additionally, we assess the gains in performance from varying circuit depths. To evaluate the typical performance associated with each of these settings in this benchmark study, we use at least five independent runs of DDQCL towards the generation of quantum generative models capable of capturing the patterns of the canonical Bars and Stripes data set.

研究动机与目标

• 在真实硬件上对混合量子-经典算法进行稳健的多轮评估，克服单次训练曲线研究的局限性。
• 评估经典优化器、线路ansatz结构（星型与线型拓扑）以及线路深度对参数化量子线路生成建模性能的影响。
• 评估硬件质量，特别是量子比特保真度，在影响不同纠缠连接布局之间性能差异中的作用。
• 通过真实硬件实验和qBAS评分，建立一个可靠且可复现的NISQ设备基准测试框架。
• 通过利用基于云的量子基础设施实现可扩展、可重复的实验，实现对量子算法组件更系统化和公平的比较。

提出的方法

• 本研究使用Rigetti的量子云服务（QCS™）在真实超导量子硬件上执行DDQCL算法的多次独立训练运行（每种配置至少五轮）。
• DDQCL框架通过变分优化循环训练参数化量子线路（PQCs），使其生成与Bars and Stripes数据集目标分布匹配的量子态。
• 在相同硬件条件下，评估三种最先进的经典优化器（COBYLA、L-BFGS-B和SPSA），以比较其收敛性和稳定性。
• 采用两种线路ansatz：一种为星型纠缠拓扑，另一种为线性链拓扑，均在单层和双层纠缠（深度）下进行测试。
• 应用读出误差缓解策略以提高测量结果的可靠性，并减少成本函数评估中由噪声引起的偏差。
• 为每种配置计算qBAS（生成建模用量子基准）评分，以定量比较不同优化器和线路结构的性能。

实验结果

研究问题

• RQ1 经典优化器的选择如何影响真实硬件上参数化量子线路生成建模的鲁棒性和收敛速度？
• RQ2 线路纠缠连接性（星型与线型拓扑）对真实NISQ设备上量子生成模型性能有何影响？
• RQ3 增加线路深度（从一层增至两层纠缠层）如何影响量子线路学习目标分布的能力？
• RQ4 硬件特定因素（如量子比特保真度）在多大程度上影响了不同线路拓扑之间的性能差异？
• RQ5 能否通过真实硬件实验和qBAS评分，建立一个一致且可靠的NISQ设备基准测试框架？

主要发现

• 尽管线路深度和门数相似，星型拓扑配置的收敛速度显著快于线型拓扑，且最终性能更优，表明硬件质量起着关键作用。
• 在星型拓扑中增加第二层纠缠层显著提升了性能，而在线型拓扑中提升则微弱或缓慢，表明深度扩展具有拓扑依赖性。
• SPSA优化器在多轮运行中表现出最稳定的性能，收敛方差低于COBYLA和L-BFGS-B，后者对随机初始化更敏感。
• qBAS评分提供了一致且可靠的指标，可用于比较不同配置，实现对设备性能的定量评估，超越单个门保真度的范畴。
• 在无噪声量子比特上的仿真显示星型拓扑并无固有优势，表明观察到的性能差异源于星型配置中量子比特子集的更高保真度。
• 读出误差缓解提高了测量结果的可靠性，并在噪声硬件条件下显著提升了成本函数评估的准确性。