[论文解读] ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors

Wei Tang, Margaret Martonosi|arXiv (Cornell University)|Jul 3, 2022

Quantum Computing Algorithms and Architecture被引用 15

一句话总结

ScaleQC 引入了一种可扩展的混合框架，通过结合经典后处理与近期量子处理器，实现了大规模量子线路的执行。它采用状态合并技术、自动线路切割求解器以及基于张量网络的收缩方法，以减少内存和运行时间开销，展示了对高达 1,000 量子比特线路的可行性——在可扩展性和性能方面超越了纯经典与纯量子方法。

ABSTRACT

Quantum processing unit (QPU) has to satisfy highly demanding quantity and quality requirements on its qubits to produce accurate results for problems at useful scales. Furthermore, classical simulations of quantum circuits generally do not scale. Instead, quantum circuit cutting techniques cut and distribute a large quantum circuit into multiple smaller subcircuits feasible for less powerful QPUs. However, the classical post-processing incurred from the cutting introduces runtime and memory bottlenecks. Our tool, called ScaleQC, addresses the bottlenecks by developing novel algorithmic techniques including (1) a quantum states merging framework that quickly locates the solution states of large quantum circuits; (2) an automatic solver that cuts complex quantum circuits to fit on less powerful QPUs; and (3) a tensor network based post-processing that minimizes the classical overhead. Our experiments demonstrate both QPU requirement advantages over the purely quantum platforms, and runtime advantages over the purely classical platforms for benchmarks up to 1000 qubits.

研究动机与目标

• 为克服量子线路切割中导致混合量子-经典计算可扩展性受限的内存和运行时间瓶颈。
• 通过将大线路分解为更小、可管理的子线路，降低对量子处理器的需求，使其可在近期较弱的 QPU 上执行。
• 通过算法创新最小化经典后处理开销，使混合计算在复杂基准测试中具备实际可行性。
• 实现对远超独立经典模拟或当前量子处理器能力范围的大规模量子线路的执行。

提出的方法

• 提出一种状态合并框架，可在不存储完整态矢量的情况下高效定位大规模量子线路中的解态，从而克服经典内存限制。
• 开发基于混合整数规划（MIP）的求解器，自动寻找高质量的线路切割，以最小化后处理复杂度，并符合用户指定的 QPU 资源约束。
• 采用计算图收缩算法，通过优化子线路输出之间的张量网络收缩，减少后处理的运行时间开销。
• 使用递归迭代搜索策略合并子线路的量子态，实现全线路振幅的可扩展重构。
• 通过动态适应电路结构和资源可用性，实现对多样化量子基准的泛化。
• 利用张量网络表示来建模和优化经典后处理工作流，最小化计算成本。

实验结果

研究问题

• RQ1 如何最小化量子线路切割中的经典后处理开销，以实现实际的混合计算？
• RQ2 哪些算法技术可实现对大规模量子线路的经典态重构，使其超越传统模拟的内存限制？
• RQ3 如何实现线路切割的自动化与优化，以同时降低运行时间和 QPU 资源需求？
• RQ4 混合量子-经典计算在多大程度上可超越纯经典模拟或纯量子执行，在大规模量子线路中表现更优？
• RQ5 所提出的框架是否能够利用当前或近期硬件实现高达 1,000 量子比特线路的执行？

主要发现

• ScaleQC 已成功执行高达 1,000 量子比特的量子线路，展示了在可扩展性和性能方面超越纯经典模拟和当前量子处理器的能力。
• 状态合并框架可在不存储完整态矢量的情况下高效定位大规模线路中的解态，有效绕过经典内存瓶颈。
• 在 Supremacy 基准测试中，状态合并过程的 100 次递归仅耗时 160 秒，表明每次额外递归的边际成本极低，运行效率极高。
• 基于 MIP 的切割求解器可自动生成高质量切割，降低后处理复杂度，并在多样化基准中具有良好的泛化能力。
• 与最先进的经典模拟 [22] 相比，ScaleQC 所需计算资源显著更少——估计仅需约 1250 个核心，而后者需 4200 万个核心才能达到相似保真度和采样数量。
• 该框架通过减少每百万样本的耗时，在运行时间上相较纯经典模拟具有显著优势，且每次额外递归的成本增加极小。