QuantumNAS：面向鲁棒量子电路的噪声自适应搜索
摘要
量子噪声是含噪中等规模量子（NISQ）计算机面临的关键挑战。以往缓解噪声的工作主要集中在门级或脉冲级的噪声自适应编译。然而，通过使量子电路本身具备抗噪能力来探索更高层次优化的研究却很有限。我们提出了 QuantumNAS，这是一个用于变分电路和量子比特映射的噪声自适应协同搜索的综合框架。变分量子电路是构建量子机器学习（QML）和量子模拟的一种有前景的方法。然而，由于庞大的设计空间和参数训练成本，寻找最优变分电路及其最佳参数极具挑战性。我们提出通过引入一种新颖的 SuperCircuit 来解耦电路搜索与参数训练。SuperCircuit 由多层预定义的参数化门构建，并通过迭代采样和更新其参数子集（SubCircuits）进行训练。它能够准确估计从零开始训练的 SubCircuits 的性能。随后，我们对 SubCircuit 及其量子比特映射进行进化协同搜索。SubCircuit 的性能通过继承自 SuperCircuit 的参数进行估计，并结合真实设备的噪声模型进行模拟。最后，我们执行迭代式门剪枝与微调以移除冗余门。在14台量子计算机上的12个 QML 和 VQE 基准测试中进行了广泛评估，QuantumNAS 显著优于基线。在 QML 方面，QuantumNAS 首次在真实量子计算机上实现了超过 95% 的2类、85% 的4类和 32% 的10类分类精度。与 UCCSD 相比，它还在 H2、H2O、LiH、CH4、BeH2 的 VQE 任务中取得了最低的本征值。我们还开源了 TorchQuantum (https://github.com/mit-han-lab/torchquantum) 以加速参数化量子电路的训练，从而促进未来的研究。
引用
@article{arxiv.2107.10845,
title = {QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits},
author = {Hanrui Wang and Yongshan Ding and Jiaqi Gu and Zirui Li and Yujun Lin and David Z. Pan and Frederic T. Chong and Song Han},
journal= {arXiv preprint arXiv:2107.10845},
year = {2024}
}
备注
Published as a conference paper in HPCA 2022. 19 pages, 22 figures. TorchQuantum Code available at https://github.com/mit-han-lab/torchquantum