[论文解读] A Convergence Theory for Over-parameterized Variational Quantum Eigensolvers

Xuchen You, Shouvanik Chakrabarti+1 more|arXiv (Cornell University)|May 25, 2022

Neural Networks and Reservoir Computing被引用 18

一句话总结

该论文通过将训练动力学与单位球面上的黎曼梯度流联系起来，首次为过参数化的变分量子本征求解器（VQEs）建立了严格的收敛性理论。它推导出系统维度和谱比的多项式阈值以实现高效收敛，并提出一种与量子电路构造（ansatz）相关的阈值，可在无需实验测试的情况下预测可训练性，该理论在TFI和XXZ模型上得到了实证验证。

ABSTRACT

The Variational Quantum Eigensolver (VQE) is a promising candidate for quantum applications on near-term Noisy Intermediate-Scale Quantum (NISQ) computers. Despite a lot of empirical studies and recent progress in theoretical understanding of VQE's optimization landscape, the convergence for optimizing VQE is far less understood. We provide the first rigorous analysis of the convergence of VQEs in the over-parameterization regime. By connecting the training dynamics with the Riemannian Gradient Flow on the unit-sphere, we establish a threshold on the sufficient number of parameters for efficient convergence, which depends polynomially on the system dimension and the spectral ratio, a property of the problem Hamiltonian, and could be resilient to gradient noise to some extent. We further illustrate that this overparameterization threshold could be vastly reduced for specific VQE instances by establishing an ansatz-dependent threshold paralleling our main result. We showcase that our ansatz-dependent threshold could serve as a proxy of the trainability of different VQE ansatzes without performing empirical experiments, which hence leads to a principled way of evaluating ansatz design. Finally, we conclude with a comprehensive empirical study that supports our theoretical findings.

研究动机与目标

• 为解决过参数化条件下VQE收敛性缺乏理论理解的问题。
• 建立一个严谨的数学框架，将VQE训练动力学与单位球面上的黎曼梯度流联系起来。
• 推导出确保高效收敛所需的参数数量，该数量依赖于系统维度和谱比。
• 提出一种与量子电路构造相关的过参数化阈值，可在无需经验评估的情况下预测可训练性。
• 通过在横向场伊辛模型和XXZ模型上的综合实证研究验证该理论。

提出的方法

• 将VQE训练动力学建模为单位球面上的黎曼梯度流，以分析收敛行为。
• 推导出一个与系统维度和谱比呈多项式关系的一般性过参数化阈值。
• 引入有效谱比κeff以量化问题难度并指导阈值估计。
• 提出一种基于有效维度deff的、与量子电路构造相关的阈值，从而实现对不同量子电路设计的可训练性预测。
• 通过在TFI和XXZ哈密顿量上使用基于梯度的优化方法，对不同参数和耦合强度下的理论阈值进行实证验证。
• 通过20至100次随机初始化的成功率来评估不同N和g/Jzz值下阈值的性能。

实验结果

研究问题

• RQ1 过参数化VQEs中实现高效收敛所需的最少参数数量是多少？
• RQ2 问题哈密顿量的谱比如何影响过参数化阈值？
• RQ3 能否推导出一种与量子电路构造相关的阈值，以在无需实际训练的情况下预测可训练性？
• RQ4 有效谱比κeff与VQE优化中的收敛行为有何关系？
• RQ5 收敛阈值在多大程度上对梯度噪声和能级交叉现象具有鲁棒性？

主要发现

• 一般性过参数化阈值随系统维度和谱比呈多项式增长，从而在这些条件下确保高效收敛。
• 在横向场伊辛模型中，TFI2alt即使在耦合常数g趋近临界点时，仍保持低且稳定的过参数化阈值，而一般性量子电路构造则不具备此特性。
• 基于有效维度deff的与量子电路构造相关的阈值成功预测了可训练性，其中TFI2alt所需参数数量显著少于TFI3alt。
• 在XXZ1d模型中，XXZ4alt避免了能级交叉现象，并在Jzz = -1时仍保持较低的κeff，从而在不同耦合强度下维持了稳定的过参数化阈值。
• 实证结果证实，理论阈值能准确预测成功率，其中阈值被定义为在随机初始化下实现>98%成功率所需的最小参数数p。