[论文解读] TensorCircuit: a Quantum Software Framework for the NISQ Era

Shi‐Xin Zhang, Jonathan Allcock+14 more|arXiv (Cornell University)|May 20, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

TensorCircuit 是一个基于张量网络收缩的开源量子软件框架，可在 NISQ 时代实现大规模参数化量子线路的高性能模拟。它利用机器学习后端实现自动微分、JIT 编译和硬件加速，实现了高达 600 量子比特的模拟，具有低深度和一维连通性，相较于现有模拟器实现了数量级的性能提升。

ABSTRACT

TensorCircuit is an open source quantum circuit simulator based on tensor network contraction, designed for speed, flexibility and code efficiency. Written purely in Python, and built on top of industry-standard machine learning frameworks, TensorCircuit supports automatic differentiation, just-in-time compilation, vectorized parallelism and hardware acceleration. These features allow TensorCircuit to simulate larger and more complex quantum circuits than existing simulators, and are especially suited to variational algorithms based on parameterized quantum circuits. TensorCircuit enables orders of magnitude speedup for various quantum simulation tasks compared to other common quantum software, and can simulate up to 600 qubits with moderate circuit depth and low-dimensional connectivity. With its time and space efficiency, flexible and extensible architecture and compact, user-friendly API, TensorCircuit has been built to facilitate the design, simulation and analysis of quantum algorithms in the Noisy Intermediate-Scale Quantum (NISQ) era.

研究动机与目标

• 应对在噪声中等规模量子（NISQ）时代对大规模、复杂参数化量子线路高效模拟的日益增长的需求。
• 克服现有模拟器在处理高参数数量和深度电路的变分量子算法时的局限性。
• 将现代机器学习工程实践——自动微分、JIT 编译和硬件加速——集成到量子模拟框架中。
• 实现高达 600 量子比特的可扩展模拟，支持中等电路深度和一维连通性，推动先进量子算法的开发与分析。

提出的方法

• 构建一个灵活的张量网络引擎，通过张量收缩实现高效的量子线路模拟。
• 使用行业标准的机器学习框架（如 TensorFlow）作为后端，以支持自动微分和 JIT 编译。
• 通过与机器学习库集成，支持向量化并行计算和硬件加速，提升 GPU 上的性能。
• 实现高级功能，如条件测量、后选择以及使用 vmap 支持批量操作的泡利字符串期望值计算。
• 提供 QuOperator 和 QuVector 类以表示量子态和算符，支持模块化和可扩展的线路构建。
• 提供可定制的收缩路径查找和子树重构功能，以优化张量网络收缩的性能。

实验结果

研究问题

• RQ1 基于张量网络的量子线路模拟器是否能在支持变分量子算法的同时，实现相较于现有模拟器数量级的性能提升？
• RQ2 与机器学习框架的集成在多大程度上能提升量子线路模拟中的性能和可用性？
• RQ3 张量网络收缩在多大程度上能够高效模拟具有高达 600 量子比特和低维连通性的大规模量子线路？
• RQ4 在纯 Python 框架中，是否能高效支持批量梯度计算、蒙特卡洛噪声模拟和条件测量等高级功能？
• RQ5 在 NISQ 背景下，结合张量网络方法与现代机器学习工程实践的模拟器，其性能上限是什么？

主要发现

• TensorCircuit 使用一维阶梯状两比特门布局，成功模拟了高达 600 量子比特且中等深度的线路，展示了超越典型模拟器的可扩展性。
• 对于具有 7 层和 4900 个门的 600 量子比特横向场伊辛模型（TFIM），该框架在无需超参数调优的情况下，实现了 99.4% 的基态能量精度。
• 在使用 NVIDIA A100 40GB GPU 的情况下，600 量子比特案例的每步计算耗时为 18.2 秒，包含能量期望值和梯度的计算。
• 与常见量子软件相比，该框架在模拟任务中实现了数量级的性能提升，特别是在变分量子蒙特卡洛（VQE）工作流中表现显著。
• 对两比特门使用 SVD 分解可将弦维数降低至 d=2（针对 XX 类型门），从而实现更高效的张量网络收缩。
• 通过 vmap 和 vectorized_value_and_grad 支持的批量操作，实现了对多个输入态或电路参数的成本函数和梯度的高效评估，显著加速了优化过程。