AccelerQ：利用机器学习在量子模拟器上加速量子特征值求解器

《Proceedings of the ACM on Programming Languages》：AccelerQ: Accelerating Quantum Eigensolvers with Machine Learning on Quantum Simulators

AccelerQ通过机器学习与搜索优化技术自动调优量子本征求解器实现，在ADAPT-QSCI和QCELS上验证，ML模型使误差分别降低5.48%至5.3%和7.5%至6.5%，需进一步分析训练数据与哈密顿量特性。

　　

摘要

我们提出了AccelerQ，这是一个用于自动调整量子本征求解器（QE）实现的框架——这些量子程序实现了特定的QE算法——它利用机器学习和基于搜索的优化方法来进行调整。AccelerQ并不重新设计量子算法或手动修改现有实现的代码，而是将QE实现视为黑盒程序，并通过结合基于搜索的技术和遗传算法（GA）以及机器学习模型来学习优化其超参数，从而提高准确性和效率，有效地探索QE实现的超参数空间并避免陷入局部最小值。

我们的方法基于两个核心理念：1）使用来自较小、可经典模拟系统的数据进行训练；2）使用特定于程序的机器学习模型，利用分子系统中的局部物理相互作用在不同尺度上具有普适性的特点，以实现对更大系统的泛化。我们对两种截然不同的QE实现——ADAPT-QSCI和QCELS——进行了实证评估。对于每种实现，我们都使用从最多16个量子比特的系统经典模拟中提取的数据训练了一个QE预测模型（一个轻量级的XGBoost Python回归器）。然后我们部署该模型来优化在20个、24个和28个量子比特的哈密顿量系统上的执行超参数，因为在这些系统中直接进行经典模拟变得不切实际。我们观察到，仅使用机器学习模型时，误差从5.48%降低到了5.3%；对于ADAPT-QSCI，结合遗传算法后误差进一步降低到了5.05%；而对于QCELS，误差从7.5%降低到了6.5%，但结合遗传算法并没有带来额外的改进。由于某些20个和24个量子比特系统的结果并不明确，我们建议进一步分析与哈密顿量特性相关的训练数据。尽管如此，我们的结果凸显了机器学习和优化技术在量子程序中的潜力，并为将软件工程方法整合到量子软件栈中指明了有前景的方向。