[论文解读] The QAOA gets stuck starting from a good classical string

Madelyn Cain, Edward Farhi+3 more|arXiv (Cornell University)|Jul 11, 2022

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文研究了从高质量经典比特串而非均匀叠加态开始的暖启动量子近似优化算法（QAOA）。尽管直觉上预期会有改进，但数值和解析结果表明，由于参数空间中固有的几何与动力学约束，即使在低深度和中等深度下，QAOA也无法提升目标函数，始终停留在初始比特串上。

ABSTRACT

The Quantum Approximate Optimization Algorithm (QAOA) is designed to maximize a cost function over bit strings. While the initial state is traditionally a uniform superposition over all strings, it is natural to try expediting the QAOA: first use a classical algorithm to produce some good string, and then run the standard QAOA starting in the computational basis state associated with that string. Here we report numerical experiments that show this method of initializing the QAOA fails dramatically, exhibiting little to no improvement of the cost function. We provide multiple analytical arguments for this lack of improvement, each of which can be made rigorous under different regimes or assumptions, including at nearly linear depths. We emphasize that our negative results only apply to our simple incarnation of the warm-start QAOA and may not apply to other approaches in the literature. We hope that our theoretical analysis will inform future algorithm design.

研究动机与目标

• 研究是否可通过从高质量经典比特串（即‘暖启动’）初始化QAOA来加速收敛至更优解。
• 理解为何数值实验显示从此类比特串出发时目标函数无改善。
• 在不同假设与参数范围内，为观察到的停滞现象提供解析解释。
• 阐明此特定暖启动方法的局限性，并将其与文献中其他暖启动变体区分开来。

提出的方法

• 在小规模和大规模图实例（如MaxCut）上进行数值模拟，测试在不同电路深度下从单一高成本经典比特串初始化的QAOA性能。
• 基于小角度和低深度的解析论证，利用微扰理论表明目标函数改善极小。
• 在恒定深度下采用热力学假设，假设QAOA演化实现热化，以解释停滞现象。
• 基于次线性深度的论证，假设高成本比特串数量随成本指数下降，从而限制了可能被改进的比特串数量。
• 在QAOA酉操作空间中使用酉打包与覆盖技术，以界定能以非可忽略概率被改进的比特串数量。
• 利用迹不等式与基于网的覆盖论证，推导出可改进至目标成本水平的比特串比例的上界。

实验结果

研究问题

• RQ1 为何从高质量经典比特串初始化的QAOA无法提升目标函数？
• RQ2 是否存在解析机制可解释暖启动QAOA中观察到的数值停滞现象？
• RQ3 该失败是否依赖于电路深度？若依赖，其行为在低深度、恒定深度或次线性深度下如何变化？
• RQ4 是否存在从暖启动中可改进的比特串数量的理论界？其随问题规模与深度如何变化？
• RQ5 在何种假设下可严格解释停滞现象？这些假设如何影响结果的普适性？

主要发现

• 在广泛数值实验中，从单一高质量经典比特串初始化的暖启动QAOA，即使在低深度与高深度下，目标函数均无显著改善。
• 针对小角度与低深度的解析论证表明，目标函数的期望改善量可忽略不计，其量级为 $ O( heta^2) $，其中 $ heta $ 为控制QAOA角度的小参数。
• 在恒定深度下，基于热力学假设的分析预测系统会热化至无净改善的状态，从而解释了停滞现象。
• 在次线性深度下，假设高成本比特串数量随成本指数下降，可改进比特串的比例被限制为 $ ilde{O}ig((16 ilde{p}n^2)^{p/(p+1)}ig) $，该值随深度迅速衰减。
• 能以至少 $ ilde{ heta} $ 的选择概率改进至目标成本 $ C_1 $ 的比特串数量，其上界为 $ Oig( d_1 / ilde{ heta} imes (16 ilde{p}n^2 / ilde{ heta})^{2 ilde{p}} ig) $，其中 $ d_1 $ 为成本不低于 $ ilde{C}_1 $ 的比特串数量。
• 从成本区间 $[C_0, C_0']$ 中随机选取的比特串，能以至少 $ ilde{ heta} $ 的选择概率改进至 $ C_1 $ 的概率，其上界为 $ ilde{ heta} = ig(2d_1/d_0ig)^{1/(2p+2)} (16 ilde{p}n^2)^{p/(p+1)} $，表明在较高深度下可改进的比特串呈指数稀少。