[論文レビュー] Stochastic noise can be helpful for variational quantum algorithms

Junyu Liu, Frederik Wilde+4 more|arXiv (Cornell University)|Oct 13, 2022

Stochastic Gradient Optimization Techniques被引用数 13

ひとこと要約

本稿では、有限な量子測定からのショットノイズという確率的ノイズが、非凸最適化のランドスケープにおいて変分量子アルゴリズムが厳密な鞍点に陥るのを防ぐ可能性があることを示している。古典的な鞍点回避理論を量子設定に適応することで、著者らは収束保証を証明し、最適なノイズレベル（例えば、有限のショット数から生じるノイズ）が収束を加速することを示す解析的スケーリング則を導出しており、近位の量子デバイスにおける実用的戦略を提供する。

ABSTRACT

Saddle points constitute a crucial challenge for first-order gradient descent algorithms. In notions of classical machine learning, they are avoided for example by means of stochastic gradient descent methods. In this work, we provide evidence that the saddle points problem can be naturally avoided in variational quantum algorithms by exploiting the presence of stochasticity. We prove convergence guarantees and present practical examples in numerical simulations and on quantum hardware. We argue that the natural stochasticity of variational algorithms can be beneficial for avoiding strict saddle points, i.e., those saddle points with at least one negative Hessian eigenvalue. This insight that some levels of shot noise could help is expected to add a new perspective to notions of near-term variational quantum algorithms.

研究の動機と目的

• 変分量子アルゴリズム（VQA）における鞍点の課題に取り組み、非凸最適化のランドスケープで収束が妨げられる問題を解決すること。
• 量子測定に内在する自然な確率的性質（ショットノイズ）が、鞍点からの脱出に有益なメカニズムとして機能するかを調査すること。
• 有限ショットノイズを伴う確率的勾配降下法におけるVQAの収束保証を提供すること。
• 学習率、損失関数の変動、および鞍点回避のための臨界ノイズレベルを結びつける解析的スケーリング則を導出すること。
• 近位の量子ハードウェア実験における最適な測定ショット数の選定に関する実用的ガイドラインを提示すること。

提案手法

• 古典的鞍点回避理論（JordanSaddlePoints）を量子設定に適応し、勾配推定におけるノイズが厳密な鞍点への収束を防ぐ可能性があることを示した。
• 確率的勾配更新をドリフトを伴うランダムウォークとしてモデル化し、ノイズが鞍点への決定的減少を上回る臨界ノイズレベルを導出した。
• 鞍点周辺での損失関数の線形近似を用いて、ノイズによるフラクチュエーションと決定的勾配減少が釣り合う臨界ノイズ閾値を導出した。
• 量子ニューラルタングェントカーネル（QNTK）フレームワークを用いて、2次損失関数下での線形モデルの結果を検証し、非凸設定でも一貫性があることを確認した。
• スケーリング則を導出：$\epsilon_{\text{cri}} \sim \eta \sqrt{\mathcal{L}(0)}$ および $\epsilon_{\text{cri}} \sim \eta \Delta_{\mathcal{L}}$ で、ノイズ、学習率、損失関数の変動を結びつけた。
• 実用的な最適ショット数の公式を提案：$N_{\text{cri}} \propto \Delta_{\mathcal{L}}^{-2}$ で、4キュービット系における実証的検証を実施した。

実験結果

リサーチクエスチョン

• RQ1 有限な量子測定からのショットノイズは、非凸最適化のランドスケープにおいて変分量子アルゴリズムが厳密な鞍点から脱出するのを助けることができるか？
• RQ2 確率的フラクチュエーションが鞍点への決定的勾配降下を上回る臨界ノイズレベルは何か？
• RQ3 学習率と損失関数の変動は、鞍点回避のための最適な測定ノイズレベルにどのように影響するか？
• RQ4 線形近似から導出された理論的スケーリング則は、実際の量子回路シミュレーションおよびハードウェア環境でも検証可能か？
• RQ5 近位のVQAにおいて、ノイズの利益と推定精度の両立を図る最適な測定ショット数は何か？

主な発見

• 鞍点回避のための臨界ノイズレベルは $\epsilon_{\text{cri}} \sim \eta \sqrt{\mathcal{L}(0)}$ に比例する。これは、初期損失が大きい、または学習率が大きい場合には、脱出により多くのノイズが必要であることを示している。
• 数値シミュレーションでは線形スケーリング $\epsilon_{\text{cri}} \sim \eta \Delta_{\mathcal{L}}$ が観察され、フィッティングの指数 $\Delta_{\text{cri}} \approx 0.8722$ が1に近く、理論モデルを支持する。
• 最適な測定ショット数は $N_{\text{cri}} \propto \Delta_{\mathcal{L}}^{-2}$ に比例すると予測され、4キュービット例では $N_{\text{cri}} \approx 131.8$ となる。
• Qiskitを用いた実証的検証で定数 $c_\eta \approx 1.19733$ が得られ、ノイズモデルが実際のハードウェアに近い環境でも正確であることを確認した。
• 線形モデルとQNTKに基づく導出の両方で理論が一貫しており、非凸VQAのランドスケープにおいてその堅牢性が裏付けられた。
• 結果から、有限測定から生じる小さな制御されたノイズは欠陥ではなく、近位の量子アルゴリズムにおけるより速い収束を可能にする特徴であると示唆された。