Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm

ملخص تقني: تطبيق ديناميكا لانجفنز لتطوير خوارزمية تحسين التدرج الطبيعي الكمي

بيان المشكلة
غالبًا ما تعاني عملية تحسين الدوائر الكمية المتغيرة (VQCs) في الخوارزميات الهجينة بين الكمية والكلاسيكية، مثل خوارزمية القيم الذاتية الكمية المتغيرة (VQE) وخوارزمية التحسين التقريبي الكمي (QAOA)، من مشكلة "الإفراط في المعلمات" (overparametrization). وبينما اقترح خوارزم QNG (التدرج الطبيعي الكمي) للتخفيف من حدة هذه المشكلة عبر استخدام الموتر الهندسي الكمي (QGT) لتحديد اتجاه هبوط ثابت إعادة المعلمات، إلا أن خوارزمية QNG الأساسية غالبًا ما تواجه صعوبات في مساحات الخسارة غير المحدبة. وتحديدًا، تميل الخوارزمية إلى الوقوع في فخ النهايات الصغرى المحلية، ونقاط السرج، والهضاب، مما يحد من فعاليتها في مهام التحسين المعقدة.

المنهجية
يقترح المؤلفون خوارزمية تحسين جديدة، Momentum-QNG، مشتقة من خلال تطبيق ديناميكا لانجفنز على إطار عمل QNG.

• الاشتقاق النظري: تبدأ الدراسة بنمذجة عملية التحسين كحل للزمن المنفصل لمعادلة لانجفنز. ومن خلال إدخال حد قوة عشوائية يعتمد على تدرج QNG ($\hat{f} = -g^{-1}(\theta)\nabla L(\theta)$) ودمج حد احتكاك لزوجي، اشتق المؤلفون قاعدة تحديث منفصلة.
• صياغة الخوارزمية: قاعدة التحديث الناتجة هي:
  $$\Delta\theta_{n+1} = \rho\Delta\theta_n - \eta \cdot g^{-1}(\theta_n)\nabla L(\theta_n)$$
  هنا، يعمل $\rho$ كمعامل زخم مشتق من معامل الاحتكاك، و$\eta$ هو معدل التعلم. هذه الصياغة تعمم خوارزمية QNG الأساسية (التي يتم استعادتها عندما يكون $\rho=0$) عن طريق إضافة حد عطالة.
• الآلية: يسمح حد الزخم للمحسن بتراكم السرعة، مما يمكنه من الهروب من النهايات الصغرى المحلية والهضاب حيث تتلاشى التدرجات المحلية. ويشير التحليل النظري (المعادلة 17) إلى أن متوسط طول القفزة لمعلمات التباين بالقرب من نقطة قصوى يزداد مع معامل الزخم، مما يسهل الاستكشاف الأوسع لمساحة المعلمات.
• التنفيذ: تم تنفيذ الخوارزمية ضمن حزمة الحوسبة الكمية PennyLane. وقد تم حساب الموتر الهندسي الكمي باستخدام تقريب قطري كتلوي مع معامل تنظيم $\lambda = 0.5$.

الاختبار المرجعي والنتائج
تم اختبار خوارزمية Momentum-QNG مقابل كل من QNG الأساسي، والزخم القياسي (Standard Momentum)، ومحسنات Adam عبر ثلاث مشكلات كمية متغيرة متميزة:

1. تحسين محفظة الاستثمار (نموذج Ising Spin-Glass):

   • الإعداد: تحسين VQE لعدد $N=6, 11, 12$ كيوبت.
   • النتائج: تفوقت المحسنات المعدلة بالزخم (Momentum-QNG، Momentum، Adam) بشكل كبير على QNG الأساسي من حيث تقارب الطاقة ($\Delta E$). وبينما أظهر QNG الأساسي أسرع سرعة تقارب، إلا أنه أدى إلى أعلى خطأ في الطاقة. أظهر Adam الأداء الأكثر قوة مع أوسع نطاق تقارب.

2. نموذج شيرنجتون-كيركباتريك الكمي (SK):

   • الإعداد: تقليل طاقة الحالة الأرضية لـ $N=8$ كيوبت تحت تأثير شدات حقل مستعرضة متغيرة ($g$).
   • النتائج: تباين الأداء حسب النظام:
     • في الحقول القوية ($g=0.1$)، حقق QNG الأساسي أدنى خطأ، وهو ما يتوافق مع النتائج السابقة.
     • في الحقول المتوسطة ($g=10^{-3}$)، أدى كل من Momentum وMomentum-QNG أداءً متساويًا.
     • في الحقول الضعيفة ($g=10^{-5}$)، والتي تمثل نظام زجاج مغزلي قوي مع نهايات صغرى محلية واضحة، تفوق Momentum-QNG على جميع الخوارزميات الأخرى.
   • الملاحظة: يعزو المؤلفون التفوق في أداء Momentum-QNG في نظام الزجاج المغزلي القوي إلى تأثير تآزري بين الموتر الهندسي الكمي وحد الزخم، مما يسمح للخوارزمية بالتنقل في مساحات الطاقة المعقدة بشكل أكثر فعالية.

3. تغطية الرؤوس الدنيا (QAOA):

   • الإعداد: التحسين على رسوم بيانية بـ $N=4$ و $N=8$ رؤوس.
   • النتائج: حقق كل من Momentum-QNG وMomentum وAdam نسب جودة قصوى مماثلة، متفوقين بشكل كبير على QNG الأساسي. حافظ Adam على أوسع نطاق تقارب، بينما قدم Momentum-QNG أداءً مماثلاً لـ Adam ضمن نطاقه.

المساهمات الرئيسية

• اشتقاق Momentum-QNG: تؤسس الورقة رابطًا نظريًا بين ديناميكا لانجفنز والتحسين الكمي، مشتقةً خوارزمية QNG معممة تتضمن الزخم.
• التحقق من الأداء: من خلال الاختبارات الرقمية المكثفة، تثبت الدراسة أن إضافة حد الزخم إلى QNG يحسن القدرة على الهروب من النهايات الصغرى المحلية والهضاب، لا سيما في المساحات غير المحدبة والمفرطة في المعلمات.
• المصدر المفتوح: يوفر المؤلفون كودًا مفتوح المصدر لخوارزمية Momentum-QNG لتسهيل المزيد من الأبحاث.

الأهمية والادعاءات
تدعي الورقة أن Momentum-QNG يمثل تقدمًا مهمًا لتحسين الدوائر الكمية المتغيرة، خاصة في السيناريوهات التي تكون فيها مساحة خسارة الطاقة وعرة ومعرضة للنهايات الصغرى المحلية. ويؤكد المؤلفون أنه بينما يعد QNG الأساسي فعالًا للمشكلات المحدبة أو الأبسط، فإن إضافة حد الزخم أمر بالغ الأهمية للتنقل في المساحات المعقدة وغير المحدبة النموذجية لأنظمة الزجاج المغزلي القوية وغيرها من مهام التحسين الصعبة. وتخلص الدراسة إلى أن الجمع بين الموتر الهندسي الكمي (لثبات إعادة المعلمات) والزخم (للعطالة) يخلق تأثيرًا تآزريًا يعزز أداء التحسين في الأنظمة الكمية الصعبة. ويظل المؤلفون متواضعين في طرحهم، مشيرين إلى أن Adam يظل غالبًا الأكثر قوة بشكل عام، لكنهم يسلطون الضوء على أن Momentum-QQNG يوفر ميزة متميزة في أنظمة محددة عالية الصعوبة قد لا تستفيد فيها الطرق الأخرى القائمة على الزخم من البنية الهندسية الكمية بشكل كامل.