[论文解读] BEINIT: Avoiding Barren Plateaus in Variational Quantum Algorithms

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

Neural Networks and Reservoir Computing被引用 4

一句话总结

BEINIT 提出了一种变分量子算法的参数初始化策略，通过利用块编码技术与酉不变性，缓解了 barren plateau 问题。该方法通过确保梯度方差保持非零，使深层量子线路能够实现训练收敛，在 VQE 和 QAOA 等基准问题上显著提升了优化性能。

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.

研究动机与目标

• 解决变分量子算法中的 barren plateau 问题，即梯度随量子比特数量指数级消失，导致优化停滞。
• 开发一种参数初始化方法，确保深层量子线路中梯度方差保持非零。
• 在经典难以处理的问题上，实现对 VQE 和 QAOA 等变分量子算法的有效训练。
• 通过智能初始化保留梯度信息，确保量子优化的可扩展性与鲁棒性。
• 通过所提出的 BEINIT 框架，在基准量子优化任务上展示改进的收敛性与性能。

提出的方法

• 提出一种基于块编码的初始化方案，构建具有受控参数化的酉矩阵，以保持梯度流动。
• 利用酉不变性，确保在不同线路深度下梯度方差始终远离零。
• 将初始化方法无缝集成到标准变分量子算法（如 VQE 和 QAOA）中，不改变电路结构。
• 使用具有结构化初始化的参数化量子线路，避免随机初始化导致的梯度消失倾向。
• 应用一种改进的代价函数，整合块编码框架以稳定训练动力学。
• 通过在基准哈密顿量与优化任务上的数值模拟验证该方法。

Figure 1: Example of a figure caption.

实验结果

研究问题

• RQ1 是否存在一种参数初始化策略，可防止深层变分量子线路中的 barren plateau 问题？
• RQ2 与随机初始化或启发式初始化相比，BEINIT 在梯度幅值与优化收敛性方面表现如何？
• RQ3 基于块编码的初始化是否能在不断增加的线路深度与量子比特数量下维持非零梯度方差？
• RQ4 BEINIT 在经典困难问题的 VQE 与 QAOA 训练中，性能提升程度如何？
• RQ5 该方法在不同量子硬件约束与噪声模型下是否具备可扩展性与鲁棒性？

主要发现

• BEINIT 在深层量子线路中成功防止了梯度消失问题，即使在 20 个以上量子比特下仍能保持非零梯度方差。
• 数值实验表明，BEINIT 在标准随机初始化因 barren plateau 失败的 VQE 与 QAOA 任务中实现了收敛。
• 在 16 个量子比特的 Max-Cut 哈密顿量等基准问题上，BEINIT 将优化成功率提升了 10 倍。
• BEINIT 在多个线路深度下均保持稳定的训练动力学，展现出超越浅层线路的可扩展性。
• 块编码框架确保初始化在酉变换下保持不变，从而保留梯度信息。
• 在测试的量子优化任务中，该方法在收敛速度与最终能量期望值方面均优于基线方法。