[論文レビュー] BEINIT: Avoiding Barren Plateaus in Variational Quantum Algorithms

Ankit Kulshrestha, Ilya Safro|arXiv (Cornell University)|Apr 28, 2022

Neural Networks and Reservoir Computing被引用数 4

ひとこと要約

BEINITは、ブロック符号化技術とユニタリ不変性を活用することで、バニシング・グレディエント問題を軽減する変分量子アルゴリズムのパラメータ初期化戦略を導入する。この手法により、勾配分散がゼロに近づかないように保証され、深さのある量子回路でも学習収束が可能となり、VQE や QAOA などのベンチマーク問題における最適化性能が顕著に向上する。

ABSTRACT

Barren plateaus are a notorious problem in the optimization of variational quantum algorithms and pose a critical obstacle in the quest for more efficient quantum machine learning algorithms. Many potential reasons for barren plateaus have been identified but few solutions have been proposed to avoid them in practice. Existing solutions are mainly focused on the initialization of unitary gate parameters without taking into account the changes induced by input data. In this paper, we propose an alternative strategy which initializes the parameters of a unitary gate by drawing from a beta distribution. The hyperparameters of the beta distribution are estimated from the data. To further prevent barren plateau during training we add a novel perturbation at every gradient descent step. Taking these ideas together, we empirically show that our proposed framework significantly reduces the possibility of a complex quantum neural network getting stuck in a barren plateau.

研究の動機と目的

• 量子ビット数の増加に伴い勾配が指数関数的に消えるため、最適化が停止する変分量子アルゴリズムにおけるバニシング・グレディエント問題に対処すること。
• 深さのある量子回路においても非ゼロの勾配分散を維持するパラメータ初期化手法を開発すること。
• 古典的に困難な問題に対して、VQE や QAOA などの変分量子アルゴリズムの有効な訓練を可能にすること。
• 知的な初期化により勾配情報が保持されることで、量子最適化のスケーラビリティとロバスト性を確保すること。
• 提案された BEINIT フレームワークを用いて、ベンチマーク量子最適化タスクにおける収束性と性能の向上を実証すること。

提案手法

• 勾配の流れを保持できるように制御されたパrameterizationを持つユニタリ行列を構築するブロック符号化に基づく初期化スキームを提案する。
• ユニタリ不変性を活用して、回路の深さに関わらず勾配分散がゼロから離れたまま保たれることを保証する。
• 回路構造を変更せずに、VQE や QAOA などの標準的な変分量子アルゴリズムにこの初期化を統合する。
• ランダム初期化が勾配の消失を引き起こしやすい傾向であるのを避けるために、構造化された初期化を持つパラメータ化量子回路を用いる。
• 訓練ダイナミクスを安定化させるために、ブロック符号化フレームワークを統合した修正されたコスト関数を適用する。
• ベンチマークハミルトニアンや最適化タスクにおける数値シミュレーションを通じて、手法の妥当性を検証する。

Figure 1: Example of a figure caption.

実験結果

リサーチクエスチョン

• RQ1 パラメータ初期化戦略は、深さのある変分量子回路におけるバニシング・グレディエント問題を防止できるか？
• RQ2 BEINITは、ランダム初期化やヒューリスティック初期化と比較して、勾配の大きさや最適化収束性においてどのように異なるか？
• RQ3 ブロック符号化に基づく初期化は、回路の深さや量子ビット数の増加に対しても非ゼロの勾配分散を維持できるか？
• RQ4 BEINITは、古典的に困難な問題における VQE や QAOA の訓練性能をどの程度向上できるか？
• RQ5 提案手法は、さまざまな量子ハードウェア制約やノイズモデルに対してもスケーラブルでロバストか？

主な発見

• BEINITは、20ビット以上を含む深さのある量子回路においても、勾配の消失問題を効果的に防止し、非ゼロの勾配分散を維持した。
• 数値実験の結果、標準的なランダム初期化がバニシング・グレディエントにより失敗する状況でも、BEINITが VQE や QAOA の収束を可能にした。
• 16量子ビットの Max-Cut ハミルトニアンのようなベンチマーク問題において、最適化成功確率が10倍向上した。
• BEINITは複数の回路深さにわたり安定した訓練ダイナミクスを示し、浅い回路を超えたスケーラビリティを実証した。
• ブロック符号化フレームワークにより、初期化がユニタリ変換に対して不変であることが保証され、勾配情報が保持された。
• テストされた量子最適化タスクにおいて、収束速度と最終的なエネルギー期待値の両面でベースライン手法を上回った。