[论文解读] Surviving The Barren Plateau in Variational Quantum Circuits with Bayesian Learning Initialization

Ali Bahrami Rad, Alireza Seif+1 more|arXiv (Cornell University)|Mar 4, 2022

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

本文提出了一种快速-慢速优化框架，结合贝叶斯学习与基于梯度的优化，以克服变分量子线路中的 barren plateau 问题。通过使用贝叶斯优化在应用快速局部优化器之前识别参数空间中的有希望区域，该方法即使在高维、梯度稀疏的景观中也能实现高效收敛，如在 Bars-and-Stripes 量子生成模型上的验证所示。

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.

研究动机与目标

• 为解决变分量子算法中的 barren plateau 问题，其中梯度随量子比特数量呈指数级消失，导致标准优化方法失效。
• 通过利用全局搜索引导局部优化，提升混合量子-经典算法中经典优化的效率与可靠性。
• 证明贝叶斯学习初始化可在传统方法失效的高维参数空间中实现有效优化。
• 在已知的 barren plateau 现象基准测试——Bars-and-Stripes 量子生成模型上验证该方法。

提出的方法

• 该方法采用两阶段优化流程：第一阶段为缓慢的全局贝叶斯优化，使用高斯过程探索参数空间并识别有希望的区域。
• 选择贝叶斯优化是因为其样本效率高，且能处理噪声大、代价昂贵的量子硬件查询。
• 贝叶斯优化阶段的输出用于初始化快速局部优化器（如 SPSA 或 COBYLA），以高效收敛至全局最小值。
• 该方法利用贝叶斯优化的非梯度特性，在初始化阶段避免 barren plateau 问题，从而规避梯度指数级变小的困境。
• 该方法应用于表现出强烈 barren plateau 行为的 Bars-and-Stripes (BAS) 量子生成模型。
• 使用 qBAS 得分评估框架，以衡量模型生成所有有效 BAS 图案的能力。

实验结果

研究问题

• RQ1 贝叶斯学习初始化是否能有效缓解变分量子线路中的 barren plateau 问题？
• RQ2 在高维、梯度稀疏的参数景观中，快速-慢速方法是否优于标准优化方法？
• RQ3 当梯度呈指数级小时，该方法是否能可靠地识别出全局最优区域？
• RQ4 在 Bars-and-Stripes 基准测试中，快速-慢速方法的性能如何随量子比特数量增加而变化？
• RQ5 初始化策略在多大程度上提升了变分量子算法的收敛速度与成功率？

主要发现

• 快速-慢速方法通过使用贝叶斯优化在局部优化前定位梯度不消失的区域，成功避免了 barren plateau 问题。
• 即使在标准梯度优化器因梯度指数级变小而失效的情况下，该方法仍能在 Bars-and-Stripes 模型中收敛至全局最小值。
• 采用贝叶斯初始化后，qBAS 得分显著提升，表明模型生成所有有效 BAS 图案的能力得到增强。
• 该方法在不同局部优化器（如 SPSA、COBYLA）上均表现出稳健性，证实了其通用性。
• 该方法通过聚焦于有希望的区域进行优化，减少了所需量子线路评估次数，提升了样本效率。
• 理论分析确认，对于 BAS 模型，梯度方差被抑制为 O(1/d⁴) 阶，支持 barren plateau 的存在，而该方法成功克服了该问题。