PCA and t-SNE analysis in the study of QAOA entangled and non-entangled mixing operators

ملخص تقني: تحليل PCA وt-SNE في دراسة مؤثرات الخلط المتشابكة وغير المتشابكة لخوارزمية QAOA

بيان المشكلة
تُعد خوارزمية التحسين التقريبي الكمي (QAOA) من الخوارزميات المتغيرة الكمية (VQA) البارزة المستخدمة لحل مشكلات التحسين التوافقي، مثل مشكلة "القطع الأقصى" (Max-Cut). ومع تقدم الأجهزة الكمية وزيادة أعماق الدوائر، يصبح فهم السلوك الداخلي لهذه الخوارزميات أمراً بالغ الأهمية. وتحديداً، هناك حاجة لتحليل كيفية تأثير تكوينات الدوائر المختلفة — لا سيما وجود أو غياب التشابك ضمن مؤثر الخلط — على مشهد التحسين وتوزيع المعلمات. وبينما استكشفت الأبحاث السابقة تمثيلات مشهد المشكلة وتركيز المعلمات، تركز هذه الدراسة على استخراج وتصور المعلومات المتعلقة بالنماذج الأساسية لـ QAOA للتمييز بين استراتيجيات الخلط المتشابكة وغير المتشرابكة.

المنهجية
استخدم المؤلفون تحليل المكونات الرئيسية (PCA) وتقنية ت-التوزيع لتعيين الجيران العشوائيين (t-SNE) لتحليل مجموعات البيانات الخاصة بالمعلمات المثلى الناتجة عن مشكلات Max-Cut.

• توليد البيانات: استخدمت الدراسة طريقة التحسين "تسلق التلة العشوائية مع إعادة التشغيل العشوائي" (SHC-RR) لحل مشكلات Max-Cut على رسوم بيانية مكونة من 4، 10، و15 عقدة. وتم اختبار تكوينين للرسوم البيانية: دوري (cyclic) وكامل (complete).
• نماذج QAOA: أُجريت التجارب عند ثلاثة أعماق للدوائر (1L، 2L، و3L). ولكل عمق، تمت مقارنة نوعين من مؤثرات الخلط:
  1. غير المتشابك: باستخدام دورات $R_X$ و$R_Y$ القياسية.
  2. المتشابك: يتضمن مرحلة تشابك إضافية (باستخدام بوابات CNOT) بين دورات $R_X$ و$R_Y$.
• تقليل الأبعاد:
  • PCA: طُبق لتقليل أبعاد مجموعات المعلمات (3، 6، أو 9 معلمات اعتماداً على العمق) إلى أول ثلاثة مكونات رئيسية. ركز التحليل على التباين المفسر والتوزيع الهندسي لنقاط البيانات. وتم إجراء كل من تحليل النموذج الفردي والتحليل المزدوج (الذي يجمع بين مجموعات البيانات المتشابكة وغير المتشابكة).
  • t-SNE: طُبق لتصور العلاقات غير الخطية والهياكل المحلية. تم تهيئة الخوارزمية باستخدام PCA لضمان الاستقرار. واختُبرت قيم مختلفة لـ "التعقيد" (perplexity) وهي (3، 30، 99، و199). كما تم قياس جودة التعيين باستخدام تباعد كولباك - ليبلر (KL divergence).

المساهمات والنتائج الرئيسية

• توزيع التباين (PCA):

  • النماذج المتشابكة: في النماذج ذات الأعماق الأعلى (2L و3L)، أظهرت مؤثرات الخلط المتشابكة باستمرار تبايناً مفسراً أعلى في المكونات الرئيسية مقارنة بنظيراتها غير المتشابكة. يشير هذا إلى أن مرحلة التشابك تُدخل قدراً أكبر من المعلومات القابلة للكشف أو التباين في فضاء المعلمات.
  • التجميع: كشف التحليل البصري لإسقاطات PCA أن النماذج المتشابكة (خاصة عند عمق 2L) أظهرت غالباً سلوكيات تجميع مميزة (مثل مجموعات الثلاث خطوط أو التجمعات الإهليلجية)، بينما أظهرت النماذج غير المتشابكة في كثير من الأحيان توزيعات عشوائية ومشتتة دون أنماط واضحة.
  • القيود: بالنسبة لنماذج عمق 3L (9 معلمات)، كان إجمالي التباين الذي التقطه أول ثلاثة مكونات PCA منخفضاً نسبياً (غالباً أقل من 50%)، مما جعل الاستنتاجات الحاسمة حول التعيين صعبة لهذه النماذج المعقدة.

• التعيين غير الخطي (t-SNE):

  • الأداء: تفوق t-SNE بشكل عام على PCA في تمثيل البيانات في الفضاء منخفض الأبعاد، وهو ما استُدل عليه بقيم تباعد KL الأقل، لا سيما عند إعدادات التعقيد العالية (99 و199).
  • التمييز: نجحت تضمينات t-SNE في التمييز بين النماذج المتشابكة وغير المتشابكة. حيث تميل النماذج المتشابكة إلى تشكيل مجموعات محددة أو الالتزام بأنماط مهيكلة (مثل الخطوط أو الأشكال الإهليلجية)، بينما تحافظ النماذج غير المتشابكة غالباً على توزيع موحد أو عشوائي.
  • الحساسية للتعقيد: وجدت الدراسة أن التعقيد يؤثر بشكل كبير على النتائج. حيث حققت قيم التعقيد الأعلى (مثل 99 للنماذج الفردية، و199 للنماذج المزدوجة) درجات KL divergence أفضل وتمثيلات أكثر استقراراً.

• التحليل المزدوج: عند إسقاط النماذج المتشابكة وغير المتشابكة معاً، تم الحفاظ إلى حد كبير على السلوكيات المتميزة الملاحظة في التحليلات الفردية. فقد أحدثت مرحلة التشابك إزاحة ملموسة في توزيع النقاط المسقطة، مما سمح بالفصل البصري بين نوعي النماذج.

الأهمية والادعاءات
يدعي البحث أن تطبيق PCA وt-SNE يوفر طريقة قابلة للتطبيق لتصور وقياس الاختلافات بين نماذج QAOA المتشابكة وغير المتشابكة في مؤثر الخلط. وتشير النتائج إلى أن النماذج المتشابكة تمتلك خصائص هيكلية متميزة في فضاءات المعلمات الخاصة بها، تتميز بارتفاع الاحتفاظ بالتباين في PCA وتجميع أكثر تحديداً في t-SNE.

يتبنى المؤلفون موقفاً متواضعاً فيما يتعلق بعالمية هذه النتائج؛ حيث ذكروا أنه بينما تُظهر نتائج التعيين بوضوح اختلافات ملموسة بين النماذج المتشابكة وغير المتشابكة لمشكلات Max-Cut والأعماق المحددة التي تم اختبارها، إلا أنه من السابق لأوانه استنتاج أن هذه الأنماط المحددة عالمية عبر جميع نماذج QAOA أو أنواع المشكلات. تسلط الدراسة الضوء على فائدة تقنيات التصور هذه لاستخراج الرؤى حول سلوكيات النماذج الأساسية، لكنها تشير أيضاً إلى ضرورة إجراء مزيد من التحقيق لفهم تفاعلات البوابات المحددة التي تقود هذه التباينات، ولتحديد ما إذا كانت هذه الأنماط تستمر عبر استراتيجيات التحسين ومجالات المشكلات المختلفة.