そういえばPennylaneでQAOAを勾配降下で解く実装を記事にしていませんでした。

全結合MAX CUT をQAOAで解く

例えば10ノードの全結合グラフのMAX CUT を考えます。

import pennylane as qml
from pennylane import qaoa
from pennylane import numpy as np
from networkx import Graph, erdos_renyi_graph
import matplotlib.pyplot as plt

n_qubits = 10 # number of qubits
n_layers = 1
graph = erdos_renyi_graph(n_qubits, p=1, directed=False)
# Defines the wires and the graph on which MaxCut is being performed
wires = range(n_qubits)

import networkx as nx
nx.draw(graph, with_labels = True)
plt.show()

QAOA Ansatzを組み立てるのに必要なパーツを先に定義します。

# Defines the QAOA cost and mixer Hamiltonians
cost_h, mixer_h = qaoa.maxcut(graph)

# Defines a layer of the QAOA ansatz from the cost and mixer Hamiltonians
def qaoa_layer(gamma, alpha):
    qaoa.cost_layer(gamma, cost_h)
    qaoa.mixer_layer(alpha, mixer_h)

勾配降下

# Repeatedly applies layers of the QAOA ansatz
dev = qml.device('default.qubit', wires=len(wires))
@qml.qnode(dev,diff_method='backprop')
def cost_function(params, **kwargs):
    for w in wires:
        qml.Hadamard(wires=w)
    qml.layer(qaoa_layer, n_layers, params[0:n_layers,0], params[0:n_layers,1])
    return qml.expval(cost_h)

opt = qml.GradientDescentOptimizer(0.01)
hist_cost = []
var_init = np.random.randn(n_layers,2)
var = var_init

import time
# 処理前の時刻
t1 = time.time() 
for it in range(10):
    var, _cost = opt.step_and_cost(cost_function, var)
    print("Iter: {:5d} | Cost: {:0.7f} ".format(it, _cost))
    hist_cost.append(_cost)

# 処理後の時刻
t2 = time.time() 
# 経過時間を表示
elapsed_time = t2-t1
print(f"経過時間：{elapsed_time}")

plt.plot(hist_cost,'o-')

　非勾配

scipy.minimizeで非勾配な最適化をしてみます。

dev = qml.device('lightning.qubit', wires=len(wires))
# Repeatedly applies layers of the QAOA ansatz
@qml.qnode(dev)
def cost_function(var, **kwargs):
    var_2d_array = np.reshape(var,(n_layers,2))
    for w in wires:
        qml.Hadamard(wires=w)
    qml.layer(qaoa_layer, n_layers, var_2d_array[0:n_layers,0], var_2d_array[0:n_layers,1])
    return qml.expval(cost_h)

from scipy.optimize import minimize
import time

var_init = np.random.uniform(low=-1, high=1, size=(2*n_layers)) # one-dimensional array
hist_cost = []
var = var_init

count = 0
def cbf(Xi):
    global count
    global hist_cost
    cost_now = cost_function(Xi)
    hist_cost.append(cost_now)
    print('iter = '+str(count)+' | cost = '+str(cost_now))
    count += 1


t1 = time.time()
result = minimize(fun=cost_function, x0=var_init, method='Nelder-Mead', callback=cbf, options={"maxiter":11})
# 処理後の時刻
t2 = time.time() 
# 経過時間を表示
elapsed_time = t2-t1
print(f"経過時間：{elapsed_time}")

plt.plot(hist_cost,'o-')

この例では、所要時間はあまり変わりません。

しかしQAOAのレイヤー数、つまりパラメータの数を増やすと劇的に違います。
例えばレイヤー数を10、scipy.minimizeのmethodをmethod='Powell'とした場合では、
非勾配は数分かかりますが勾配法は30秒程度で終了します。
パラメータ数が数十、数百となってくると、勾配法のメリットが出てきます。

PennylaneでQAOA w/勾配降下

全結合MAX CUT をQAOAで解く

勾配降下

非勾配

　非勾配