本文在Google Sycamore超導晶片上實驗了QAOA算法,並在三類不同連通性的圖問題上比較了算法的效果。
題目:Quantum Approximate Optimization of Non-Planar Graph Problemson a Planar Superconducting Processor
作者:Google AI Quantum and Collaborators
Scite:45次
arXiv:2004.04197
量子近似優化算法(Quantum approximate optimization algorithm,QAOA)是目前研究最多的利用近期(near-term)量子器件進行優化的門電路模型算法,也是用來測試量子硬體系統整體性能的一種通用基準;有關QAOA的實驗已在超導量子比特[1],離子阱[2]以及光學系統[3]等多種不同的物理系統上實現。而本文則首次在實驗上顯示了隨著深度的增加,QAOA算法的性能也隨之提高;另外,文獻[1,2,3]等都只對定義在物理器件拓撲圖上的問題進行了實驗,本文則首次將QAOA算法應用在非平面圖問題上,包括Sherrington-Kirkpatrick 模型以及 3-正則圖最大割問題。
本文研究的問題是最小化代價函數C(z),即
其中zj為變量,權重wjk的取值為{0,±1};通過將變量替換為泡利Z算符,C(z)對應一個量子算符C,
其中Zj表示作用在qubit j上的泡利Z算符。由於式中每一項ZjZk至多作用在兩個qubit上,因此我們可以將上述問題的實例對應到圖上;具體來說,當wjk≠0時,圖上的點j和k之間就存在一條邊。
QAOA算法是量子絕熱算法的離散化版本,最基本的QAOA算法由兩個酉算符構成,其中第一個是目標函數C對應的酉算符,
第二個為轉移算符,用來完成問題的解空間中不同疊加態之間的轉移,定義為:
上述兩個算符的交替執行就構成了QAOA算法的基本框架;若算法的重複次數(深度)為p,qubit的個數為n,則算法中將有2p個參數,記為:
根據以上參數,算法首先會製備量子態
其中|+>n是定義在2n個計算基態上的均勻疊加態。然後通過對量子態的測量以及經典計算機的輔助,算法找出最優的參數最小化代價函數C的期望:
令Cmin=minzC(z),則算法在不同實例的性能由<C>/Cmin表示。本文中Cmin一般是負數,所以實際上是在最大化<C>/Cmin。
通過將上述問題限制在不同連通性的圖上,本文研究了QAOA算法在三類不同問題上的應用表現,包括:
硬體格點問題。問題所對應的圖為物理器件拓撲圖,因此算法在執行過程中不需要使用swap門將邏輯量子門編譯到物理量子門上,這是最簡單的實例。
Sherrington-Kirkpatrick(SK)模型。問題定義在完全圖上,其中權重wij是從集合{1,-1}中隨機挑選得到,這是最困難的實例。
隨機3正則圖上的最大割問題。當權重wij都為1時,原問題等價於最大割問題(實際上最大割的代價函數與本文中所定義的相差一個常數項);而Farhi[4]等人證明在3正則圖上,p=1的QAOA算法對於最大割問題的近似比為0.6924。因此本文實驗了算法在隨機3正則圖上的性能。
本文的實驗均是在谷歌Sycamore超導處理器上進行,使用了其中23個量子比特,兩比特門的平均保真度為99.4%,量子比特的平均測量保真度為95.9%,器件拓撲圖如下圖所示。
圖1.實驗物理器件拓撲圖
本文首先考慮了當p=1時,不同的參數γ與β對QAOA算法性能的影響,主要結果如圖2所示:
圖2. p=1時,QAOA算法性能理論與實驗立體峰圖上圖中,硬體格點圖問題的qubit數為23,3正則圖最大割問題為14,SK模型為11。從中可以看出實驗中QAOA算法的能量峰圖與理論預測符合得很好,圖中紅色的線是算法使用梯度下降法從初始參數出發到達局部最優參數的路徑,表明QAOA算法在這三個問題上可以成功運行。
此外,本文研究了在不同qubit數n與深度p下,QAOA算法的性能,並使用<C>/Cmin作為衡量算法性能的指標,其中最優解的取值為1,隨機猜測的取值為0;主要結果如圖3,4所示。
圖3. QAOA算法性能隨qubit數n變化曲線圖
從上圖可以看出當p=3時,隨著qubit數的增加,<C>/Cmin在硬體格點圖問題上趨向於某一常數,與n無關,這是由於期望<C>中ZiZj項的計算只會涉及在圖上與i,j距離小於p的qubit,因此當p固定時,ZiZj項的誤差不會隨n而變化,那麼<C>/Cmin相對於n就是常數。而非局部的誤差會破壞這一性質,因此在圖2中,硬體格點圖問題實驗數據表現出了與n無關的性質,而SK模型的性能則隨著n的增大而迅速下降。
圖4. QAOA算法性能隨深度p變化曲線圖
理論上,隨著深度p的增加,算法性能也將隨之提升,但是由於噪聲的影響,深度p增加會帶來額外的誤差。此前,只有在n=2的小規模問題上能夠觀察到性能隨深度提升。而在本文的實驗中,對於10<n≤23的規模,大約有一半的實例在p=3時達到性能的最大值,且隨著深度p的增加,<C>/Cmin趨向於平緩,並未顯著下降。
目前有關QAOA的實驗大多都是最小深度(p=1)的,並且其代價函數所對應的圖往往都是物理器件本身或是其子圖,而絕大多數現實世界中組合優化問題的實例都是無法直接映射到物理器件的拓撲圖上,通常需要使用swap門以及路由量子比特來將其編譯到物理器件上,但是額外增加的代價則要求量子硬體具有更高的保真度;依託Google最先進的Sycamore晶片,本文在非平面圖問題上展示了量子近似優化算法在實際設備上實現和性能方面的重要進展,同時也著重強調了在將量子優化算法應用到實際問題上所將出現的各種挑戰。
[1] D. M. Abrams, N. Didier, B. R. Johnson,M. P. d. Silva, and C. A. Ryan, Implementation of the XY interaction familywith calibration of a single pulse, (2019), arXiv:1912.04424 [quant-ph].
[2] G. Pagano, A. Bapat, P. Becker, K. S.Collins, A. De, P. W. Hess, H. B. Kaplan, A. Kyprianidis, W. L. Tan, C.Baldwin, L. T. Brady, A. Deshpande, F. Liu, S. Jordan, A. V. Gorshkov, and C.Monroe, Quantum approximate optimization with a trapped-ion quantum simulator,(2019), arXiv:1906.02700 [quant-ph].
[3]X. Qiang, X. Zhou, J. Wang, C. M.Wilkes, T. Loke, S. O』Gara, L. Kling, G. D. Marshall, R. Santagati, T. C.Ralph, J. B. Wang, J. L. O』Brien, M. G. Thompson, and J. C. F. Matthews,Large-scale silicon quantum photonics implementing arbitrary two-qubitprocessing, Nature Photonics 12, 534 (2018).
[4]E. Farhi, J. Goldstone, and S. Gutmann, Aquantum approximate optimization algorithm, (2014), arXiv:1411.4028 [quant-ph].