Accelerating Feedback-based Algorithms for Quantum Optimization Using Gradient Descent

إليك ملخص تقني مفصل لورقة البحث بعنوان "تسريع الخوارزميات القائمة على التغذية الراجعة للتحسين الكمي باستخدام التدرج المتناقص" (Accelerating Feedback-based Algorithms for Quantum Optimization Using Gradient Descent) من تأليف ماسيه موزاكا وموهسين هيداري.

1. بيان المشكلة

تتناول الورقة البحثية القيود المفروضة على خوارزميات التحسين الكمي الحالية، مع التركيز بشكل خاص على المقايضات بين خوارزمية التحسين التقريبي الكمي (QAOA) والطرق القائمة على التغذية الراجعة مثل FALQON (خوارزمية التغذية الراجعة للتحسين الكمي) والتحكم الكمي بليابونوف (QLC).

• تحديات QAOA: بينما تُعد QAOA نهجاً هجيناً رائداً يجمع بين الحوسبة الكلاسيكية والكمية، إلا أنها تعاني من أعباء تدريب عالية بسبب الحاجة إلى عمليات قياس مكثفة لتقدير التدرجات في كل تكرار. علاوة على ذلك، مع زيادة عمق الدائرة، تواجه QAOA مشكلة "الهضاب القاحلة" (Barren Plateaus) (تلاشي التدرجات بشكل أسي) وتضاريس تحسين غير محدبة، مما يجعل تدريبها أمراً صعباً.
• تحديات الطرق القائمة على التغذية الراجعة (QLC/FALQON): تستخدم طرق مثل FALQON قوانين تغذية راجعة مستمدة من دالات "ليابونوف" لتحديد معاملات التحكم بشكل حتمي، مما يضمن تحسناً رتيباً لدالة الهدف دون الحاجة إلى حلقة تحسين كلاسيكية شاملة. ومع ذلك، فإنها غالباً ما تتطلب تسلسلات تحكم طويلة وذات تقسيم زمني دقيق للغاية (دوائر عميقة) لتحقيق دقة عالية. على سبيل المثال، قد تتطلب FALQON عمق دوائر أكبر بمقدار رتبتين من حيث المقدار مقار بـ QAOA لحل نفس مسألة MAX-CUT، مما يؤدي إلى بطء التقارب وتحديات في التنفيذ على الأجهزة المتاحة حالياً.

الهدف الجوهري: يهدف المؤلفون إلى تسريع تقارب الطرق القائمة على التغذية الراجعة وتقليل عمق الدائرة المطلوب مع الحفاظ على ضمانات الاستقرار وكفاءة التدريب المنخفضة.

2. المنهجية: GD-QLC

يقترح المؤلفون إطار عمل هجيناً يسمى GD-QLC (التدرج المتناقص - التحكم الكمي بليابونوف). تدمج هذه الطريقة التدرد المتناقص لكل طبقة ضمن سير عمل FALQON/QLC القياسي.

الآليات الرئيسية:

1. التحسين على مستوى الطبقة: بدلاً من تحديد معامل التحكم $\beta_k$ للطبقة $k$ باستخدام خطوة تغذية راجعة واحدة قائمة على القياس (كما في FALQN القياسية)، تقوم GD-QLC بإجراء $L$ من تكرارات التدرد المتناقص على $\beta_k$ قبل الانتقال إلى الطبقة التالية.
2. دالة الهدف: تعمل الطريقة على تقليل المشتق الزمني لدالة الطاقة، $\dot{E}_p(\beta_k)$، عند كل طبقة.
   • يُعطى مشتق الطاقة بـ $\dot{E}_p = A(t)\beta(t)$، حيث $A(t) = \langle \psi | i[H_d, H_p] | \psi \rangle$.
   • لإجراء التدرد المتناقص، تحسب الخوارزمية مشتق هذه الدالة بالنسبة لـ $\beta$. يتطلب هذا تقدير مؤثرين (Observables):
     • $A_k = \langle \psi_k | i[H_d, H_p] | \psi_k \rangle$
     • $B_k = \langle \psi_k | [H_d, [H_d, H_p]] | \psi_k \rangle$ (حد المبدل من الدرجة الثانية).
3. قاعدة التحديث: يتم تحديث معامل التحكم $\beta_k$ تكرارياً باستخدام القاعدة:
   $$\beta_k^{(l+1)} = \beta_k^{(l)} (1 + \eta \Delta t B_k) - \eta A_k$$
   حيث $\eta$ هو معدل التعلم و $l$ هو مؤشر التكرار داخل الطبقة.
4. الاختيار: بعد $L$ من التكرارات، يتم اختيار أفضل $\beta_k$ (التي تقلل $\dot{E}_p$)، ثم تنتقل الخوارزمية إلى الطبقة التالية.

تحليل الأعباء:

• FALQON: تتطلب $O(K \cdot N_{shots})$ من القياسات لـ $K$ من الطبقات.
• GD-QLC: تتطلب $O(K \cdot L \cdot N_{shots})$ من القياسات.
• المقايضة: بينما تزيد GD-QLC من تكلفة القياس لكل طبقة بمعامل قدره $L$، يرى المؤلفون أن هذا مبرر لأن إجمالي عدد الطبقات $K$ المطلوبة للوصول إلى دقة مستهدفة يقل بشكل كبير، مما يؤدي إلى مكسب صافٍ في الكفاءة وتسارع في التقارب.

3. المساهمات الرئيسية

1. إطار عمل هجين: تقديم GD-QLC، الذي يجمع بين استقرار ليابونوف الرتيب وقدرات التسريع الخاصة بالتدرد المتناقص.
2. تسريع التقارب: تقلل الطريقة بشكل كبير من عدد طبقات الدائرة (العمق) المطلوب لتحقيق نسب تقريب عالية مقارنة بطرق التغذية الراجعة البحتة.
3. المتانة تجاه الخطوة الزمنية ($\Delta t$): على عكس FALQON، التي تتسم بحساسية عالية لاختيار الخطوة الزمنية (تتطلب $\Delta t$ صغيرة جداً للاستقرار)، تُظهر GD-QLC متانة قوية عبر نطاق واسع من قيم الخطوات الزمنية.
4. استقرار التحكم: تنتج الطريقة مسارات أكثر سلاسة لمعاملات التحكم ($\beta_k$)، متجنبة الارتفاعات الحادة (مثل القيم $>4000$) التي لوحظت في طرق التغذية الراجعة من الدرجة الثانية (SO-FALQON) عند استخدام خطوات زمنية أكبر.

4. النتائج التجريبية

تحقق المؤلفون من صحة GD-QLC من خلال محاكاة كلاسيكية لأربعة مشاكل تحسين توافقية: MAX-CUT، وWeighted MAX-CUT، وMAX-CLIQUE، وMIN-COVER.

• الأداء مقابل FALQON و SO-FALQON:
  • تفوقت GD-QLC باستمرار على FALQON القياسية في كل من نسبة التقريب ($r_A$) واحتمالية النجاح ($p(t)$) عبر جميع أحجام المشكلات (من 10 إلى 20 كيوبت).
  • في أنظمة الخطوات الزمنية الصغيرة ($\Delta t = 0.01$)، تفوقت GD-QLC حتى على طريقة الدرجة الثانية (SO-FALQON).
  • في أنظمة الخطوات الزمنية الكبيرة ($\Delta t = 0.1$)، حققت GD-QLC أداءً مقارباً لـ SO-FALQON، ولكن مع معاملات تحكم أكثر استقراراً.
• المتانة تجاه $\Delta t$:
  • تدهور أداء FALQON بشكل ملحوظ مع زيادة $\Delta t$ بسبب انهيار التقريبات الخطية.
  • حافظت GD-QLC على تقارب سريع ودقة عالية حتى مع خطوات زمنية أكبر ($\Delta t = 0.07$)، مما يقلل من الحاجة إلى الضبط الدقيق.
• تأثير التكرارات ($L$):
  • أدت زيادة عدد تكرارات التدرد المتناقص لكل طبقة ($L$) إلى تحسين سرعة التقارب وجودة الحل.
  • لوحظت عوائد متناقصة بعد $L \approx 6-8$، مما يشير إلى وجود نقطة مثالية عملية توازن بين الأعباء والأداء.
  • ساعدت قيم $L$ الأعلى أيضاً في تنظيم سعات التحكم، مما منع حدوث تقلبات حادة في $\beta_k$.

5. الأهمية والتوجهات المستقبلية

• الأثر العملي: توفر GD-QLC مساراً قابلاً للتطبيق لحل مشايب التحسين التوافقية على الأجهزة الكمية المتاحة حالياً. ومن خلال تقليل عمق الدائرة والتخفيف من الحاجة إلى تحكم دقيق جداً في الخطوة الزمنية، فإنها تعالج قيود الأجهزة المتعلقة بأوقات التماسك ودقة التحكم.
• كفاءة التدريب: تتجنب مشكلات الهضاب القاحلة الشائعة في QAOA من خلال استخدام معلومات التدرج المحلية ضمن إطار عمل ليابونوف، مما يضمن تقدماً رتيباً دون الحاجة إلى حلقة تحسين شاملة.
• العمل المستقبلي: يقترح المؤلفون وضع ضمانات رسمية لمعدل التقارب، واستكشاف تقنيات تحسين من الدرجة الثانية (مثل التدرد الطبيعي)، والتحقق من صحة الطريقة على أجهزة كمية حقيقية.

باختيد، تُظهر الورقة أن دمج التدرد المتناقص في التحكم الكمي القائم على التغذية الراجعة يخلق خوارزمية قوية وسريعة التقارب تتغلب على قيود العمق والاستقرار التي تواجهها طرق التغذية الراجعة الحالية، مع الاحتفاظ بكفاءة التدريب الخاصة بها.