Élivágar: Efficient Quantum Circuit Search for Classification

要約

量子機械学習 (QML) 向けに高性能でノイズに強い回路を設計することは困難です。設計空間は回路サイズに応じて指数関数的に拡大しますが、QML 回路設計に関して十分にサポートされている指針はほとんどありません。
最近の量子回路検索 (QCS) 手法は、ハードウェア ノイズに対しても耐性のあるパフォーマンスの高い QML 回路の検索を試みていますが、量子ハードウェアの固有の制約とずれている古典的なニューラル アーキテクチャ検索 (NAS) の設計を直接採用しているため、
検索のオーバーヘッドと深刻なパフォーマンスのボトルネック。
私たちは、新しいリソース効率の高いノイズガイド型 QCS フレームワークである「Eliv」agar を紹介します。
「Eliv」agar は、QCS の 3 つの主要な側面 (検索空間、検索アルゴリズム、候補評価戦略) のすべてにおいて革新をもたらし、現在の古典的な QCS 手法の設計上の欠陥に対処します。
「Eliv」寒天はハードウェア効率を達成し、ノイズとデバイス トポロジを意識した候補生成により、高価な回路マッピングの共同探索を回避します。
Clifford ノイズ耐性と表現能力という 2 つの計算コストの低い予測子を導入することにより、「Eliv」寒天はノイズ耐性とパフォーマンスの評価を切り離し、忠実度の低い回路を早期に拒否できるようになり、回路評価コストを削減できます。
リソース効率が高いため、「Eliv」寒天はさらにデータ埋め込みを検索でき、パフォーマンスが大幅に向上します。
12 個の実量子デバイスと 9 個の QML アプリケーションにおける「Eliv」寒天の包括的な評価に基づいて、「Eliv」寒天は最先端のものと比較して 5.3% 高い精度と 271$\times$ の高速化を達成しました。
QCSメソッド。

要約(オリジナル)

Designing performant and noise-robust circuits for Quantum Machine Learning (QML) is challenging — the design space scales exponentially with circuit size, and there are few well-supported guiding principles for QML circuit design. Although recent Quantum Circuit Search (QCS) methods attempt to search for performant QML circuits that are also robust to hardware noise, they directly adopt designs from classical Neural Architecture Search (NAS) that are misaligned with the unique constraints of quantum hardware, resulting in high search overheads and severe performance bottlenecks. We present \’Eliv\’agar, a novel resource-efficient, noise-guided QCS framework. \’Eliv\’agar innovates in all three major aspects of QCS — search space, search algorithm and candidate evaluation strategy — to address the design flaws in current classically-inspired QCS methods. \’Eliv\’agar achieves hardware-efficiency and avoids an expensive circuit-mapping co-search via noise- and device topology-aware candidate generation. By introducing two cheap-to-compute predictors, Clifford noise resilience and Representational capacity, \’Eliv\’agar decouples the evaluation of noise robustness and performance, enabling early rejection of low-fidelity circuits and reducing circuit evaluation costs. Due to its resource-efficiency, \’Eliv\’agar can further search for data embeddings, significantly improving performance. Based on a comprehensive evaluation of \’Eliv\’agar on 12 real quantum devices and 9 QML applications, \’Eliv\’agar achieves 5.3% higher accuracy and a 271$\times$ speedup compared to state-of-the-art QCS methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google