D-Waveによる次世代QPUの発表

https://medium.com/d-wave/a-sneak-peek-into-our-next-generation-advantage-quantum-computer-3cbe8def208e

2022年6月10日、D-Waveより次世代マシンについてのプレスリリース [1] が発表されました。現在提供されているのは「Advantage」と呼ばれるマシン（QPU）ですが、2023-2024年に次世代の「Advantage2」がリリース予定とのことです。Advantage2の量子ビット数は7000以上となる予定で、また量子ビットはZephyr topology [2] という構造で配列されており次数 [3] は20とのこと。これは量子ビット数が5000程度、次数が15程度（Pegasus topology）の現行の「Advantage」を上回っています。既に量子ビット数が500程度のデモ版Advantage2は完成しており、これを試したところ以下の3つの結果が得られているとのことです。

1. more compact embeddings

   • embeddingについての補足：実機での量子アニーリングを行う際は、多くの場合minor-embeddingと呼ばれる操作が必要になります。解きたいハミルトニアンが持つグラフ構造と、実機の量子ビット配列のグラフ構造が異なっている場合、ナイーブに問題を実機にエンコードすることが出来ません。そのため、以下の図のようにハードウェア上の複数の量子ビットを同一の論理ビット（解きたいハミルトニアンの変数）に対応させます。この対応のことをembeddingといい、ハードウェア上で同一の論理ビットに対応した量子ビットの集合のことをチェーンと呼びます。

     

     Figure in [3]

     ※図は[4]より引用

   • embeddingによりチェーンが生まれますが、長すぎるチェーンは解の品質を低下させます。Advantage2では次数が増大していることにより、密な問題グラフでもより短いチェーンでのembeddingが可能となります

     • D-Waveのドキュメントでも、安定的な求解が期待できるチェーン長は5-7量子ビット程度までだと言及されています[5]。
     • またD-Waveが提供する可視化ツールdwave.inspectorにおいても、長さ7を超えるチェーンが存在するとアラートが出るようになっています。
2. increased energy scale
   • Advantage2開発リーダーのDr. Emile Hoskinson氏は「エネルギースケールを大きくすると、エネルギーランドスケープ上での極小値の谷がより深くなるため、それらがより見つけやすくなるとともに、ノイズに対してよりロバストになります」と語っています
3. lowering error rates
   • 上記2点等から、従来のデバイスよりもエラー率が低下します

この量子ビット数が500程度のデモ版Advantage2は、既にLeapで公開されておりユーザーも触ることが出来ます。

またAdvantage2のより詳細な情報は、我々も参加するAQC2022で語られることでしょう。（Emile Hoskinson氏によるNext Generation Quantum Annealing Processorと言う講演が予定されています）

実際にAdvantage2を動かしてみた

デモ版Advantage2を、簡単にではありますが、私の方で動かしてみたのでその結果を共有します。

※以下のようにsolver引数に「Advantage2_prototype1.1」を渡せばあとはいつも通りに使えます

from dwave.system.samplers import DWaveSampler
token = "XX"
solver = "Advantage2_prototype1.1"
dw = DWaveSampler(token=token, solver=solver)

Method

• ランダムに生成した巡回セールスマン問題を、現行のAdvantageと、Advantage2デモ版で解いた
• 制約項の係数は0.8で固定した
• num_readは1000とした
• chain strength prefactorを[0.6, 3.0]のレンジで動かした
  • ※chain strength prefactorは、chain strengthの自動計算結果にかける定数のことです。デフォルトでは1.414となっています。

巡回セールスマン問題の数理モデリングには制約付き最適化問題をQUBOへと自動で変換してくれるライブラリ JijModeling を利用しました。JijModelingはpipを使って無料で使い始めることができるため以下のコードを使う際は

pip install jijmodeling