[论文解读] TensorLy-Quantum: Quantum Machine Learning with Tensor Methods

Taylor L. Patti, Jean Kossaifi+2 more|arXiv (Cornell University)|Dec 19, 2021

Parallel Computing and Optimization Techniques被引用 5

一句话总结

TensorLy-Quantum 是一个基于 PyTorch、支持 GPU 加速的量子线路仿真器，利用张量网络方法实现大规模量子线路的高效仿真。通过使用因子化张量表示和基于 TensorLy 生态系统的优化收缩运算，它在单张 GPU 上实现了高达数百量子比特的世界纪录级仿真，在多 GPU 环境下可扩展至数千量子比特，相较于 QuTiP 在 GPU 上的偏迹运算实现了高达四个数量级的速度提升。

ABSTRACT

Simulation is essential for developing quantum hardware and algorithms. However, simulating quantum circuits on classical hardware is challenging due to the exponential scaling of quantum state space. While factorized tensors can greatly reduce this overhead, tensor network-based simulators are relatively few and often lack crucial functionalities. To address this deficiency, we created TensorLy-Quantum, a Python library for quantum circuit simulation that adopts the PyTorch API. Our library leverages the optimized tensor methods of the existing TensorLy ecosystem to represent, simulate, and manipulate large-scale quantum circuits. Through compact tensor representations and efficient operations, TensorLy-Quantum can scale to hundreds of qubits on a single GPU and thousands of qubits on multiple GPUs. TensorLy-Quantum is open-source and accessible at https://github.com/tensorly/quantum

研究动机与目标

• 为解决缺乏高效、可扩展且与机器学习集成的量子仿真器，特别是不支持张量网络方法的问题。
• 通过利用因子化张量表示和优化收缩运算，降低大规模量子系统仿真带来的计算开销。
• 将高级张量代数（如分解、回归）集成到量子仿真中，以增强表达能力与性能。
• 提供一个与 PyTorch 兼容、支持自动微分和可扩展仿真的 GPU 加速后端，用于量子机器学习。
• 实现复杂量子协议（如 MaxCut 和基于马尔可夫链蒙特卡洛的 QML）的大规模仿真。

提出的方法

• 该库使用类似 PyTorch 的 API 将量子态、量子门和算符表示为因子化张量，实现端到端可微分的量子线路仿真。
• 采用张量列车（TT）和矩阵乘积态（MPS）表示法，以紧凑方式编码量子态，使内存占用随量子比特数呈指数级减少。
• 量子操作（如偏迹和期望值计算）直接在因子化张量形式下完成，无需重构稠密张量。
• 通过 Opt-Einsum 库优化张量收缩，并利用 cuQuantum 在 GPU 上加速，实现大规模张量网络的高性能计算。
• 该库继承自 PyTorch 的完整 Autograd 支持，可在量子机器学习工作流中高效计算梯度。
• 与更广泛的 TensorLy 生态系统集成，支持访问张量分解、回归和转换工具，实现与其他科学计算后端的无缝互操作。

实验结果

研究问题

• RQ1 基于张量网络的仿真是否能通过因子化表示实现超越稠密张量表示极限的大规模量子线路仿真？
• RQ2 GPU 加速的张量收缩与优化收缩路径在大规模量子线路仿真中能多大程度上提升性能？
• RQ3 与 PyTorch 兼容的可微分量子仿真器在量子机器学习工作流中，能否有效集成如分解与回归等高级张量代数操作？
• RQ4 该库是否能在 GPU 上实现 MaxCut 等量子优化问题的世界纪录级仿真规模，特别是在大规模场景下？
• RQ5 在速度和内存效率方面，基于张量的仿真与传统稠密态仿真器（如 QuTiP）相比表现如何？

主要发现

• 与 QuTiP 相比，TensorLy-Quantum 在 20 量子比特系统上，CPU 上实现 200 倍加速，GPU 上最高达 40,000 倍加速，尤其在偏迹运算中表现显著。
• 该库在单张 A100 GPU 上成功仿真了含 500 个量子比特和 5,000 个门的横向场伊辛模型哈密顿量，通过反向传播完成完整梯度计算耗时不足 10 秒。
• 它在单张 GPU 上创下 MaxCut 仿真规模的世界纪录，并通过多 GPU 配置与 cuQuantum 后端加速，实现数千量子比特的可扩展仿真。
• 若无因子化张量方法，仅 25 个量子比特的系统就需约 10^6 GB 内存，使用稠密表示法将使此类仿真无法实现。
• PyTorch Autograd 的集成实现了量子线路的完整可微分性，支持变分量子算法的高效训练。
• 该库支持如 MaxCut 的多基编码和基于马尔可夫链蒙特卡洛的 QML 等新功能，展示了其在标准量子仿真之外的可扩展性。