Technische Samenvatting: Quantum Architecture Search met Unsupervised Representation Learning

Probleemstelling

Quantum Architecture Search (QAS) heeft als doel het automatisch ontwerpen van optimale geparametriseerde kwantumcircuits (PQCs) voor Variational Quantum Algorithms (VQAs) op Noisy Intermediate-Scale Quantum (NISQ) apparaten. Huidige QAS-benaderingen kampen met aanzienlijke schaalbaarheidsuitdagingen:

1. Hechte Koppeling: De meeste algoritmen koppelen de definitie van de zoekruimte nauw aan het zoekalgoritme, wat de evaluatie van een enorm aantal kwantumcircuits vereist. Dit leidt tot verbijsterende computationele kosten en beperkt de schaalbaarheid.
2. Beperkingen van Predictors: Hoewel predictor-gebaseerde QAS-methoden proberen de evaluatiekosten te verminderen door de prestaties van circuits te schatten, zijn ze sterk afhankelijk van grote, gelabelde datasets. Het trainen van nauwkeurige predictors vereist tijdrovende labeling van talrijke circuits, wat onzekerheid introduceert en hernieuwde evaluatie van kandidaten noodzakelijk maakt.
3. Tekortkomingen in Representatie: Bestaande coderingstechnieken voor kwantumcircuits slagen er vaak niet in om de controle- en doelrollen in twee-qubit gates te onderscheiden of wijzen uniforme randgewichten toe, wat leidt tot representatieverlies en suboptimale reconstructie.

Methodologie

De auteurs stellen een framework voor dat de unsupervised architectuur-representatieleer ontkoppelt van het zoekproces, geïnspireerd door het klassieke neurale architectuurzoekalgoritme Arch2vec. Het framework bestaat uit twee onafhankelijke fasen:

1. Verbeterde Circuit Codering

De auteurs introduceren een verbeterd coderingsschema om kwantumcircuits te representeren als Directed Acyclic Graphs (DAGs).

• Grafenstructuur: Elke gate is een knoop. Gerichte randen vertegenwoordigen de executie-afhankelijkheden op hetzelfde qubit. Globale start- en eindknopen zorgen voor een consistente topologische ordening.
• Matrix Representatie:
  • Adjacency Matrix ($A$): Legt de structurele topologie vast. In tegenstelling tot eerdere werken worden randgewichten toegewezen evenredig aan het aantal qubits dat bij een operatie betrokken is (bijv. gewicht 2 voor twee-qubit gates).
  • Gate Matrix ($X$): Codeert knoopkenmerken. Cruciaal is dat de matrix voor twee-qubit gates de rollen expliciet onderscheidt door $-1$ toe te wijzen aan het controle-qubit en $+1$ aan het doel-qubit, waardoor ambiguïteiten die in eerdere coderingen aanwezig waren, worden opgelost.

2. Unsupervised Representation Learning

Een Graph Isomorphism Network (GIN) gebaseerde Variational Graph Autoencoder (VGAE) wordt getraind om een gladde, laagdimensionale latente ruimte ($Z$) te leren van de circuitstructuren ($A, X$) zonder prestatielabels.

• Encoder: Gebruikt $L=5$ GIN-lagen met message passing om lokale gate-patronen en connectiviteit te aggregeren. Een fusielaag aggregeert informatie van alle lagen om de robuustheid te verbeteren.
• Decoder: Reconstrueert de adjacency matrix en de gate matrix (gate-types en qubit-posities) vanuit de latente variabelen.
• Doelstelling: Maximaliseert de Evidence Lower Bound (ELBO), wat ervoor zorgt dat circuits met vergelijkbare structurele eigenschappen in nabijgelegen regio's van de latente ruimte clusteren. Deze gladheid wordt verondersteld te correleren met prestatiegelijkenis.

3. Predictor-Free Architectuur Zoekproces

Zodra de encoder is voorgetraind, vindt het zoekproces volledig plaats binnen de continue latente ruimte, waardoor de noodzaak voor een predictor of gelabelde datasets wordt geëlimineerd.

• Zoekalgoritmen: Het framework gebruikt REINFORCE (een reinforcement learning algoritme met een LSTM-policy) en Bayesian Optimization (BO) met Deep Networks for Global Optimization (DNGO) om de latente ruimte te verkennen.
• Evaluatie: Kandidaat-architecturen die uit de latente ruimte worden gesampled, worden gedecodeerd naar circuits en worden alleen geëvalueerd op basis van de specifieke taakbeloning (bijv. grondtoestandsenergie voor MaxCut/Quantum Chemistry, fidelity voor state preparation).

Belangrijkste Bijdragen

1. Ontkoppeld Framework: De auteurs hebben succesvol de unsupervised representatieleer ontkoppeld van het zoekproces. Dit maakt het mogelijk om de geleerde representaties te hergebruiken voor verschillende downstream-taken zonder de predictors opnieuw te hoeven trainen op grote gelabelde datasets.
2. Verbeterd Codering Schema: De voorgestelde codering adresseert de beperkingen van bestaande methoden door de controle/doel-rollen in twee-qubit gates expliciet te onderscheiden en randen te wegen op basis van interactiecomplexiteit. Dit resulteert in nauwkeurigere embeddings en een betere organisatie van de latente ruimte.
3. Predictor-Free Zoekproces: Door REINFORCE en BO direct toe te passen op de latente representatie, verwijdert de methode de onzekerheid en de datavereisten die geassocieerd zijn met het trainen van een predictor.
4. Hardware Validatie: De aanpak werd gevalideerd op echte kwantumhardware (IBM's ibm_sherbrooke), waarbij werd aangetoond dat ontdekte architecturen op simulatoren een optimale prestatie behouden onder fysieke ruis zonder parameter her-tuning.

Experimentele Resultaten

Experimenten werden uitgevoerd op drie taken: Quantum State Preparation, MaxCut, en Quantum Chemistry (met H2 en LiH moleculen), met circuitgroottes variërend van 4 tot 12 qubits.

• Kwaliteit van de Representatie: De verbeterde codering in combinatie met GINs presteerde beter dan baseline modellen (GSQAS, VGAE) in reconstructienauwkeurigheid (gate-types, qubits, adjacency) en produceerde gladdere, compactere latente ruimtes. Visualisaties (PCA en t-SNE) toonden aan dat circuits met hoge prestaties samen clusterden, met name in het 4-qubit regime.
• Zoakefficiëntie:
  • Zowel REINFORCE als BO presteerden aanzienlijk beter dan Random Search bij het vinden van hoog-belonende circuits binnen 1.000 queries.
  • De voorgestelde methode behaalde vergelijkbare of superieure resultaten ten opzichte van predictor-gebaseerde methoden (GNNURL, GSQASURL), terwijl het veel minder circuit-evaluaties vereiste ($N_{QAS}/N_{eval}$ ratio's waren aanzienlijk hoger).
  • In 8-qubit experimenten ontdekte de voorgestelde methode meer kandidaat-circuits die aan de prestatiedrempels voldeden dan random search, zelfs in worst-case scenario's.
• Prestaties op Echte Hardware: Voor 4-node en 8-node MaxCut problemen bereikten de best-ontdekte circuits een 100% waarschijnlijkheid om de optimale bitstring te meten op de ibm_sherbrooke device, wat de resultaten van de simulator evenaarde ondanks de NISQ-ruis.

Betekenis en Claims

Het artikel claimt dat unsupervised representation learning een levensvatbaar pad biedt voor schaalbare Quantum Architecture Search. Door een gladde latente ruimte te leren van louter structurele data, stelt het framework efficiënte exploratie van de circuit-ontwerpplek mogelijk zonder de zware computationele last van labeling of predictor-training.

De auteurs benadrukken dat het succes van deze aanpak afhangt van de kwaliteit van de unsupervised representatie en de keuze van het zoekalgoritme. Ze concluderen dat deze predictor-vrije strategie effectief hoog-presterende kwantumcircuits identificeert met minder zoekiteraties en robuustheid demonstreert bij implementatie op echte kwantumhardware, wat het een veelbelovende richting maakt voor optimalisatie van nabije kwantumapparaten.