优化嵌入相关量子退火参数以降低硬件偏差
量子物理
2022-10-27 v2 新兴技术
机器学习
摘要
量子退火器被设计用于为 NP-hard 优化问题提供近最优解。然而，当前退火器（如 D-Wave Systems, Inc. 公司的产品）的精度受环境噪声与硬件偏差的限制。应对这些缺陷并提升退火结果质量的一种方法是应用多种预处理技术，如自旋反转（SR）、退火偏移（AO）或链权重（CW）。最大化这些技术的有效性涉及对大量参数的优化，若需对每个新问题实例都进行此类优化则代价过高。在本工作中，我们表明上述参数优化可针对整类问题完成，前提是每个实例使用先前选定的固定嵌入。具体而言，在训练阶段，我们将一个完全图固定嵌入 E 到退火器的硬件上，然后运行优化算法来调整以下参数值集合：用于 SR 的待翻转比特集合、用于 AO 的特定量子比特偏移，以及链权重的分布，这些优化在一组从该类随机选取的训练图上完成，这些图使用 E 嵌入到硬件中。在测试阶段，我们估计训练阶段计算的参数在该类中其他图的随机选取上的表现。我们研究了最大团、最大割与图划分问题中不同密度的图实例。我们的结果表明，与默认行为相比，使用优化后的 SR、AO 和 CW 参数可显著提升退火结果。
引用
@article{arxiv.2011.00719,
title = {Optimizing embedding-related quantum annealing parameters for reducing hardware bias},
author = {Aaron Barbosa and Elijah Pelofske and Georg Hahn and Hristo N. Djidjev},
journal= {arXiv preprint arXiv:2011.00719},
year = {2022}
}