Bayesian Parameter Shift Rule in Variational Quantum Eigensolvers

ملخص تقني: قاعدة إزاحة المعلمات البايزية في الخوارزميات التباينية للقيم الذاتية الكمومية (VQE)

بيان المشكلة
تعد الخوارزميات التباينية للقيم الذاتية الكمومية (VQEs) خوارزميات هجينة كمومية-كلاسيكية مصممة لتقريب الحالة الأرضية لطاقة الأنظمة الفيزيائية. وتتمثل إحدى العقبات الحرجة في تحسين VQE في التكلفة العالية لتقدير التدرج (gradient estimation)، والذي يعتمد على قياسات متكررة (shots). إن ضجيج الملاحظة، الناجم أساساً عن ضجيج عينات القياس (measurement shot noise)، يستلزم عدداً كبيراً من العينات لتحقيق تدرجات دقيقة. وتتطلب الطرق الحالية، مثل الانحدار الاشتقاقي العشوائي (SGD) باستخدام قواعد إزاحة المعلمات (PSRs) القياسية أو متغيرات التحسين الأدنى المتسلسل (SMO) مثل NFT، غالباً أعداد عينات ثابتة ومرتفعة لكل تكرار، أو تفتقر إلى آليات لتكييف تكاليف الملاحظة بناءً على الحالة الراهنة للتحسين. وبينما تم استخدام العمليات الغاوسية (GPs) في VQEs لأغراض التحسين البايزي (BO) ولتحسين طرق SMO (مثل EMICoRe وSubsCoRe)، إلا أن تطبيقها على تقدير التدرج في SGD ظل محدوداً. وتحديداً، هناك حاجة لتقنية لتقدير التدرج توفر مرونة في مواقع الملاحظات، وتوفر تقديراً لعدم اليقين، ويمكنها إعادة استخدام البيانات التاريخية لتقليل تكاليف الحوسبة الكمومية الإجمالية.

المنهجية
يقترح البحث قاعدة إزاحة المعلمات البايزية (Bayesian PSR) واستراتيجية تحسين تكيفية تسمى GradCoRe (منطقة التدرج الواثقة).

1. قاعدة إزاحة المعلمات البايزية (Bayesian PSR):

• يقوم المؤلفون بنمذجة دالة الهدف لـ VQE باستخدام عملية غاوسية (GP) مع نواة VQE مستوحاة من الفيزياء. هذه النواة مشتقة من البنية متعددة الحدود المثلثية لدوال هدف VQE، مما يضمن أن "الفرضية المسبقة" (prior) تعكس الخصائص الفيزيائية للدائرة الكمومية.
• بخلاف قواعد PSR القياسية التي تتطلب ملاحظات عند نقاط محددة ومتساوية المسافات (على سبيل المثال $x \pm \frac{\pi}{2}e_d$)، تقوم قاعدة Bayesian PSR بتقدير التدرج باستخدام المتوسط البعدي لمشتق العملية الغاوسية.
• يسمح هذا النهج باستخدام الملاحظات في مواقع عشوائية. ومن الأهمية بمكان أن هذا النهج يتيح إعادة استخدام الملاحظات من تكرارات SGD السابقة، مما يراكم معلومات التدرج لتحسين دقة التقدير دون الحاجة إلى قياسات كمومية إضافية.
• توفر الطريقة شكلاً تحليلياً لمقدر التدرج، والأهم من ذلك، توفر عدم يقين البعدي لتقدير التدرج قبل إجراء القياسات.
• يوضح التحليل النظري (النظرية 3.1 و3.2) أن Bayesian PSR تختزل إلى قاعدة PSR المعممة في الحالة الخالية من الضجيج مع ملاحظات متساوية المسافات. علاوة على ذلك، كشفت الدراسة أن معامل الإزاحة القياسي $\alpha = \pi/2$ هو الأمثل لتقليل عدم يقين التدرج في الحالة الأولى ذات الضجيج ($V_d=1$).

2. استراتيجية GradCoRe (منطقة التدرج الواثقة):

• بالاستفادة من معلومات عدم اليقين من Bayesian PSR، قدم المؤلفون GradCoRe، وهي المنطقة التي يكون فيها تباين البعد لتقدير التدرج أقل من عتبة محددة.
• تقوم خوارزمية SGD-GradCoRe بتحديد عدد عينات القياس المطلوبة في كل تكرار بشكل تكيفي. فهي تحل مسألة تحسين لإيجاد الحد الأدنى لإجمالي عدد العينات بحيث تقع النقطة المثلى الحالية ضمن منطقة GradCoRe.
• يتم ضبط عتبة الدقة المطلوبة ديناميكياً بناءً على معيار (norm) التدرج المقدر، مما يسمح بعدد أقل من العينات عندما يكون التدرج صغيراً (بالقرب من التقارب) أو عندما تكون الدالة مسطحة، ومزيد من العينات عندما تكون الدقة العالية مطلوبة.

المساهمات الرئيسية

• اقتراح Bayesian PSR: نسخة مرنة من قواعد PSR الموجودة تستخدم العمليات الغاوسية مع نوى VQE لتقدير التدرجات من ملاحظات في مواقع عشوائية، مما يوفر وصولاً مباشراً إلى معلومات عدم اليقين.
• التوحيد النظري: يثبت البحث العلاقة الرياضية بين Bayesian PSR وقواعد PSR الحالية، ويثبت أن معامل الإزاحة القياسي ($\pi/2$) هو الأمثل لتقليل عدم اليقين في حالات الدرجة الأولى ذات الضجيج.
• إطار عمل GradCoRe: تقديم مفهوم منطقة التدرج الواثقة واستراتيجية مرتبطة بها لتكييف تكلفة الملاحظة في SGD، والتي تقلل إجمالي عدد عينات القياس مع الحفاظ على دقة التقدير المطلوبة.
• التحقق التجريبي: تُظهر التجارب العددية أن الطرق المقترحة تسرع عملية تحسين VQE بشكل كبير مقارنة بالنماذج المرجعية الحالية.

النتائج
أجرى المؤلفون تجارب على هاميلتونيات Ising وHeisenberg باستخدام دوائر كمومية من نوع SU(2) فعالة مع عدد متغير من الكيوبتات ($Q=5, 7$) والطبقات ($L=3, 5$).

• الأداء مقابل SGD القياسي: وفرت Bayesian PSR وحدها (Bayes-SGD) مقدرات تدرج أكثر دقة من PSR القياسي، لكنها أظهرت أداء تحسين مماثلاً عند استخدام أعداد عينات ثابتة. ومع ذلك، عندما تم تجهيزها باستراتيجية GradCoRe، تفوقت الطريقة بشكل كبير على SGD القياسي ذي أعداد العينات الثابتة (مثل 128، 256، 512، 1024 عينة).
• المقارنة مع أحدث التقنيات (State-of-the-Art): تمت مقارنة GradCoRe بكل من SGLBO وBayes-NFT وEMICoRe وSubsCoRe. وأظهرت النتائج أن GradCoRe حققت تقارباً أسرع وأخطاء نهائية أقل في الطاقة/الدقة (fidelity) مع عدد أقل من عينات القياس التراكمية.
• الأهمية الإحصائية: أكدت اختبارات ويلكوكسون (Wilcoxon signed-rank tests) أن التحسينات في أداء GradCoR مقارنة بجميع النماذج المرجعية كانت ذات دلالة إحصائية ($p < 0.05$) عبر مختلف الإعدادات التجريبية.
• كفاءة التكلفة: نجحت الطريقة في تقليل إجمالي عدد عينات القياس (المقياس الأساسي للتكلفة في VQEs) عن طريق تخصيص الموارد بشكل تكيفي بناءً على عدم يقين التدرج.

الأهمية
يزعم البحث أن الخصائص الفيزيائية لـ VQEs، وتحديداً البنية المثلثية لدوال هدفها، يمكن التقاطها بفعالية بواسطة نوى مستوحاة من الفيزياء في العمليات الغاوسية. ومن خلال دمج هذه المعرفة في إطار بايزي، أثبت المؤلفون أن:

1. يمكن جعل تقدير التدرج أكثر مرونة وكفاءة من خلال إعادة استخدام البيانات التاريخية.
2. يمكن استخدام تحديد عدم اليقين مباشرة للتحكم التكيفي في تكاليف الملاحظة، وهي قدرة غير موجودة في SGD القائم على قواعد PSR القياسية.
3. يجسّر النهج المقترح الفجوة بين تقنيات تعلم الآلة (العمليات الغاوسية، التحسين البايزي) والتحسين الكمومي، مما يقدم طريقة جديدة من نوعها لتحسين VQE تقلل من استهلاك الموارد الكمومية.

ويخلص المؤلفون إلى أن هذا النهج البايزي يسهل تطوير خوارزميات أكثر كفاءة لـ VQEs، وبشكل أوسع، لمهام التحسين في الحوسبة الكمومية.