PADO-Pauli: un’implementazione della propagazione di Pauli accelerata da GPU

Abstract degli autori

Gli algoritmi quantistici variazionali utilizzano circuiti parametrizzati molte volte durante l’addestramento, con nuovi valori dei parametri, su batch di dati e con i gradienti. La propagazione di Pauli approssima classicamente i valori di aspettazione di questi circuiti facendo evolvere l’osservabile nel quadro di Heisenberg come somma troncata di stringhe di Pauli. Presentiamo PADO-Pauli, un motore GPU per la propagazione di Pauli che compila una sola volta un circuito e i suoi osservabili in matrici sparse, nelle quali ciascun angolo di rotazione contribuisce soltanto con un fattore coseno e uno seno, così che ogni valutazione successiva riutilizzi il programma compilato. Valuta batch di parametri e di dati in ingresso codificati come angoli di rotazione. Per impostazione predefinita, i gradienti sono calcolati tramite un prodotto vettore-Jacobiano registrato nel sistema di differenziazione automatica di PyTorch, così da propagarsi attraverso gli angoli fino a qualsiasi layer classico che li genera. PADO-Pauli offre anche il troncamento in base al peso di Pauli e alla dimensione dei coefficienti, oltre ai canali di rumore. Il filtraggio degli zeri elimina i termini che non contribuiscono al valore di aspettazione nello stato di riferimento tutto zero e rende il passaggio forward in batch circa 1,5 volte più veloce. Rispetto a cuPauliProp su un NVIDIA A100, PADO-Pauli valuta fino a 10 volte più velocemente per circuiti con un numero di qubit compreso tra 4 e 12 e utilizza fino a 3,1 volte meno memoria con 16 qubit. Verifichiamo la sua accuratezza rispetto alla simulazione esatta con vettore di stato fino a 28 qubit. Queste caratteristiche rendono PADO-Pauli un toolkit pratico per addestrare algoritmi quantistici variazionali, compresi i modelli di machine learning quantistico.