MIT博士亲自揭秘QuantumNAS设计与实现，让量子电路更鲁棒

2022 年 4 月 19 日 机器之心

量子计算近年发展迅速，它利用量子力学定律来解决对经典计算机来说过于复杂的问题。对于量子计算机而言，其特点主要有运行速度较快、处置信息能力较强、应用范围较广等。与一般计算机相比，信息处理量愈多，对于量子计算机实施运算也就愈加有利，也就更能确保运算具备精准性。

相比于传统计算机，量子计算机有其优势，但同时也面临着诸多问题，例如设计、制造和编程都非常困难，其中如何减轻量子噪声是发展该领域的一项重要挑战，因为非常大的噪声使得在真机上运行的实验结果受到影响，严重降低了结果的准确性。

为了解决量子噪声问题，研究人员正在努力开发一种使量子电路对噪声具有鲁棒性的技术。有研究人员设计出一个框架 QuantumNAS，可以为特定计算任务识别出最强大的量子电路，并生成针对目标量子比特量身定制的映射模式。为了鼓励在这一领域开展更多工作，研究人员还创建了一个名为 TorchQuantum 的开源库。

为了帮助读者更好的了解这背后的技术，在 4 月 21 日晚 20:00-21:00 的技术分享中，机器之心机动组将以「量子计算参数化电路搜索 QuantumNAS 的设计及实现」为主题，邀请 MIT 博士生王瀚锐，为大家解密量子噪声背后的相关技术。

特邀嘉宾分享主题：量子计算参数化电路搜索 QuantumNAS 的设计及实现

分享嘉宾 ：王瀚锐，MIT 博士生，研究方向量子计算系统和机器学习，在 HPCA，ACL, DAC, NeurIPS 等会议发表多篇论文，曾获高通奖学金，百度奖学金，DAC Young Fellow，Analog Devices outstanding student designer 等奖项。

分享背景 ：本次讲座主要讲解两部分内容，第一部分为 QuantumNAS framework；第二部分为 TorchQuantum library。

第一部分 QuantumNAS：

近几年，量子计算机得到飞速发展，目前已经有 127 量子比特的通用量子计算机可以使用。虽然量子比特数量变多，但是近期量子计算机的瓶颈仍然是量子噪声。非常大的噪声使得在真机上运行的实验结果受到影响，严重降低了结果的准确性。

QuantumNAS 的目标是提高参数化量子电路的鲁棒性，使得他们在量子计算机上运行时可以更少的受到噪声影响。对于参数化量子电路来说，实现同样的目标，可以有很多种不同架构的电路，用到不同数量和位置的量子门，QuantumNAS 可以找到最适合目标机器的量子电路架构，以及对应的量子比特映射 (Qubit mapping)。

具体来说：

该研究借鉴了经典深度学习中的神经网络搜索 (NAS) 的思路，首先构建一个包含很多种架构的量子电路 SuperCircuit，在训练这个 SuperCircuit 时，每一步会采样一个全部量子门的子集（SubCircuit），然后只更新这个 SubCircuit 中的参数，通过训练很多步，我们可以得到一个训练好的 SuperCircuit 并且可以用它来估计在设计空间里所有的 Subcircuit 的性能。
第二步，该研究会在设计空间里进行搜索，并且将真机的噪声信息考虑在内。研究者使用的搜索算法是遗传算法，搜索目标是 SubCircuit 的架构和它的量子比特映射。在验证 SubCircuit 的性能时，可以使用某个真机运行，或者噪声仿真器来得到有噪声影响下的目标电路的性能，在很多个搜索的 iteration 之后，会得到一个在目标真机上最优的 SubCircuit 的架构。
第三步，将搜索得到的 SubCircuit 从头训练。
第四步，对训练得到的 SubCircuit 进行剪枝（Pruning），去掉那些参数很小的量子门。因为他们对最终结果的影响很小。
最后，将搜索、训练、剪枝后的 SubCircuit 在真机上进行部署，得到实验结果。

研究者使用 VQE 和量子神经网络这两种任务来进行验证，实验结果表明该研究可以比 baseline 得到更接近真实值的 VQE 结果，和更高的量子神经网络 MNIST 图片分类精确度。

第二部分 TorchQuantum：

TorchQuantum 是该研究开发的量子计算和机器学习的 Python 库，它主要面向两个研究方向，一个方向为量子机器学习，如何通过量子计算机提高机器学习任务的速度和精确度；第二个方向为使用机器学习优化量子计算机系统，即如何使用 ML 解决量子计算机的系统层级的问题如量子映射，编译，量子脉冲（Pulse）的生成。

研究会以量子神经网络实现 MNIST 图片分类为例，讲解如何使用 TorchQuantum 库。

分享摘要 ：量子噪声是限制量子计算的重要瓶颈，本次分享王瀚锐博士将介绍对噪声鲁棒的参数化量子电路搜索框架 QuantumNAS。此外，他还将介绍 TorchQuantum Python 库，支持使用 PyTorch 来进行量子电路的构建和仿真，以及机器学习优化量子计算机系统。

相关链接以及论文：