Reinforcement learning-assisted quantum architecture search for variational quantum algorithms

要約

ノイズの多い中規模量子 (NISQ) 時代の大きなハードルは、機能する量子回路を特定することです。
これらの回路は、現在の量子ハードウェアの制限によって課される制約にも従う必要があります。
量子古典最適化アルゴリズムの一種である変分量子アルゴリズム (VQA) は、現在利用可能な量子デバイスにおけるこれらの課題に対処するために開発されました。
ただし、VQA の全体的なパフォーマンスは、変分回路の初期化戦略、回路の構造 (ansatz とも呼ばれます)、およびコスト関数の構成に依存します。
本論文では、回路の構造に着目し、強化学習（RL）を用いて変分回路の最適構造の探索を自動化することで、VQAの性能を向上させます。
論文では、回路の最適性は、回路の深さ、ゲートとパラメータの総数、および与えられた問題を解決する精度を評価することによって決定されます。
最適な量子回路の検索を自動化するタスクは、量子アーキテクチャ検索 (QAS) として知られています。
QAS の研究の大部分は、主にノイズのないシナリオに焦点を当てています。
しかし、QAS に対するノイズの影響は依然として十分に調査されていません。
この論文では、テンソルベースの量子回路エンコーディング、可能な回路の探索空間を効率的に探索するための環境ダイナミクスの制限、より短い回路を見つけるようにエージェントを誘導するためのエピソード停止スキーム、ダブルディープ Q- を導入することでこの問題に取り組みます。
安定性を向上させるための $\epsilon$-greedy ポリシーを備えたネットワーク (DDQN)。
ノイズのない量子ハードウェアとノイズのある量子ハードウェアに関する数値実験では、さまざまな VQA の処理において、RL ベースの QAS が既存の QAS よりも優れていることが示されています。
一方、論文で提案する方法は、他のさまざまな VQA に対処するために容易に適用できます。

要約(オリジナル)

A significant hurdle in the noisy intermediate-scale quantum (NISQ) era is identifying functional quantum circuits. These circuits must also adhere to the constraints imposed by current quantum hardware limitations. Variational quantum algorithms (VQAs), a class of quantum-classical optimization algorithms, were developed to address these challenges in the currently available quantum devices. However, the overall performance of VQAs depends on the initialization strategy of the variational circuit, the structure of the circuit (also known as ansatz), and the configuration of the cost function. Focusing on the structure of the circuit, in this thesis, we improve the performance of VQAs by automating the search for an optimal structure for the variational circuits using reinforcement learning (RL). Within the thesis, the optimality of a circuit is determined by evaluating its depth, the overall count of gates and parameters, and its accuracy in solving the given problem. The task of automating the search for optimal quantum circuits is known as quantum architecture search (QAS). The majority of research in QAS is primarily focused on a noiseless scenario. Yet, the impact of noise on the QAS remains inadequately explored. In this thesis, we tackle the issue by introducing a tensor-based quantum circuit encoding, restrictions on environment dynamics to explore the search space of possible circuits efficiently, an episode halting scheme to steer the agent to find shorter circuits, a double deep Q-network (DDQN) with an $\epsilon$-greedy policy for better stability. The numerical experiments on noiseless and noisy quantum hardware show that in dealing with various VQAs, our RL-based QAS outperforms existing QAS. Meanwhile, the methods we propose in the thesis can be readily adapted to address a wide range of other VQAs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google