[论文解读] TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum Circuits

Jinglei Cheng, Hanrui Wang+4 more|arXiv (Cornell University)|Oct 15, 2022

Quantum Computing Algorithms and Architecture被引用 7

一句话总结

TopGen 提出了一种拓扑感知的自下而上的变分量子线路生成器，可为特定量子硬件布局构建定制化的量子线路构造。通过首先创建表达能力强、与硬件兼容的子线路，并利用拼接和动态扩展技术将其组合，TopGen 将线路深度最多减少 2 倍，CNOT 门数量最多减少 4 倍，在真实设备上相比非拓扑感知基线方法实现了 17% 的准确率提升。

ABSTRACT

Variational Quantum Algorithms (VQA) are promising to demonstrate quantum advantages on near-term devices. Designing ansatz, a variational circuit with parameterized gates, is of paramount importance for VQA as it lays the foundation for parameter optimizations. Due to the large noise on Noisy-Intermediate Scale Quantum (NISQ) machines, considering circuit size and real device noise in the ansatz design process is necessary. Unfortunately, recent works on ansatz design either consider no noise impact or only treat the real device as a black box with no specific noise information. In this work, we propose to open the black box by designing specific ansatz tailored for the qubit topology on target machines. Specifically, we propose a bottom-up approach to generate topology-specific ansatz. Firstly, we generate topology-compatible sub-circuits with desirable properties such as high expressibility and entangling capability. Then, the sub-circuits are combined together to form an initial ansatz. We further propose circuits stitching to solve the sparse connectivity issue between sub-circuits, and dynamic circuit growing to improve the accuracy. The ansatz constructed with this method is highly flexible and thus we can explore a much larger design space than previous state-of-the-art method in which all ansatz candidates are strict subsets of a pre-defined large ansatz. We use a popular VQA algorithm - Quantum Neural Networks (QNN) for Machine Learning (ML) task as the benchmarks. Experiments on 14 ML tasks show that under the same performance, the TopGen-searched ansatz can reduce the circuit depth and the number of CNOT gates by up to 2 * and 4 * respectively. Experiments on three real quantum machines demonstrate on average 17% accuracy improvements over baselines.

研究动机与目标

• 为解决 NISQ 设备中设计兼具表达能力与硬件拓扑及噪声兼容性的线路构造这一关键挑战。
• 克服现有线路构造生成方法将真实设备视为黑箱、未利用特定连接性或噪声信息的局限性。
• 通过基于预先评估子线路的自下而上方法，实现对庞大线路构造设计空间的高效探索。
• 通过最小化深度和 CNOT 门数量，同时保持高表达能力和纠缠能力，提升量子线路的效率与性能。
• 通过拓扑感知的线路构造设计，在真实量子硬件上显著提升准确率与线路效率。

提出的方法

• 一种自下而上的框架，首先生成具有高表达能力与纠缠能力的、与硬件拓扑兼容的子线路库。
• 通过子线路拼接形成初始线路构造，使用线路拼接技术解决子线路之间稀疏连接的问题。
• 在训练过程中应用动态线路扩展，逐步提升线路构造的准确率，而无需从头开始重新训练。
• 该方法不依赖固定的大规模超线路，从而在设计空间广度上超越当前最先进的神经架构搜索（NAS）方法。
• 子线路评估仅需离线执行一次，显著降低了线路构造搜索过程中的运行时开销。
• 该方法具有良好的可扩展性，因为子线路评估的复杂度仅与子线路大小相关，而非整个设备规模。

实验结果

研究问题

• RQ1 自下而上、拓扑感知的方法能否生成比现有方法更高效、更准确的变分量子线路？
• RQ2 显式考虑硬件连接性和噪声信息对真实量子设备上线路构造性能有何影响？
• RQ3 子线路组合与动态扩展在多大程度上可减少线路深度与 CNOT 门数量，同时保持高准确率？
• RQ4 拓扑感知的线路构造设计是否能在真实 NISQ 硬件上带来可测量的分类准确率提升？
• RQ5 所提出方法在具有稀疏连接性的更大规模量子设备上是否具备可扩展性？

主要发现

• 在 14 项机器学习任务中，TopGen 生成的线路构造实现了与现有方法相当的性能，同时线路深度最多减少 2 倍，CNOT 门数量最多减少 4 倍。
• 在三台真实量子设备上，TopGen 使用相同线路构造相比非拓扑感知基线方法，平均准确率提升 17%。
• 在高噪声设备上，拓扑感知与非拓扑感知设计之间的性能差距最为显著，后者因不必要的 SWAP 门导致准确率急剧下降。
• 该方法的运行时开销可忽略不计，因为子线路评估仅需离线执行一次，且线路构造在搜索过程中构建迅速。
• 该方法具有极高的可扩展性，因为子线路评估的复杂度仅与子线路大小相关，适用于未来大规模 NISQ 设备。
• 动态扩展策略有效避免了平坦区域和局部极小值，训练过程中的收敛性与准确率均得到提升，验证了其有效性。