Bias Analysis and Regularization of Sequential Minimal Optimization in Variational Quantum Eigensolvers

ملخص تقني: تحليل الانحياز وتنظيم عملية التحسين المتسلسل الأدنى في الخوارزميات الكمومية التباينية لتقدير القيم الذاتية

بيان المشكلة
تُعد خوارزمية حل القيم الذاتية الكمومية التباينية (VQE) خوارزمية هجينة رائدة تجمع بين الحوسبة الكمومية والكلاسيكية لتقريب الحالات الأرضية للمؤثرات الهاملتونية. تقوم إجراءات تحسين محددة، وهي خوارزمية ن actually كانيشي-فوجي-تودو (NFT) (المعروفة أيضاً باسم Rotosolve)، بتنفيذ التحسين المتسلسل الأدنى (SMO) من خلال استغلال الاعتماد المثلثي للطاقة على معاملات الدائرة الكمومية الفردية. يسمك هذا الأمر بإجراء تقليل أدنى أحادي البعد تحليلياً باستخدام عدد قليل فقط من تقييمات الطاقة (عادةً ما يكون تقييمين جديدين بالإضافة إلى تقدير واحد مُعاد استخدامه).

ومع ذلك، فإن هذه الكفاءة تأتي بتكلفة: حيث يؤدي إعادة استخدام الطاقات المقدرة إلى خطأ إحصائي تراكمي. ومع تقدم الخوارمة عبر التكرارات، يتسبب الضجيج الناتج عن عدد القياسات المحدود (shots) في انتشار الخطأ، مما يؤدي إلى تقدير طاقة الحالة الأرضية بأقل من قيمتها الحقيقية بشكل منهجي. وبينما توجد استراتيجيات تجريبية للتخفيف من ذلك — مثل إعادة قياس الحد الأدنى دورياً لـ "إعادة تثبيت" التحسين — إلا أن هذه الطرق تفرض تكاليف قياس إضافية كبيرة. علاوة على ذلك، افتقر التوصيف الدقيق للأصل الرياضي لهذا الانحياز وتأثيره المحدد على ديناميكيات التحسين إلى دراسة منهجية رصينة.

المنهجية
يتناول المؤلفون خطوة تحديث SMO-VQE من منظور الانحدار الخطي البايزي. حيث يقومون بنمذجة مشهد الطاقة أحادي البعد على طول اتجاه المعامل كدالة جيبية بمعاملات مجهولة، حيث تُعامل القياسات كأرصاد تحتوي على ضجيج بتباين "شوت" غاوسي.

1. اشتقاق الانحياز: من خلال تحليل التوزيع البعدي لمعاملات الانحدار، يشتق المؤلفون تعبيراً تحليلياً للانحياز الناتج في كل خطوة تقليل. ويوضحون أن عملية التقليل تؤدي إلى انحياز سلبي منهجي في تقدير الحد الأدنى للطاقة، وهو يتناسب طردياً مع مقلوب نسبة الإشارة إلى الضجيج وانحناء مشهد الطاقة.
2. تراكم الانحياز: تُظهر الدراسة أنه نظرًا لأن التقدير المنحاز من خطوة ما يُعاد استخدامه كنقطة بيانات للخطوة التالية، فإن هذا الانحياز السلبي يتراكم خطياً عبر التكرارات، مما يؤدي إلى تقديرات طاقة غير فيزيائية تقل بكثير عن الحالة الأرضية الحقيقية.
3. رؤية التنظيم (Regularization): من الأهمية بمكان ملاحظة المؤلفين أنه بينما يحسن تصحيح الانحياز الاتساق الإحصائي، فإن إزالة الانحياز تماماً يمكن أن تؤدي إلى زعزعة استقرار التحسين، خاصة في الاتجاهات ذات الانحناء الصغير (مشاهد الطاقة المسطحة). يعمل الانحياز غير المنضبط كمنظم ضمني، مما يزيد فعلياً من نسبة الإشارة إلى الضجيج ويمنع التحديثات الكبيرة والمشوبة بالضجيج التي قد تخرج من القيم الدنيا الجيدة.
4. الخوارزمية المقترحة: بناءً على هذه الرؤى، يقترح المؤلفون طريقة من خطوتين:
   • التصحيح التحليلي: حساب الانحياز باستخدام المقدر التحليلي وطرحه من تقدير الطاقة المُعاد استخدامه للحصول على قيمة غير منحازة.
   • التنظيم المتحكم به: إدخال إزاحة سالبة متحكم بها وتعتمد على الزمن (حد التنظيم $r$) إلى التقدير المصحح قبل إجراء عملية التقليل التالية. تم تصميم هذا الحد ليكون ضعيفاً خلال مرحلة الاستكشاف المبكرة ويزداد تدريجياً أثناء التقارب، ليحاكي التأثير التثبيتي للانحياز الأصلي دون التسبب في نقص منهجي في التقدير.

المساهمات الرئيسية

• التوصيف الرياضي: تقدم الورقة أول توصيف ريافي مفصل لتراكم الانحياز في SMO-VQE، حيث تشتق مقدراً تحليلياً للانحياز يعتمد على تباين "الشوت" والسعة المقدرة لمشهد الطاقة الجيبي.
• التقدير غير المنحاز دون تكلفة إضافية: يثبت المؤلفون أنه يمكن تقدير وتصحيح الانحياز تحليلياً في كل تكرار دون الحاجة إلى قياسات كمومية إضافية، على عكس طرق التثبيت التجريبية السابقة.
• استراتيجية التنظيم: يحدد المؤلفون الطبيعة المزدوجة للانحياز في SMO-VQE: فبينما هو ضار بالدقة، فإنه يوفر تنظيماً ضمنياً. تستفيد الخوارزمية المقترحة من ذلك عبر استبدال تراكم الانحياز غير المنضبط بنظام تنظيم متحكم به وقابل للضبط.
• كفاءة المعلمات الفائقة (Hyperparameter Efficiency): تعتمد الطريقة المقترحة على معلمة ثابتة واحدة ($\tau$) وتُظهر متانة عبر مختلف تكوينات الأنظمة دون الحاجة إلى ضبط واسع النطاق.

النتائج التجريبية
قيم المؤلفون طريقتهم على نموذج "إيسينج" في المجال المستعرض (TFIM) أحادي البعد باستخدام آنسات (ansatz) من نوع EfficientSU(2). اختبرت التجارب تغيير عدد الكيوبتات، طبقات الدائرة، الهاملتونيات المستهدفة (بما في ذلك سلاسل سبين XX و XXZ و XXX)، وعدد قياسات الشوت.

• إزالة الانحياز: نجح التصحيح التحليلي في القضاء على التقدير المنهجي المنخفض للطاقة الذي لوحظ في SMO-VQE المنحاز الأصلي وفي استراتيجية التثبيت الدورية، والتي كانت لا تزال تظهر انحيازات دورية متبقية.
• أداء التحسين: بينما أدى مجرد تصحيح الانحياز (جعل المقدر غير منحاز) إلى تدهور أداء التحسين مقارنة بالأساس المنحاز، فإن الخوارزمية المنظمة المقترحة تفوقت باستمرار على جميع النماذج المرجعية. فقد حققت انحرافات أقل في الطاقة ($\Delta$Energy) ودقة أعلى في الفيدليتي ($\Delta$Fidelity) عبر جميع الإعدادات المختبرة.
• المتانة: أظهرت الطريقة المنظمة أداءً فائقاً حتى عند استخدام عدد أقل من قياسات الشوت لكل مؤثر "باولي" مقارنة بالخوارزمية الأصلية المنحازة التي استخدمت عدداً أكبر من الشوتات. وهذا يشير إلى أن التنظيم يعوض بفعالية الضجيج، خاصة في مشاهد الطاقة المسطحة.

الأهمية والادعاءات
تدعي الورقة أن الخوارزمية المقترحة تقدم تحسيناً عملياً لتحسين VQE على الأجهزة الكمومية ذات المقياس المتوسط المشوبة بالضجيج (NISQ). ومن خلال اشتقاق مقدر تحليلي للانحياز، يمكّن المؤلفون من الحصول على تقدير غير منحاز للطاقة دون زيادة ميزانية القياس الكمومي. وعلاوة على ذلك، من خلال الإدراك بأن الانحياز يلعب دوراً تثبيتياً، قدموا مخطط تنظيم يحافظ على فوائد التقارب للخوارزمية الأصلية مع ضمان بقاء تقديرات الطاقة دقيقة فيزيائياً. تشير النتائج إلى أن الانحياز المتحكم به يمكن أن يكون مبدأ تصميم مفيد لتحسين الأداء في التحسين الكمومي المشوب بالضجيج، مما يوفر بديلاً قوياً للطرق القائمة على التدرج واستراتيجيات التثبيت التجريبية.