[论文解读] The Snake Optimizer for Learning Quantum Processor Control Parameters

Paul V. Klimov, J. Kelly+2 more|arXiv (Cornell University)|Jun 8, 2020

Quantum Computing Algorithms and Architecture被引用 23

一句话总结

Snake 优化器是一种新颖的、可扩展的优化框架，通过基于图的分解和动态遍历，将高维、非凸的量子控制校准问题简化为可处理的低维子问题。该方法在谷歌 53 量子比特的 Sycamore 处理器上实现了最先进性能，相比人工专家校准提速 10,000 倍，并将两量子比特门的中位数误差降低了 20%。

ABSTRACT

High performance quantum computing requires a calibration system that learns optimal control parameters much faster than system drift. In some cases, the learning procedure requires solving complex optimization problems that are non-convex, high-dimensional, highly constrained, and have astronomical search spaces. Such problems pose an obstacle for scalability since traditional global optimizers are often too inefficient and slow for even small-scale processors comprising tens of qubits. In this whitepaper, we introduce the Snake Optimizer for efficiently and quickly solving such optimization problems by leveraging concepts in artificial intelligence, dynamic programming, and graph optimization. In practice, the Snake has been applied to optimize the frequencies at which quantum logic gates are implemented in frequency-tunable superconducting qubits. This application enabled state-of-the-art system performance on a 53 qubit quantum processor, serving as a key component of demonstrating quantum supremacy. Furthermore, the Snake Optimizer scales favorably with qubit number and is amenable to both local re-optimization and parallelization, showing promise for optimizing much larger quantum processors.

研究动机与目标

• 解决在拥有数十个量子比特的大规模超导处理器中校准高保真度量子逻辑门的可扩展性挑战。
• 克服传统全局优化器在非凸、高维且高度约束的校准问题上的低效性。
• 开发一种随量子比特数量增长而表现良好的校准策略，并支持局部重新优化与并行化。
• 实现对相互依赖的校准层级（如门频率校准）的最优控制参数的快速、自动化学习。
• 通过加速复杂耦合量子系统的校准，推动实现量子优越性的演示。

提出的方法

• 使用图划分将全局校准问题分解为约束互不相交的校准子目标，以隔离独立的优化区域。
• 将每个子目标进一步划分为遍历互不相交的线程，并通过基于种子的遍历策略递归地遍历和校准。
• 采用启发式驱动的遍历规则，引导图元素的顺序校准，同时动态调整参数、约束和遍历距离。
• 通过迭代校准和对过期或性能下降参数的局部重新优化，维持系统漂移下的性能。
• 支持约束互不相交子图的并行校准，并将校准区域拼接，以实现对大规模处理器的可扩展校准。
• 可集成强化学习或缓存的误差模型评估作为潜在扩展，以指导遍历并提升效率。

实验结果

研究问题

• RQ1 可扩展的优化框架能否降低大规模超导处理器中相互依赖的量子控制参数校准的计算复杂度？
• RQ2 如何将量子门校准中的高维、非凸且有约束的优化问题分解为可处理的子问题？
• RQ3 与全局优化或人工调优相比，动态图基遍历策略在多大程度上能提升校准速度和保真度？
• RQ4 该框架能否支持局部重新校准，在不进行全系统重校准的情况下维持系统性能？
• RQ5 Snake 优化器如何实现并行化与可扩展性，以支持未来大规模量子处理器？

主要发现

• 与人工专家调优相比，Snake 优化器将 53 量子比特 Sycamore 处理器的校准时间缩短了约 10,000 倍。
• 与人工优化配置相比，该优化器将两量子比特门的中位数误差率降低了 20%。
• 该方法在 53 量子比特 Sycamore 处理器上实现了最先进系统性能，成为实现量子优越性演示的关键推动因素。
• 通过将 $O(N)$ 维问题分解为多个低维子问题，且其搜索空间呈指数级缩小，显著降低了优化复杂度。
• 该框架支持局部重新校准，使性能下降或过期的参数可独立更新，而无需全系统重校准。
• 该算法可实现约束互不相交子图的并行化，从而支持大规模量子处理器的可扩展校准。