[논문 리뷰] Surviving The Barren Plateau in Variational Quantum Circuits with Bayesian Learning Initialization

Ali Bahrami Rad, Alireza Seif외 1명|arXiv (Cornell University)|2022. 03. 04.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 논문은 변량 양자 회로에서의 평탄한 고원 문제를 극복하기 위해 베이지안 학습과 기울기 기반 최적화를 결합한 빠르고-느린 최적화 프레임워크를 제안한다. 기울기 기반 최적화 이전에 베이지안 최적화를 사용해 매개변수 공간 내에서 유망한 영역을 식별함으로써, 높은 차원의 기울기 희박한 경관에서도 효율적인 수렴을 달성한다. 이는 바스 앤 스트립스 양자 생성 모델에서 입증되었다.

ABSTRACT

Variational quantum-classical hybrid algorithms are seen as a promising strategy for solving practical problems on quantum computers in the near term. While this approach reduces the number of qubits and operations required from the quantum machine, it places a heavy load on a classical optimizer. While often under-appreciated, the latter is a computationally hard task due to the barren plateau phenomenon in parameterized quantum circuits. The absence of guiding features like gradients renders conventional optimization strategies ineffective as the number of qubits increases. Here, we introduce the fast-and-slow algorithm, which uses Bayesian Learning to identify a promising region in parameter space. This is used to initialize a fast local optimizer to find the global optimum point efficiently. We illustrate the effectiveness of this method on the Bars-and-Stripes (BAS) quantum generative model, which has been studied on several quantum hardware platforms. Our results move variational quantum algorithms closer to their envisioned applications in quantum chemistry, combinatorial optimization, and quantum simulation problems.

연구 동기 및 목표

• 양자 비트 수가 증가함에 따라 기울기가 지수적으로 사라지는 변량 양자 알고리즘에서의 평탄한 고원 문제를 해결하기 위해.
• 글로벌 탐색을 통해 로컬 최적화를 이끌어내는 전통적인 최적화의 효율성과 신뢰성을 향상시키기 위해 하이브리드 양자-클래식 알고리즘에서 활용한다.
• 기존 방법이 실패하는 고차원 매개변수 공간에서 효과적인 최적화를 가능하게 하는 베이지안 학습 초기화의 능력을 입증하기 위해.
• 바스 앤 스트립스 양자 생성 모델을 기반으로 한 평탄한 고원 현상의 알려진 벤치마크에서 접근 방식을 검증하기 위해.

제안 방법

• 이 방법은 이중 단계 최적화 파이프라인을 사용한다: 기하학적 프로세스를 사용한 느린 글로벌 베이지안 최적화 단계로 매개변수 공간을 탐색하고 유망한 영역을 식별한다.
• 베이지안 최적화는 샘플 효율성과 비용이 많이 들며 평가가 어려운 양자 하드웨어 쿼리에 대한 처리 능력으로 선택되었다.
• 베이지안 단계의 출력은 빠른 로컬 최적화기(예: SPSA 또는 COBYLA)를 초기화하는 데 사용되어 전역 최소값으로 효율적으로 수렴한다.
• 베이지안 최적화의 비기울기 성격을 활용해 초기화 단계에서 평탄한 고원을 피함으로써 기울기가 지수적으로 작아지는 문제를 회피한다.
• 이 방법은 강력한 평탄한 고원 행동를 보이는 바스 앤 스트립스(BAS) 양자 생성 모델에 적용된다.
• 모델이 모든 유효한 BAS 패턴을 생성할 수 있는 능력을 측정하기 위해 qBAS 점수를 사용해 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 베이지안 학습 초기화가 변량 양자 회로에서 평탄한 고원 문제를 효과적으로 완화할 수 있는가?
• RQ2 빠르고-느린 접근 방식이 기울기 희박한 고차원 매개변수 경관에서 표준 최적화 방법보다 우월한가?
• RQ3 기울기가 지수적으로 작아질 때 매개변수 공간에서 전역 최소값 영역을 신뢰성 있게 식별할 수 있는가?
• RQ4 바스 앤 스트립스 벤치마크에서 큐비트 수가 증가함에 따라 빠르고-느린 방법의 성능은 어떻게 스케일링되는가?
• RQ5 초기화 전략이 변량 양자 알고리즘에서 수렴 속도와 성공률을 얼마나 향상시키는가?

주요 결과

• 빠르고-느린 방법은 로컬 최적화 이전에 기울기가 사라지지 않는 영역를 베이지안 최적화로 식별함으로써 평탄한 고원을 성공적으로 피한다.
• 표준 기울기 기반 최적화기가 기울기가 지수적으로 작아져 실패하는 바스 앤 스트립스 모델에서도 전역 최소값으로의 수렴을 달성한다.
• 베이지안 초기화로 인해 qBAS 점수가 크게 향상되어 모든 유효한 BAS 패턴을 생성할 수 있는 능력이 향상됨을 나타낸다.
• SPSA, COBYLA 등 다양한 로컬 최적화기에서의 성능이 뛰어나 일반화 가능성의 확인을 위해 확인되었다.
• 최적화를 유망한 영역에 집중시킴으로써 필요한 양자 회로 평가 수를 줄여 샘플 효율성을 향상시켰다.
• 이론적 분석을 통해 BAS 모델에서 기울기 분산이 O(1/d⁴)로 억제됨을 확인하였으며, 이는 평탄한 고원의 존재를 뒷받침하고, 이 방법이 성공적으로 이를 극복함을 뒷받침한다.