[論文レビュー] FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits

Frédéric Sauvage, Sukin Sim+4 more|arXiv (Cornell University)|Mar 15, 2021

Quantum Computing Algorithms and Architecture参考文献 36被引用数 16

ひとこと要約

FLIP は、任意サイズのパラメータ化された量子回路（PQC）の初期化パラメータを学習するメタラーニングベースのフレームワークであり、最適化の収束を著しく改善する。関連する PQC 問題の族上で訓練することで、トレーニング中に見られなかったより大きな回路に対しても一般化でき、バーニー・プレートオフの緩和、max-cut QAOA、1次元フェルミ＝ハッブル模型の基底状態エネルギー推定において、ランダム初期化および既存のメタラーニング初期化を上回る性能を発揮する。

ABSTRACT

When compared to fault-tolerant quantum computational strategies, variational quantum algorithms stand as one of the candidates with the potential of achieving quantum advantage for real-world applications in the near term. However, the optimization of the circuit parameters remains arduous and is impeded by many obstacles such as the presence of barren plateaus, many local minima in the optimization landscape, and limited quantum resources. A non-random initialization of the parameters seems to be key to the success of the parametrized quantum circuits (PQC) training. Drawing and extending ideas from the field of meta-learning, we address this parameter initialization task with the help of machine learning and propose FLIP: a FLexible Initializer for arbitrarily-sized Parametrized quantum circuits. FLIP can be applied to any family of PQCs, and instead of relying on a generic set of initial parameters, it is tailored to learn the structure of successful parameters from a family of related problems which are used as the training set. The flexibility advocated to FLIP hinges in the possibility of predicting the initialization of parameters in quantum circuits with a larger number of parameters from those used in the training phase. This is a critical feature lacking in other meta-learning parameter initializing strategies proposed to date. We illustrate the advantage of using FLIP in three scenarios: a family of problems with proven barren plateaus, PQC training to solve max-cut problem instances, and PQC training for finding the ground state energies of 1D Fermi-Hubbard models.

研究の動機と目的

• バーニー・プレートオフや局所最適解による最適化収束の悪さという課題に対処すること。
• トレーニングセットに含まれる回路よりも大きな回路に対しても一般化可能なパラメータ初期化手法を開発すること。
• 関連する PQC 問題の族から問題固有のパラメータパターンを学ぶためにメタラーニングを活用すること。
• ランダム初期化への依存を減らし、近位の量子アプリケーションにおける学習効率を向上させること。
• 数値的にシミュレートされた小さな回路から学習することで、より大きなハードウェアに応用可能なスケーラブルな変分量子アルゴリズムの展開を可能にすること。

提案手法

• FLIP は、PQC 問題の特徴を初期パラメータベクトルにマップする学習可能なエンコーディング・デコーディングアーキテクチャを採用する。
• フレームワークは、古典的なニューラルネットワークを用いて、問題固有の特徴（例：グラフ構造、相互作用強度）から最適な初期パラメータへのマッピングを学習する。
• トレーニングは、既知の最適または近似的最適な解を有する PQC インスタンスのデータセット上で実施され、未観測の問題サイズへの一般化が可能になる。
• この手法はアーキテクチャに依存せず、任意の PQC アンザッツ、および量子ビット数、回路深さ、変分パラメータ数の変動をサポートする。
• FLIP の初期化は問題固有の特徴に条件付けられており、カスタマイズされたパラメータの初期値を提供できる。
• フレームワークは転移学習をサポートする：小さな回路で訓練されたモデルは、より大きな回路の初期化に利用可能であり、古典的に困難な問題へのスケーリングが可能になる。

実験結果

リサーチクエスチョン

• RQ1 メタラーニング手法は、トレーニング時に使用された回路サイズよりも大きな、未確認の回路サイズに対しても、パラメータ化された量子回路の初期化を一般化して学習できるか？
• RQ2 バーニー・プレートオフの存在下で、FLIP の初期化性能はランダム初期化および他のメタラーニング初期化戦略と比べてどのように差がつくか？
• RQ3 FLIP は、QAOA を用いた組合せ最適化問題（例：max-cut）の学習を効果的に加速できるか？
• RQ4 FLIP は、1次元フェルミ＝ハッブル模型の基底状態エネルギーを求めるような量子シミュレーションタスクにおいて収束を改善できるか？
• RQ5 関連する問題のパラメータ空間におけるパターンを活用することで、FLIP は多様な量子アプリケーションにわたる最適化をどれほど高速化できるか？

主な発見

• FLIP は、すべてのテスト環境において、最適化時間の短縮と収束速度の向上という点で、ランダム初期化を著しく上回った。
• max-cut QAOA のケースでは、問題ハミルトニアンに基づく手法を含む他の初期化手法と比較して、より速い収束とより良い最終的な目的関数値を達成した。
• FLIP は、トレーニング時に使用されたあらゆる回路よりも大きな回路の初期化に成功し、そのスケーラビリティと一般化能力を実証した。
• 1次元フェルミ＝ハッブル模型のケースでは、パラメータ空間の構造が明確に利用可能でない状況でも、ランダム初期化よりも顕著な改善を示した。
• 合成的な問題設定において、小さな回路からの学習によってバーニー・プレートオフを緩和した。これは、そうでなければ悪条件な勾配勾配の領域でも、訓練の安定化に寄与できる可能性を示唆している。
• 問題固有の特徴（例：グラフの密度、相互作用強度）に応じて初期パラメータを条件づけるフレームワークの能力により、固定構造の代替手法よりも効果的な初期化が可能になった。