作为下一代先进计算技术,量子计算机正在步入实用化的黎明前夕。一个标志性的里程碑是2019年谷歌在54量子位超导量子处理器上所演示的量子霸权实验[1]。自此,如何在现有硬件技术条件下利用量子计算设备解决实际问题且取得超越经典计算机的性能成为了量子计算领域最为核心的问题之一。为实现这一目标,由量子神经网络和经典优化器构成的变分量子算法(variational quantum algorithms, VQAs)应运而生。尽管实验研究人员已经在量子计算机上展示了利用VQAs解决量子化学和机器学习任务并超越经典的可行性[2-4],当下VQAs的能力面临着两个棘手的问题:首先,VQAs中的优化梯度信息会随着量子比特数和线路深度的增加呈指数级消失[5];此外,量子计算机的系统错误会随着量子比特数量和电路深度的增加而累积。这些因素都严重抑制了VQAs的性能表现。因此,如何攻克以上挑战成为了实现VQA大规模化和实用化的重中之重。
图一 | QAS的基本流程图
针对以上问题,京东探索研究院的量子机器学习团队联合悉尼大学、鸿海量子研究院以及商汤科技在Nature Portfolio系列期刊npj Quantum Information上发表了题为“Quantum circuit architecture search for variational quantum algorithms”的研究文章。该项研究首次提出了一个高效的自动化量子神经网络搜索方案---quantum architecture search(QAS)。如图一所示,QAS根据量子神经网络中指定的基本操作单元搭建出所有可能的量子神经网络结构并依据硬件拓扑结构、噪声影响、优化性能三要素输出最优的量子网络神经结构和对应的训练参数。值得注意的是,量子神经网络的结构数量往往会随着量子比特数和线路深度指数增长,QAS需要在指数多的可能性中搜索出最优的量子网络神经结构,这是极具挑战性的。为此,QAS通过将抑制噪声和提升训练性能这两个独立的问题统一、引入权重共享和混合专家策略,在和传统VQAs运算时间相近的前提下大幅提升了学习性能。
图二 | QAS和传统VQAs在分类任务中的性能对比。(a)分类数据可视化。(b)传统的量子分类器。(c)QAS经过训练输出的量子神经网络结构。(d)QAS在不同迭代次数和不同专家数下的性能表现。(e) QAS在理想和噪声环境下的性能比较。(f)QAS在测试集的性能评估。
在实验方面,QAS在机器学习和量子化学任务中均取得了超越传统VQAs的表现。如图二(f)所示,当带噪声的量子设备用以解决合成数据二分类的任务中,传统的量子分类器的分类准确率只有50%,而QAS输出的量子神经网络以及对应的参数可达到100% 准确率。同时,如图二(d)-(e)所示,通过增加专家数量(W)以及迭代次数(Epc),QAS的性能可以得到持续提升。当W=5&Epc=400,共有151个量子神经网络结构和对应的训练参数可以取得90%以上的准确率。对于量子化学任务,我们分别将VQAs和QAS部署在IBMQ量子云的5-qubit量子计算机以近似氢原子基态能量。如图三所示,常规的VQAs和QAS所设计的量子神经网络在这个任务中的相对误差分别为36.1%和6.8%。同时,通过增加专家数量(W),QAS在基态能量估计任务中的性能表现可以得到持续提升。这些实验结果为QAS的高效性提供了佐证。
图三 | QAS和传统VQAs在氢原子基态能量估计任务中的性能对比。左图横坐标为迭代优化次数,纵坐标为估计的基态能量。“十字”标记为VQAs和QAS在IBMQ量子计算机上的估计能量。右图评估了QAS在理想和噪声环境下不同专家数目的性能表现。
QAS的提出开辟了将深度学习中的自动化模型设计与量子计算融合的新方向,这不仅可以让VQAs兼容各种量子硬件系统(如超导量子系统、离子阱体统、光学量子系统等),并且可以高效的设计出针对特定问题的量子神经网络以大幅提升VQAs的性能。这些特性将为量子计算机用于解决大规模的机器学习、量子化学、和组合优化问题提供了有力的支持。该项研究的相关代码已经开源[6]以助力相关研究人员进一步推进量子人工智能的前沿探索。
参考文献:
[1] Arute, Frank,et al."Quantum supremacy using a programmable superconducting processor."Nature574.7779 (2019): 505-510.
[2] Google AI Quantum. Hartree-Fock on a superconducting qubit quantum computer[J].Science, 2020,369(6507): 1084-1089.
[3] Havlí ek, Vojtěch,et al."Supervised learning with quantum-enhanced feature spaces."Nature567.7747 (2019): 209-212.
[4] Huang, H. L., Du, Y., Gong, M., Zhao, Y., Wu, Y., Wang, C., ... & Pan, J. W. (2021). Experimental quantum generative adversarial networks for image generation.Physical Review Applied,16(2), 024051.
[5] McClean, Jarrod R.,et al."Barren plateaus in quantum neural network training landscapes."Nature communications9.1 (2018): 1-6.
[6] https://github.com/yuxuan-du/Quantum_architecture_search/.
Nature