Scaling QAOA: transferring optimal adiabatic schedules from small-scale to large-scale variational circuits

إليك ملخص تقني مفصل لورقة البحث بعنوان: "توسيع نطاق خوارزمية QAOA: نقل الجداول الزمنية الأديباتية المثلى من النطاقات الصغيرة إلى الدوائر التباينية واسعة النطاق."

1. بيان المشكلة

تعد خوارزمية التحسين التقريبي الكمي (QAOA) خوارزمية تباينية رائدة للتحسين التوليفي على الأجهزة الكمية المتاحة حالياً. ومع ذلك، فإن قابليتها للتوسع تعوقها تحديان رئيسيان:

• تعقيد تحسين المعلمات: تتطلب خوار_مية QAOA تحسين $2p$ من المعلمات التباينية (الزوايا $\gamma$ و $\beta$) لدائرة مكونة من $p$ طبقة. ومع زيادة $p$، يصبح المشهد التحسيني الكلاسيكي صعباً بشكل متزايد.
• الهضاب القاحلة (Barren Plateaus): غالباً ما تعاني الدوائر العميقة من "الهضاب القاحلة"، حيث تتلاشى التدرجات أسياً، مما يجعل تدريب زوايا الدائرة أمراً مستعصياً.
• القيود الأديباتية (اللاأديباتية): بينما توفر الحوسبة الكمية الأديباتية (AQC) ضمانات نظرية، فإن إيجاد الجدول الزمني الأمثل للتبديل يتطلب معرفة الفجوة الطيفية اللحظية، وهو أمر مستعصٍ حسابياً لحساب الأنظمة الكبيرة بسبب الحجم الأسي لمصفوفة الهاملتونيان.

تشير الدراسات التجريبية الحديثة إلى أن زوايا QAOA المثلى تظهر تركيزاً وقابلية للنقل عبر أحجام المشكلات المختلفة. تهدف هذه الورقة إلى الاستفادة من هذه الملاحظة لإنشاء استراتيجية تحسين قابلة للتوسع.

2. المنهجية

يقترح المؤلفون إطار عمل لتعلم الجدول الزمني يقوم بنقل استراتيجيات التحكم الأديباتي المستندة إلى الفجوة الطيفية من النماذج صغيرة النطاق إلى الأنظمة الأكبر. تتكون المنهجية من ثلاث مراحل رئيسية:

أ. مرحلة التعلم (النطاق الصغير)

• الهدف: نماذج صغيرة (مثل $n=10$ كيوبت) حيث يكون التشخيص الدقيق (exact diagonalization) ممكناً.
• العملية: يقوم المؤلفون بحساب الفجوة الطيفية اللحظية $g(s) = E_1(s) - E_0(s)$ عبر مسار التبديل $s \in [0, 1]$.
• ملف الفجوة: يقومون بتحليل توزيع الفجوات (المتوسط والوسيط) عبر 1,000 نموذج عشوائي من نوع QUBO. يتم مطابقة هذه الملفات باستخدام منحنيات بيزييه (Bézier curves) لإنشاء تمثيل مستمر وتحليلي لدالة الفجوة $g(s)$.

ب. بناء الجدول الزمني

بدلاً من تحسين الزوايا المنفصلة، تقوم الطريقة ببناء جدول زمني أديباتي مستمر $s(t)$ محكوم بالفجوة الطيفية. بناءً على النظرية الأديباتية، يجب أن يكون سرعة التطور المستمر $ds/dt$ متناسباً مع قوة الفجوة:
$$\frac{ds}{dt} = \kappa g^q(s)$$
حيث أن:

• $g(s)$ هو ملف الفجوة المتعلم.
• $\kappa$ هو ثابت التناسب (مرتبط بإجمالي وقت التشغيل).
• $q$ هو أس القوة (عادة ما يكون $1 \le q \le 2$).

ج. التقطيع إلى QAOA

يتم رسم الجدول الزمني المستمر على دائرة QAOA المنفصلة عبر عملية "تروتريتة" (Trotterization):

1. يتم تقطيع المسار $s \in [0, 1]$ إلى $p$ من الخطوات.
2. يتم تقريب التكامل المستمر لتطور الهاملتونيان كحاصل ضرب الدوال الأسية.
3. الزوايا ذات الصيغة المغلقة: من خلال مطابقة الحدود، يتم اشتقاق الزوايا التباينية للطبقة $k$ كالتالي:
   $$\gamma_k = \frac{s_k \delta s}{\kappa g^q(s_k)}, \quad \beta_k = \frac{(1-s_k) \delta s}{\kappa g^q(s_k)}$$
   حيث $s_k$ هو موضع الخطوة و $\delta s = 1/p$.

الابتكار الرئيسي: يقلل هذا الربط من مهمة التحسين الكلاسيكي من البحث عن $2p$ من المعلمات المستقلة إلى تحسين معلمتين فائقتي (hyperparameters) عالميتين فقط ($\kappa$ و $q$)، بغض النظر عن عمق الدائرة $p$.

3. المساهمات الرئيسية

• ضغط المعلمات: يقلص إطار العمل أبعاد مشكلة التحسين الكلاسيكي من $O(p)$ إلى $O(1)$، مما يلغي فعلياً الحاجة إلى التحسين التبايني لكل طبقة.
• قابلية النقل: يثبت أنه يمكن نقل ملفات الفجوة الطيفية المتعلمة من الأنظمة الصغيرة ($n=10$) بنجاح إلى الأنظمة الأكبر ($n=20$) لتوليد جداول زمنية عالية الجودة.
• التخفيف من الهضاب القاحلة: من خلال تقليل مساحة المعلمات بشكل جذري، تقلل الطريقة من الحساسية تجاه الهضاب القاحلة، مما يوفر إجراء تدريب أكثر استقراراً للدوائر العميقة.
• العمومية: المنهج قابل للتطبيق على مختلف المشكلات التوليفية، بما في ذلك MaxCut وصيغ QUBO العامة.

4. النتائج التجريبية

تحقق المؤلفون من صحة الطريقة باستخدام محاكاة عددية على Qiskit لـ $n=20$ كيوبت عبر ثلاث فئات من المشكلات:

1. MaxCut غير موزون ثلاثي الانتظام (3-regular unweighted MaxCut).
2. MaxCut موزون ثلاثي الانتظام (3-regular weighted MaxCut).
3. مشكلات QUBO العشوائية.

النتائج:

• نسب التقريب: حققت الاستدلالات المستندة إلى الفجوة (سواء نسخة متوسط الفجوة أو وسيط الفجوة) باستمرار نسب تقريب أعلى من QAOA التقليدية ("vanilla")، خاصة في حالات MaxCut الموزونة ومشكلات QUBO العشوائية.
• توسع العمق: مع زيادة عدد الطبقات $p$، تحسن أداء الطريقة المقترحة بشكل رتيب واقترب من حالة التشبع. في المقابل، أظهرت خوارزمية QA التقليدية تبايناً عالياً وتحسناً محدوداً مع زيادة العمق.
• استقرار المعلمات الفائقة: استقرت القيم المثلى لـ $\kappa$ و $q$ مع زيادة $p$، بينما ظلت زوايا QAOA التقليدية مشتتة.
• مكاسب الأداء:
  • QUBO العشوائي: أظهر أقوى ميزة مقارنة بـ QAOA التقليدية.
  • MaxCut الموزون: أظهر مكاسب ملحوظة تزداد مع العمق.
  • MaxCut غير الموزون: أظهر تحسينات طفيفة، مما يشير إلى أن الطريقة أكثر فائدة للحالات الأكثر تعقيداً والموزونة.

5. الأهمية

يوفر هذا العمل استراتيجية قابلة للتوسع وفعالة في المعلمات لخوارزمية QAOA، مما يسد الفجوة بين الحوسبة الكمية الأديباتية والخوارزميات التباينية.

• الواقعية: يقدم حلاً لـ "عنق الزجاجة في التدريب" الخاص بالخوارزميات التباينية الكمية (VQAs)، مما يجعل دوائر QAOA العميقة قابلة للتنفيذ على الأجهزة الحالية (NISQ) عبر إزالة الحاجة إلى محسنات كلاسيكية معقدة.
• الرؤية النظرية: يؤكد العمل فرضية أن المعلومات الهيكلية (الفجوات الطيفية) المستخرجة من الأنظمة الصغيرة تعمل كنموذج استقرائي مبدئي للأنظمة الكمية الأكبر.
• الاتجاه المستقبلي: تشير المنهجية إلى أن "تعلم" فيزياء المشكلة (عبر ملفات الفجوة) أكثر فعالية من التحسين الأعمى لمعلمات الدائرة، مما يمهد الطريق لخوارزميات تحسين كمية أكثر قوة في عصر الـ NISQ.