[ad_1]
Quarl, oparty na uczeniu się optymalizator obwodów kwantowych, został opracowany przez naukowców z Carnegie Mellon University, Columbia University, Microsoft, Tsinghua University i VMware Research. Optymalizator wykorzystuje uczenie ze wzmocnieniem, aby sprostać wyzwaniom związanym z optymalizacją obwodów kwantowych, takim jak duża i zmienna przestrzeń akcji oraz niejednolita reprezentacja stanu. Quarl znacznie przewyższa istniejące optymalizatory obwodów w prawie wszystkich testach porównawczych i może nauczyć się wykonywać złożone zadania optymalizacji obwodów nielokalnych. Sukces Quarl otwiera nowe drogi dla badań nad optymalizacją obwodów kwantowych i może przyspieszyć rozwój praktycznych zastosowań obliczeń kwantowych.
Czym jest Quarl i dlaczego jest ważny?
Quarl to oparty na uczeniu się optymalizator obwodów kwantowych opracowany przez zespół naukowców z Carnegie Mellon University, Columbia University, Microsoft, Tsinghua University i VMware Research. Obliczenia kwantowe to nowy paradygmat, który oferuje znaczne przyspieszenie w stosunku do klasycznych odpowiedników w szerokim zakresie zastosowań, takich jak symulacja kwantowa, faktoryzacja liczb całkowitych i uczenie maszynowe. Jednak programowanie komputerów kwantowych jest trudnym zadaniem ze względu na niedobór kubitów i różnorodne formy szumu, które wpływają na wydajność urządzeń kwantowych w bliskiej perspektywie (NISQ).
Programy kwantowe są powszechnie reprezentowane jako obwody kwantowe. Aby zwiększyć wskaźnik powodzenia wykonywania obwodu, powszechną formą optymalizacji jest stosowanie transformacji obwodów, które zastępują podukład pasujący do określonego wzorca funkcjonalnie równoważnym podukładem o lepszej wydajności. Quarl odpowiada na wyzwania związane z optymalizacją obwodów kwantowych, stosując w tym procesie uczenie ze wzmocnieniem (RL).
Podejście RL do optymalizacji obwodów kwantowych wiąże się z dwoma głównymi wyzwaniami: dużą i zmienną przestrzenią akcji oraz niejednolitą reprezentacją stanu. Quarl rozwiązuje te problemy za pomocą nowatorskiej architektury neuronowej i procedury uczenia RL. Architektura neuronowa dekomponuje przestrzeń akcji na dwie części i wykorzystuje grafowe sieci neuronowe do reprezentacji stanu. Podejście to opiera się na intuicji, że decyzje optymalizacyjne mogą być podejmowane głównie na podstawie lokalnego rozumowania, przy jednoczesnym umożliwieniu globalnego rozumowania w całym obwodzie.
Jak Quarl wypada na tle innych optymalizatorów obwodów kwantowych?
Quarl znacznie przewyższa istniejące optymalizatory obwodów w prawie wszystkich obwodach testowych. Co zaskakujące, Quarl może nauczyć się wykonywać łączenie obrotów, złożoną nielokalną optymalizację obwodów zaimplementowaną jako oddzielny przebieg w istniejących optymalizatorach.
Wcześniejsze badania zaproponowały dwa podejścia do wykonywania transformacji obwodów na obwodzie wejściowym. Pierwszym podejściem jest wykorzystanie strategii opartych na regułach, które są stosowane przez wiele kompilatorów kwantowych, takich jak Qiskit, tket i Quilc. Strategie te polegają na zachłannym stosowaniu zestawu transformacji obwodów, które są ręcznie projektowane przez ekspertów w dziedzinie obliczeń kwantowych w celu poprawy wydajności obwodów kwantowych.
Drugie podejście, wprowadzone w ostatnich pracach, to podejście oparte na wyszukiwaniu, które eksploruje przestrzeń wyszukiwania obwodów, które są funkcjonalnie równoważne z obwodem wejściowym. Na przykład, Quartz automatycznie generuje i weryfikuje transformacje obwodów dla danego zestawu bramek, które zachowują równoważność, ale niekoniecznie poprawiają wydajność. Aby zoptymalizować obwód wejściowy, Quartz stosuje oparty na kosztach algorytm wyszukiwania wstecznego, aby zastosować te transformacje i odkryć zoptymalizowany obwód.
Jakie są wyzwania związane z optymalizacją obwodów kwantowych opartą na transformacjach?
Optymalizacja obwodów kwantowych oparta na transformacjach wiąże się z kilkoma wyzwaniami. Zbiór obwodów, które można uzyskać z obwodu wejściowego poprzez iteracyjne stosowanie zweryfikowanych transformacji zachowujących równoważność, obejmuje przestrzeń poszukiwań w optymalizacji obwodów kwantowych. Znalezienie optymalnego obwodu jest jednak trudne ze względu na rozmiar przestrzeni, który sprawia, że wyczerpująca eksploracja jest niewykonalna, oraz niezdolność funkcji kosztu pochodzącej z wybranej metryki wydajności do zapewnienia wystarczających wskazówek dla podejścia zachłannego.
Scenariusz ten jest określany jako płaskowyż optymalizacji, ponieważ ścieżka od jednego układu do innego o niższym koszcie często zawiera wiele kroków, w których koszt pozostaje niezmieniony. Płaskowyże tego rodzaju są również obecne w klasycznej optymalizacji programów.
Aby zilustrować wyzwanie odkrycia optymalnego obwodu w przestrzeni poszukiwań, naukowcy przeanalizowali przestrzeń poszukiwań stosunkowo małego obwodu, barencotof3, który jest zaimplementowany z 58 bramkami w zestawie bramek Nam. Rozważono 6206 transformacji odkrytych przez Quartz dla zestawu bramek Nam i wyczerpująco znaleziono wszystkie obwody osiągalne w ramach siedmiu transformacji. Spośród tych około 162 milionów obwodów losowo wybrali 200 obwodów i przeanalizowali krajobraz optymalizacji wokół nich.
Jak Quarl radzi sobie z tymi wyzwaniami?
Quarl odpowiada na wyzwania związane z optymalizacją obwodów kwantowych poprzez zastosowanie uczenia ze wzmocnieniem (RL) do tego procesu. Podejście RL do optymalizacji obwodów kwantowych wiąże się z dwoma głównymi wyzwaniami: dużą i zmienną przestrzenią akcji oraz niejednolitą reprezentacją stanu.
Quarl rozwiązuje te problemy za pomocą nowatorskiej architektury neuronowej i procedury uczenia RL. Architektura neuronowa dekomponuje przestrzeń akcji na dwie części i wykorzystuje grafowe sieci neuronowe do reprezentacji stanu. Podejście to opiera się na intuicji, że decyzje optymalizacyjne mogą być podejmowane głównie na podstawie lokalnego rozumowania, jednocześnie umożliwiając globalne rozumowanie w całym obwodzie.
Jakie są konsekwencje sukcesu Quarl?
Sukces Quarl ma znaczące implikacje dla dziedziny obliczeń kwantowych. Znacznie przewyższając istniejące optymalizatory obwodów w prawie wszystkich obwodach wzorcowych, Quarl demonstruje potencjał zastosowania uczenia się ze wzmocnieniem do optymalizacji obwodów kwantowych.
Co więcej, zdolność Quarl do uczenia się wykonywania łączenia rotacji, złożonej nielokalnej optymalizacji obwodów zaimplementowanej jako oddzielne przejście w istniejących optymalizatorach, sugeruje, że uczenie ze wzmocnieniem może być wykorzystywane do automatyzacji złożonych zadań optymalizacyjnych, które wcześniej były wykonywane ręcznie przez ekspertów w dziedzinie obliczeń kwantowych.
Jakie są przyszłe kierunki dla Quarl i optymalizacji obwodów kwantowych?
Sukces Quarl otwiera nowe możliwości dla badań nad optymalizacją obwodów kwantowych. Przyszłe prace mogą dotyczyć zastosowania uczenia ze wzmocnieniem w innych aspektach obliczeń kwantowych, takich jak kwantowa korekcja błędów i projektowanie algorytmów kwantowych.
Co więcej, nowatorska architektura neuronowa i procedura uczenia RL stosowana przez Quarl mogą zostać zaadaptowane do innych zadań optymalizacyjnych w obliczeniach kwantowych. Na przykład, dekompozycja przestrzeni akcji na dwie części i wykorzystanie grafowych sieci neuronowych w reprezentacji stanu może zostać zastosowane do optymalizacji algorytmów kwantowych lub projektowania kwantowych kodów korekcji błędów.
Wreszcie, sukces Quarl podkreśla potrzebę dalszych badań nad wyzwaniami związanymi z optymalizacją obwodów kwantowych, takimi jak duża i zmienna przestrzeń akcji oraz niejednolita reprezentacja stanu. Podejmując te wyzwania, przyszłe prace mogłyby jeszcze bardziej poprawić wydajność obwodów kwantowych i przyspieszyć rozwój praktycznych zastosowań obliczeń kwantowych.
[ad_2]