[论文解读] ADAPT-VQE is insensitive to rough parameter landscapes and barren plateaus

Harper R. Grimsley, George S. Barron+3 more|arXiv (Cornell University)|Apr 14, 2022

Hydrocarbon exploration and reservoir analysis被引用 9

一句话总结

该论文通过采用梯度引导、逐个操作的电路构建方法，证明了ADAPT-VQE能够有效抵御变分量子算法中的两大优化挑战——局部极小值和 barren plateaus。该方法通过参数复用和陷阱挖掘避免了不良参数区域，其设计本身通过确保操作选择期间的较大梯度，从根本上防止了 barren plateaus 的出现。

ABSTRACT

Variational quantum eigensolvers (VQEs) represent a powerful class of hybrid quantum-classical algorithms for computing molecular energies. Various numerical issues exist for these methods, however, including barren plateaus and large numbers of local minima. In this work, we consider Adaptive, Problem-Tailored (ADAPT)-VQE ansätze, and examine how they are impacted by these local minima. We find that while ADAPT-VQE does not remove local minima, the gradient-informed, one-operator-at-a-time circuit construction seems to accomplish two things: First, it provides an initialization strategy that is dramatically better than random initialization, and which is applicable in situations where chemical intuition cannot help with initialization, i.e., when Hartree-Fock is a poor approximation to the ground state. Second, even if an ADAPT-VQE iteration converges to a local trap at one step, it can still "burrow" toward the exact solution by adding more operators, which preferentially deepens the occupied trap. This same mechanism helps highlight a surprising feature of ADAPT-VQE: It should not suffer optimization problems due to "barren plateaus". Even if barren plateaus appear in the parameter landscape, our analysis and simulations reveal that ADAPT-VQE avoids such regions by design.

研究动机与目标

• 研究 ADAPT-VQE 在参数空间中是否对局部极小值和 barren plateaus 具有鲁棒性。
• 理解在添加操作时可能导致收敛停滞的梯度洼地的成因及其影响。
• 评估 ADAPT-VQE 的初始化和自适应 ansatz 构造在避免次优解方面的有效性。
• 确定该算法的结构是否从根本上避免了 barren plateaus 的指数级缩放问题。
• 识别可能阻碍收敛的数值挑战，如梯度洼地，尽管整体上具有鲁棒性。

提出的方法

• ADAPT-VQE 通过基于能量对每个操作的梯度最大值，逐个选择操作来迭代构建 ansatz。
• 该算法将前一迭代的参数用作下一迭代的初始化，将优化聚焦于参数空间的一个局部区域。
• 该方法确保每次选择的新操作都能在当前驻点附近改善能量，从而实现对局部极小值的‘挖掘’。
• 理论分析表明，ADAPT-VQE 避免了 barren plateaus，因为所选操作始终产生陡峭且可分辨的梯度景观。
• 通过数值模拟和精确对角化（FCI）比较 ADAPT-VQE 的能量与精确本征态，识别平坦梯度区域。
• 通过分析库中操作的梯度方差，并将其与 FCI 谱中的近简并激发态相关联，诊断梯度洼地。

实验结果

研究问题

• RQ1 ADAPT-VQE 是否因其初始化和迭代构造策略而避免了局部极小值？
• RQ2 即使收敛发生在次优区域，ADAPT-VQE 是否仍能通过迭代扩展 ansatz 来克服局部陷阱？
• RQ3 尽管一般 VQE 景观中存在此类现象，ADAPT-VQE 为何能避免 barren plateaus？
• RQ4 ADAPT-VQE 中梯度洼地的成因是什么？在何种条件下它们会阻碍收敛？
• RQ5 FCI 谱中近简并的激发态与 ADAPT-VQE 中浅梯度区域的出现有何关联？

主要发现

• ADAPT-VQE 的参数复用策略提供了优越的初始化，即使 Hartree-Fock 参考态较差，也能避免大多数局部极小值。
• 即使达到局部极小值，该算法仍可通过添加更多操作实现‘挖掘’，优先加深能量井并改善解的质量。
• ADAPT-VQE 从设计上避免了 barren plateaus，因为所选操作始终产生大且可分辨的梯度，防止了指数级的测量次数增长。
• 当算法接近 FCI 激发态的近简并流形时，可能出现梯度洼地——即库中操作梯度趋于零的区域。
• 这些梯度洼地并非由 barren plateaus 引起，而是代表一种独立的数值挑战，可能阻碍操作添加，需进一步启发式诊断。
• 尽管存在局部极小值和潜在的梯度洼地，ADAPT-VQE 仍保持鲁棒性和高效性，归因于其自适应的、梯度驱动的构建过程。