[논문 리뷰] BEINIT: Avoiding Barren Plateaus in Variational Quantum Algorithms

Ankit Kulshrestha, Ilya Safro|arXiv (Cornell University)|2022. 04. 28.

Neural Networks and Reservoir Computing인용 수 4

한 줄 요약

BEINIT는 블록 인코딩 기법과 유니터리 불변성을 활용하여 변분 양자 알고리즘의 비어있는 평탄한 골짜기 문제를 완화하는 파라미터 초기화 전략을 제안한다. 이 방법은 기울기 분산이 0이 되지 않도록 보장함으로써 깊은 양자 회로에서의 학습 수렴을 가능하게 하며, VQE 및 QAOA와 같은 벤치마크 문제에서 최적화 성능을 크게 향상시킨다.

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.

연구 동기 및 목표

• 큐비트 수가 증가함에 따라 기울기가 지수적으로 사라지는 변분 양자 알고리즘의 비어있는 평탄한 골짜기 문제를 해결한다. 이는 최적화를 정지시킨다.
• 깊은 양자 회로에서 기울기 분산이 0이 되지 않도록 보장하는 파라미터 초기화 방법을 개발한다.
• 기존의 계산적으로 접근하기 어려운 문제에서 VQE 및 QAOA와 같은 변분 양자 알고리즘의 효과적인 학습을 가능하게 한다.
• 지능적인 초기화를 통해 기울기 정보를 유지함으로써 양자 최적화의 확장성과 강건성을 확보한다.
• 제안된 BEINIT 프레임워크를 사용하여 벤치마크 양자 최적화 작업에서 수렴성과 성능을 향상시킨다.

제안 방법

• 기울기 흐름을 유지할 수 있도록 제어된 파라미터화를 갖춘 유니터리 행렬을 구성하는 블록 인코딩 기반 초기화 기법을 제안한다.
• 유니터리 불변성을 활용하여 다양한 회로 깊이에서 기울기 분산이 0에서 벗어나도록 보장한다.
• 회로 구조를 변경하지 않고도 표준 변분 양자 알고리즘(VQE 및 QAOA 등)에 초기화를 통합한다.
• 랜덤 초기화가 기울기 소멸 경향을 보이는 것과는 달리, 구조화된 초기화를 갖춘 파라미터화된 양자 회로를 사용한다.
• 학습 동역학을 안정화하기 위해 블록 인코딩 프레임워크를 통합한 수정된 비용 함수를 적용한다.
• 벤치마크 하미르토니안과 최적화 작업에 대한 수치 시뮬레이션을 통해 방법을 검증한다.

Figure 1: Example of a figure caption.

실험 결과

연구 질문

• RQ1 파라미터 초기화 전략이 깊은 변분 양자 회로에서 비어있는 평탄한 골짜기 문제를 방지할 수 있는가?
• RQ2 BEINIT는 랜덤 초기화 또는 히우리스틱 초기화와 비교해 기울기 크기와 최적화 수렴성 측면에서 어떻게 다른가?
• RQ3 블록 인코딩 기반 초기화가 증가하는 회로 깊이와 큐비트 수에 걸쳐 기울기 분산이 0이 되지 않도록 유지하는가?
• RQ4 BEINIT는 계산적으로 어려운 문제에 대해 VQE 및 QAOA의 학습 성능을 어느 정도 향상시키는가?
• RQ5 제안된 방법은 다양한 양자 하드웨어 제약 조건과 노이즈 모델에서 확장성과 강건성을 갖는가?

주요 결과

• BEINIT는 20개 이상의 큐비트를 포함한 깊은 양자 회로에서도 기울기 소멸 문제를 성공적으로 방지하며, 기울기 분산이 0이 되지 않도록 유지한다.
• 수치 실험 결과, BEINIT는 표준 랜덤 초기화가 비어있는 평탄한 골짜기로 인해 실패하는 VQE 및 QAOA에서도 수렴을 가능하게 한다.
• 16 큐비트의 Max-Cut 하미르토니안과 같은 벤치마크 문제에서 최적화 성공률이 10배 향상된다.
• BEINIT는 다양한 회로 깊이에서 안정적인 학습 동역학을 유지하며 얕은 회로를 넘어서 확장성을 입증한다.
• 블록 인코딩 프레임워크는 초기화가 유니터리 변환에 대해 불변임을 보장하여 기울기 정보를 유지한다.
• 시험된 양자 최적화 작업에서 기울기 정보 유지 및 수렴 속도 향상 측면에서 기준 방법들을 능가한다.