[论文解读] The Optimization Landscape of Hybrid Quantum-Classical Algorithms: from Quantum Control to NISQ Applications

Xiaozhen Ge, Re-Bing Wu+1 more|arXiv (Cornell University)|Jan 19, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文分析了混合量子-经典算法的优化景观，揭示了从小型量子系统中的无陷阱景观到大规模NISQ设备中的灾难性平坦区的形态转变。研究发现，表达能力和可训练性之间存在权衡，而量子电路的结构和初始化策略对于避免梯度消失、实现实际的量子优势至关重要。

ABSTRACT

This review investigates the landscapes of prevalent hybrid quantum-classical optimization algorithms in many rapidly developing quantum technologies, where the objective function is either computed by a natural quantum system or a quantum ansatz that is engineered, but the optimizer is classical. In any particular case, the nature of the underlying control landscape is fundamentally important for systematic optimization of the objective. In early studies on the optimal control of few-body dynamics, the optimizer could take full control of the quantum systems to be manipulated whose Hilbert space dimension is relatively small. Stepping into the noisy intermediate-scale quantum (NISQ) era, the experimentally growing computational power of the ansatz expressed as quantum hardware may bring quantum advantage over classical computers, but the classical optimizer is often limited by the available control resources. Across these different scales, we will show that the landscape's geometry experiences morphological changes from favorable trap-free landscapes to easily trapping rugged landscapes, and eventually to barren-plateau landscapes on which the optimizer can hardly move. This unified view provides the basis for understanding classes of systems that may be readily controlled out to those with special consideration, including the difficulties and potential advantages of NISQ technologies, as well as seeking possible ways to escape traps or plateaus, in particular circumstances.

研究动机与目标

• 理解在不同系统规模下，混合量子-经典算法优化景观的几何结构。
• 解释为何经典优化在大规模NISQ设备上因灾难性平坦区和崎岖景观而受阻。
• 识别在变分量子算法背景下，优化保持高效的具体条件。
• 探索通过结构化量子电路和智能初始化等策略，减轻灾难性平坦区并提升可训练性的方法。
• 阐明在实现量子优势过程中，量子电路表达能力与经典优化器效率之间的根本权衡。

提出的方法

• 分析在控制资源从少数粒子系统中的完全控制到NISQ设备中受限控制时，量子系统的控制景观几何结构。
• 应用来自量子最优控制和变分量子算法的理论框架，映射景观形态的演化过程。
• 研究参数化量子线路（PQCs）中的梯度缩放行为，特别是偏导数方差作为灾难性平坦区形成的代理指标。
• 评估结构化量子电路（如量子卷积神经网络、树张量网络和分步控制电路）对灾难性平坦区的抵抗能力。
• 提出避免随机2-设计并降低参数空间维度的初始化方案，以保留梯度信息。
• 考虑分层训练和通过经典神经网络进行预训练，以提升收敛性并避免早期优化失败。

实验结果

研究问题

• RQ1 随着量子系统尺寸相对于可用经典控制资源的增大，混合量子-经典算法的优化景观如何演变？
• RQ2 变分量子算法中的灾难性平坦区由何引起？在何种条件下可避免或缓解？
• RQ3 特定的量子电路结构（如卷积或树状结构）在多大程度上可降低梯度指数级消失的风险？
• RQ4 智能初始化策略能否防止优化器陷入次优区域，尤其是在高维参数空间中？
• RQ5 在NISQ时代应用中，量子线路表达能力与经典优化器可训练性之间的根本权衡是什么？

主要发现

• 在控制资源充足的中小型量子系统中，优化景观无陷阱，可通过贪婪算法实现高效收敛。
• 在控制资源受限时，虚假局部极小值出现，即使使用随机方法也会导致优化失败。
• 在大规模NISQ设备中，由于梯度指数级消失，灾难性平坦区出现，尤其当量子电路为2-设计或高度表达时更为显著。
• 结构化量子电路（如量子卷积神经网络和树张量网络）表现出多项式衰减的梯度，从而避免灾难性平坦区。
• 避免2-设计或降低参数空间维度的初始化策略可显著提升优化收敛性并减少训练迭代次数。
• 误差缓解技术对于应对噪声引起的灾难性平坦区至关重要，如在Sycamore硬件上实现的VQE计算氢链结合能时所展示的。