[セッションレポート] アマゾンブラケットで今日の量子コンピューティングを探る QCM301 #reinvent 2020

AWS事業本部@福岡オフィスの梶原です。re:Invent 2020で公開されています、量子コンピューティングのセッション「QCM301 Exploring quantum computing today with Amazon Braket」を聴講したのでレポートさせて頂きます。

セッション概要

スピーカー: Eric Kessler

Quantum computing is an emerging field, with great potential, rapidly evolving technology, and notable challenges. Even though today’s quantum computers still can’t outperform high-performance classical computers to solve commercial problems, there’s plenty of opportunity to innovate and a clear need to prepare for the future. This session explains how developers and researchers can use the capabilities of the Amazon Braket quantum computing service to simulate and run quantum circuits. The session also discusses techniques to run iterative, variational computations using tools specifically designed to program hybrid quantum-classical algorithms for near-term applications.

量子コンピューティングは、大きな可能性、急速に進化する技術、そして顕著な課題を持つ新興分野です。今日の量子コンピュータは、商業的な問題を解決するために高性能の古典コンピュータよりも優れた性能を発揮することはできませんが、革新の機会はたくさんあり、将来に備えるための明確な必要性があります。このセッションでは、開発者と研究者が Amazon Braket 量子コンピューティングサービスの機能を使用して、量子回路をシミュレートして実行する方法について説明します。セッションでは、短期アプリケーション向けにハイブリッド量子古典アルゴリズムをプログラムするために特別に設計されたツールを使用して、反復変分計算を実行する技術についても説明します。

セッション動画及び資料は以下のリンクから確認できますので、 ご興味があるかたは、ご参考ください。

Exploring quantum computing today with Amazon Braket

以下セッションレポートです。

アジェンダ

• このセッションではAmazon Bracketの新機能と、今日から量子コンピューティングを始める方法をご紹介します。
• Amazon Braket
  • Amazon Braketの概要
  • どのように量子コンピューティングを開始したか
• Hybrid quantum computing
  • ハイブリット量子コンピューティング
  • Amazon Braketでより効果的な量子アルゴリズムを構築するために、機械学習の分野でどのように学習することができるか
• Tensor network simulation
  • Amazon Braketの新しい完全マネージドテンソルネットワークシミュレータ TN1 を使用して、量子アルゴリズムの研究を加速する方法

なぜ今なのか?

• まず第一に、この分野は急速に進歩しており、過去数年間にわたって重要な技術的マイルストーンを達成しています
• 世界中の政府がこのテクノロジーを成熟させるための投資を加速しています。
• AWS自身が多くの業界の顧客から、量子コンピューティングの長期的な変革の可能性に興奮していると聞いています。
• Amazon Braketのようなサービスを通じて量子コンピューティングと新しいスキルを学び、専門知識を構築するだけでなく、新しいアルゴリズムの開発を開始し、この技術がプライムタイムとなるときに備えて知的財産を準備しています。

量子コンピューティングの民主化

• Amazon Bracketを立ち上げ、すべての科学者や開発者がAWSの使い慣れたモデルを使用して、量子コンピューティングを民主化しています。

Amazon Braket

• Amazon Bracketはフルマネージドの量子コンピューティングのAWSサービス
• ３つの柱 ビルド、テスト、ランがある
• ビルド
  • Jupyterノートブックをベースとした開発環境
  • Amazon Braket SDKは量子コンピューティングのためのハードウェアに依存しないプログラミングフレームワーク
• テスト
  • 並列化可能、コスト効率に優れ、常に利用可能なフルマネージド回路シミュレータへのアクセス
  • 簡単にアルゴリズムを実行し、アルゴリズムをテストできます
• ラン
  • 量子コンピュータへのセキュアでオンデマンドなアクセス

Choice of quantum hardware technology

• 3つの異なるタイプの量子コンピュータへのアクセス
• D:WAVE
  • 2つの量子アニーリングデバイス
• IONQ
  • イオントラップをベースにした量子コンピュータ
• regetti
  • 超電導Qbit技術のRigetti-Aspen-8 chip
• Amazon Bracketでは主要な量子コンピューティングプラットフォームを提供していくので期待してください

Available on-demand on AWS

• AWSに完全に統合し、ユーザーアクセス管理、セキュリティ、ログ、監視などを提供
• AWS上の他のサービスと同じようにリソースを管理
• 前払いなしの従量課金制
• 今日から利用可能
• 早く、低コストで比較可能

量子アルゴリズムは現在のデバイスの能力を超える

• 大規模でフォールトトレラントな量子コンピュータを持っていれば、物事をより速くすることができるだけでなく、古典的なコンピュータでは今日実質的に解決不可能であり、将来的には解決できないものを解決できる
• 暗号化はよく知られた領域だが他の領域でも活用できる
• 1つの大きな問題がある
• 何十万、何百万という高品質のQbitを必要
• これは現在のデバイスの能力をはるかに超えています。

Learning quantum machines

• 近い将来に向けたアプローチはハイブリッドアルゴリズムと呼ばれるアルゴリズム
• 機械学習から多くの影響を受けている

Hybrid methods promise near term applications

• ハイブリッドアルゴリズムでは、量子コンピュータを古典的な計算のコプロセッサとして使用
• すべてのアルゴリズムを実行する代わりに、QPU、量子処理装置、または量子コンピュータは、実行しているデバイスの能力の範囲内にある短くてバースト的な計算のみを実行する
• これは機械学習から得られた強力なアイデア
• GPUの代わりにQPUを使用する

自己学習 量子アルゴリズム

• ニューラルネットワークのトレーニング
• このネットワークのアーキテクチャ、私が持っている層の数を意味し、層の種類、個々のノードがどのように接続されているか、このアーキテクチャは計算ダウンを設定し、アルゴリズムは反復的に見つける
• 左上に見ているハイブリッドまたは変分量子アルゴリズムでもまったく同じことになります
• 量子コンピューティングの場合は最適化問題であったり、計算化学の問題であったり、機械学習の問題であったりする
• 量子回路をパラメータ化し、ニューラルネットワークのアーキテクチャと同様に、回路のレイアウト、ゲートの種類、回路の深さ、量子ビットがどのように接続されているかを意味する。
• 最適化ループにおける微分可能なプログラミングと洗練された最適化戦略は、ニューラルネットワークの広範な成功のための鍵
• 機械学習がこのような広く採用されるのを助けたのは、それらが成熟したエンドユーザーライブラリであり、機械学習の構築、トレーニング、実験を簡単かつ直感的に行うことです。

PennyLane on Amazon Braket

• PennyLane は、量子コンピューティングに機械学習ツールをもたらすオープンソースのソフトウェアライブラリです。
• PytorchやTensorFlowのような使い慣れた機械学習ライブラリを直接使用して、量子アルゴリズムをプログラムすることができます。
• PennyLane は Amazon Braket ノートブックにプリインストールされており、始めるためのチュートリアルとサンプルノートブックが数多く用意されています。
• 計算化学、最適化、機械学習用のアプリケーションライブラリへのアクセスも提供します。
• Amazon Braket マネージドシミュレータと量子回路実行の並列化機能を使用する際に、最大 10 倍速いトレーニングを可能にするために最適化されています。

Amazon Bracketのシミュレーターでは10倍トレーニングが速い

• Amazon Braketを使用し、Amazon Braketのマネージドシミュレータの1つを使用することで、回路のバッチをAmazon Braketに送信するだけで、クラウドに簡単にスケールアウトすることができます。
• シミュレータはこれらの回路の実行を多数のコンピュートインスタンスで並列化し、回路の実行後に結果を返してくれます。
• 多くのqbitとより多くのパラメータを持つ問題に行くにつれて、その改善は大きくなっていきます。

量子回路のシミュレーションは困難

• 回路シミュレータは非常に重要
• アルゴリズムのデバッグとテストが簡単で費用対効果が高いだけでなく、さまざまなユースケースで特定の回路クラスの有効性を評価したり、実際のハードウェアで実行する前にこれらのハイブリッド変分アルゴリズムを微調整したりするための研究にも使用されます。 -　量子回路のシミュレーションは難しく、単純に、保存したい場合、重ね合わせと呼ばれるもののために2つのqbitの状態を保存したい場合は、実際にはすべての可能な構成の振幅を保存する必要があります。
• 多くの量子ビットの状態を保持するためには多くのメモリが必要
• シミュレーションには、このメモリのボトルネックを回避するためのより洗練されたメソッドがあります。

tensor networksの不合理な有効性

• 量子回路の固有の構造を利用することで、これらのブルートフォースアプローチをとります。
• テンソルネットワークのシミュレーションとシミュレータはプログラミングが難しく、テンソルネットワークとテンソルネットワークシミュレーションの理論を深く理解する必要があります。
• だから我々はTN1を開発しました,

紹介: TN1によるマネージドテンソルネットワークシミュレーション

• Amazon Braket の完全マネージドテンソルネットワークシミュレータで、テンソルネットワークシミュレーションを 1 行のコードで実行できます。
• 重要な結果を得るために、完全な状態ベクトルは実際には必要ありません。
  • メモリーのボトルネックを回避できます
• 回路をシミュレートする方法は複数あります。
• 多くの回路は特殊な構造を持ち、まずその構造を見つけようとしています。そのような構造を見つけた場合、ブルートフォースアプローチに比べて回路のシミュレーションがはるかに簡単になります。

TN1による大規模回路シミュレーション

• フーリエ変換の例
• SV1は指数関数的なスケーリング
  • メモリー使用量の爆発にも起因する
• TN1は、特定の初期状態に適用される量子フーリエ変換の固有の構造を使用して、ほぼ線形ランタイムを達成し、はるかに高速かつはるかに大きいqubit数に到達できる
• TN1またはテンソルネットワークシミュレーションが必ずしも良い選択ではないことに注意することが重要
• 超低接続性の小さな回路、または絡み込みがシステム全体に広がるのに十分な時間がある深さの回路の場合。SV1または状態ベクトルシミュレーションは通常より良い選択です.

• TN1はフルマネージドのサービスで、1行のコードで回路を実行することができます。

Amazon Braketでイノベーションサイクルを加速

• 一般的なワークフローでハイブリッドアルゴリズムを操作する場合は、マネージドのJupyter 環境を使用してアルゴリズムを構築します。
• ハイパーパラメータの最適化を使用してテストし、微調整するには、Amazon Braket マネージドシミュレータを使用します
• 最終的にこれらのアルゴリズムを実際の量子コンピューティングハードウェアで実行できます。
• Amazon Braket で PennyLane を立ち上げて、使い慣れた機械学習ツールで変分アルゴリズムを簡単に構築し、化学、機械学習、最適化などのアプリケーションライブラリを使い始めることができます
• PennyLane と Amazon Braket は強力な組み合わせであり、Amazon Braket マネージドシミュレータを使用すると、タスクを並列化し、直感的かつ簡単にクラウドにスケールアウトすることで、10 倍のトレーニング時間を短縮できます。
• 当社のマネージドテンソルネットワークシミュレータであるTN1の発売により、新しいクラスの量子アルゴリズムを研究するためのツールをお客様に提供しています。
• AWS コンソールにログインし、これらの新機能を今すぐ試してみてください。

感想

• 一般的な量子コンピューティングの概要や、Amazon Bracket で提供されているサービスについて理解することができました
• 機械学習のアプローチをつかって、量子コンピューティングと機械学習のハイブリットアルゴリズムを使用するくだりは頭がパンクしそうでしたが、単純にGPUをQPUに置き換えるようなイメージを持っていたので、誤りを認識できたのでよかったです。
• PannyLane や TN1の紹介もあり、理解が深まりました。
• 今日から使用できるとのことで、今後はサンプル等に手を汚していきたいと思います。