[论文解读] 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 16

一句话总结

FLIP 是一种基于元学习的框架，可学习为任意尺寸的参数量子线路（PQC）初始化参数，显著提升优化收敛速度。通过在一系列相关PQC问题上进行训练，FLIP 能够泛化到训练过程中未见过的更大线路，其在避免稀释平原、最大割QAOA以及一维费米子-哈伯德基态能量估计方面的表现优于随机初始化和现有元学习初始化方法。

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.

研究动机与目标

• 解决由于稀释平原和局部极小值导致变分量子算法优化收敛性差的问题。
• 开发一种可在不同线路尺寸之间泛化的参数初始化方法，包括训练集中未出现过的更大线路。
• 利用元学习从一系列相关PQC问题中学习问题特定的参数模式。
• 减少对随机初始化的依赖，提升近期量子应用的训练效率。
• 通过从数值模拟的小型线路中学习，实现变分量子算法在更大硬件上的可扩展部署。

提出的方法

• FLIP 采用可学习的编码-解码架构，将PQC问题特征映射为初始参数向量。
• 该框架使用经典神经网络学习从问题特定特征（例如图结构、相互作用强度）到最优初始参数的映射。
• 在包含已知最优或近似最优解的PQC实例数据集上进行训练，从而实现对未见问题尺寸的泛化。
• 该方法与架构无关，支持任意PQC ansatz，以及不同数量的量子比特、线路深度和变分参数。
• FLIP 的初始化基于问题特定特征，可提供量身定制的参数起始点。
• 该框架支持迁移学习：在小线路上训练的模型可用于初始化更大线路，从而实现对经典难以处理问题的扩展。

实验结果

研究问题

• RQ1 元学习方法能否学习到一种为参数量子线路初始化参数的方式，使其能泛化到训练过程中未见的更大、未见过的线路尺寸？
• RQ2 在存在稀释平原的情况下，FLIP 的初始化性能与随机初始化及其他元学习初始化策略相比如何？
• RQ3 FLIP 能否有效加速使用QAOA求解组合优化问题（如最大割问题）的训练过程？
• RQ4 FLIP 是否能改善量子模拟任务中的收敛性，例如在一维费米子-哈伯德模型中寻找基态能量？
• RQ5 FLIP 在多大程度上能利用相关问题参数空间中的模式，以加速多样化量子应用中的优化？

主要发现

• 在所有测试场景中，FLIP 显著优于随机初始化，显著缩短了优化时间并提升了收敛速度。
• 在最大割QAOA案例中，FLIP 的收敛速度更快，最终代价函数值也优于其他初始化方法，包括基于问题哈密顿量的初始化方法。
• FLIP 能够成功初始化比训练过程中使用过的任何线路都更大的线路，证明了其可扩展性和泛化能力。
• 在一维费米子-哈伯德模型中，即使底层参数空间结构不明显可利用，FLIP 仍表现出相对于随机初始化的显著改进。
• 通过从较小线路中学习，FLIP 在合成问题设置中成功缓解了稀释平原，表明其可在原本病态的优化景观中稳定训练。
• 该框架能够基于问题特定特征（如图密度、相互作用强度）条件化初始参数，从而实现比固定结构替代方案更有效的初始化。