ArcTN: pianificazione efficiente delle contrazioni di reti tensoriali per la simulazione di circuiti quantistici

Abstract degli autori

La simulazione di circuiti quantistici tramite reti tensoriali richiede ordini di contrazione che abbiano un basso costo computazionale e producano tensori intermedi di piccole dimensioni, senza richiedere tempi eccessivi per la pianificazione. Presentiamo ArcTN, un framework per l’ottimizzazione degli ordini di contrazione con due modalità di ricerca preimpostate. Light contiene il tempo dedicato alla pianificazione, mentre Heavy dedica più risorse al perfezionamento. Entrambe combinano la costruzione greedy randomizzata, la riconfigurazione dei sottoalberi e il temperaggio parallelo con criteri di arresto specifici per ciascuna fase. ArcTN offre inoltre lo slicing Fixed e Dynamic per rispettare i limiti dimensionali dei tensori ed esegue gli ordini ottenuti. Sulle 30 reti di circuiti quantistici QC32 per le quali tutte e otto le configurazioni confrontate hanno completato l’esecuzione, Light riduce i FLOP del 61,32% e pianifica 1,62$\times$ più velocemente di Cotengra Auto/CMA-ES, mentre Heavy riduce i FLOP del 43,83% e pianifica 7,21$\times$ più velocemente di Cotengra AutoHQ/Optuna. Heavy richiede inoltre l’11,85% di FLOP in meno rispetto a OMECO TreeSA-8 e pianifica 1,33$\times$ più velocemente. Lo slicing Dynamic rispetta i limiti dimensionali in tutte le 90 esecuzioni su 18 reti con output scalare e riduce del 31,99% il numero totale di FLOP dopo lo slicing rispetto allo slicing Fixed, a costo di una pianificazione più lunga. Con uno stesso esecutore NumPy, Heavy registra il tempo complessivo di pianificazione ed esecuzione più basso fra cinque configurazioni nelle esecuzioni completate da tutte. Su 672 reti costruite a partire da 320 circuiti MQT Bench, Heavy ottiene la media geometrica dei FLOP più bassa sulle 142 reti di grandi dimensioni, pianificando 3,1$\times$ e 31$\times$ più velocemente, rispettivamente, di Cotengra AutoHQ e Hyper128.