Enhancing variational quantum algorithms by balancing training on classical and quantum hardware

要約

量子コンピューターは、プライム因子化、大規模な線形代数の解決、複雑な量子システムのシミュレーションなど、古典的に扱いやすい問題に取り組むための有望なルートを提供しますが、誤りに耐性のある量子ハードウェアが必要です。
一方、バリエーション量子アルゴリズム（VQA）は、量子ユーティリティまたはアドバンテージへの短期ルートを提供する可能性があり、通常、トレーニング用の古典的なオプティマイザーと組み合わせてパラメーター化された量子回路（PQC）を使用して構築されます。
地上国家の推定、組み合わせの最適化、統一コンパイルなどの多数のタスクについては、VQAが提案されていますが、量子ハードウェアの訓練性とリソースコストに大きな課題が残っています。
ここでは、ハードウェア効率的かつ動的な嘘代数をサポートするAnsatz（Helia）を採用することにより、これらの課題に対処し、既存のG-SIMメソッド（オペレーターの基礎となるグループ構造を使用）とパラメーターシフトルール（PSR）を組み合わせた2つのトレーニングスキームを提案します。
私たちの改善は、勾配推定とトレーニングに必要なリソースを古典的および量子ハードウェアの両方に分配することから来ています。
変分量子固有値（VQE）と量子ニューラルネットワークを使用した量子相の分類を使用して、地上国家推定の提案を数値的にテストします。
私たちの方法は、試験の精度と成功の改善を示し、また、量子ハードウェアでのみ実行されるPSR（最大60％の削減）のみを使用するよりも、平均して量子ハードウェアへの呼び出しが少なくなります。
また、不毛のプラトーの緩和におけるヘリアの能力を数値的に実証し、大規模な量子モデルのトレーニングへの道を開いています。

要約(オリジナル)

Quantum computers offer a promising route to tackling problems that are classically intractable such as in prime-factorization, solving large-scale linear algebra and simulating complex quantum systems, but require fault-tolerant quantum hardware. On the other hand, variational quantum algorithms (VQAs) have the potential to provide a near-term route to quantum utility or advantage, and is usually constructed by using parametrized quantum circuits (PQCs) in combination with a classical optimizer for training. Although VQAs have been proposed for a multitude of tasks such as ground-state estimation, combinatorial optimization and unitary compilation, there remain major challenges in its trainability and resource costs on quantum hardware. Here we address these challenges by adopting Hardware Efficient and dynamical LIe algebra Supported Ansatz (HELIA), and propose two training schemes that combine an existing g-sim method (that uses the underlying group structure of the operators) and the Parameter-Shift Rule (PSR). Our improvement comes from distributing the resources required for gradient estimation and training to both classical and quantum hardware. We numerically test our proposal for ground-state estimation using Variational Quantum Eigensolver (VQE) and classification of quantum phases using quantum neural networks. Our methods show better accuracy and success of trials, and also need fewer calls to the quantum hardware on an average than using only PSR (upto 60% reduction), that runs exclusively on quantum hardware. We also numerically demonstrate the capability of HELIA in mitigating barren plateaus, paving the way for training large-scale quantum models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google