Accelerating Quantum Eigensolver Algorithms With Machine Learning

Diese Arbeit untersucht den Einsatz von auf klassischen Daten trainierten XGBoost-basierten Machine-Learning-Modellen zur Vorhersage von Hyperparametern, um Quantum-Eigensolver-Algorithmen auf NISQ-Geräten zu beschleunigen, wobei eine Fehlerreduktion von 0,12 % bei 28-Qubit-Systemen erreicht wird, gleichzeitig aber die Notwendigkeit einer weiteren Verfeinerung der Trainingsdaten für kleinere Systeme hervorgehoben wird.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, den tiefsten Punkt in einem riesigen, nebligen Gebirge zu finden. Dieser tiefste Punkt repräsentiert die stabilste, „grundzustands"-Energie eines komplexen Moleküls. In der Welt des Quantencomputings ist das Finden dieses Punkts entscheidend für die Entwicklung neuer Medikamente oder Materialien, doch das Terrain ist so zerklüftet und der Nebel so dicht, dass es unglaublich schwer ist, sich darin zurechtzufinden.

Dieser Artikel beschreibt ein Team von Forschern, das versuchte, ein intelligentes GPS zu bauen, um Quantencomputern zu helfen, diesen tiefsten Punkt schneller und genauer zu finden.

Hier ist die Geschichte ihrer Reise, aufgeschlüsselt in einfache Konzepte:

1. Das Problem: Das laute Quantenauto

Die Forscher arbeiten mit NISQ-Geräten. Stellen Sie sich diese als „Noisy Intermediate-Scale Quantum"-Computer vor.

• Die Analogie: Stellen Sie sich ein sehr leistungsstarkes Sportauto (den Quantencomputer) vor, das derzeit in einer Garage gebaut wird. Es hat viel Pferdestärke (Qubits), aber der Motor stottert, die Reifen sind abgefahren und das Lenkrad ist locker (Rauschen). Es ist noch nicht bereit für ein Querfeldeinrennen (fehlertolerantes Computing), kann aber immer noch um den Block fahren.
• Die Herausforderung: Um das beste Ergebnis aus diesem stotternden Auto zu erzielen, müssen Sie den Motor perfekt abstimmen. Diese „Stellknöpfe" werden Hyperparameter genannt. Wenn Sie sie falsch herum drehen, bleibt das Auto stehen oder fährt im Kreis. Wenn Sie sie genau richtig drehen, könnte es das Rennen tatsächlich gewinnen.

2. Die Lösung: Das „GPS" (Maschinelles Lernen)

Das Team unter der Leitung von Avner Bensoussan und Kollegen entschied sich, Maschinelles Lernen (ML) als GPS einzusetzen. Anstatt zu raten, welche Knöpfe zu drehen sind, wollten sie, dass der Computer die besten Einstellungen basierend auf vergangenen Erfahrungen lernt.

• Die Trainingsphase: Sie konnten nicht sofort auf den großen, schwierigen Bergen (28-Qubit-Systeme) testen, weil der Nebel zu dicht und das Auto zu unzuverlässig war. Also begannen sie auf kleinen, klaren Hügeln (Systeme mit bis zu 16 Qubits).
• Die Datensammlung: Sie fuhren ihr Quantenauto tausende Male über diese kleinen Hügel und zeichneten jede Einstellung auf, die sie versuchten, sowie die Leistung.
• Das Modell: Sie speisten diese Daten in einen „Regressor" (eine Art KI, speziell XGBoost) ein. Stellen Sie sich diese KI als einen Schüler vor, der Tausende von Karten kleiner Hügel studiert und Muster gelernt hat: „Wenn der Hügel wie X aussieht, funktioniert das Drehen des Knopfs auf Y normalerweise am besten."

3. Der Test: Die großen Berge befahren

Sobald der KI-Schüler trainiert war, brachten sie ihn zu den großen, nebligen Bergen (20-, 24- und 28-Qubit-Systeme). Sie ließen die KI nicht das Auto fahren; stattdessen fragten sie die KI: „Basierend auf dem, was Sie auf den kleinen Hügeln gelernt haben, welche sind die besten Einstellungen für diesen großen Berg?"

Sie testeten dies an zwei verschiedenen Arten von Quantenfahrstrategien:

1. ADAPT-QSCI: Eine Methode, die die Lösung Stück für Stück aufbaut, wie beim Zusammenstellen eines Puzzles.
2. QCELS: Eine Methode, die Zeitentwicklung nutzt, wie das Anschauen eines Films des sich verändernden Moleküls über die Zeit, um zu sehen, wo es zur Ruhe kommt.

4. Die Ergebnisse: Ein gemischter Haufen

Die Ergebnisse waren ein wenig wie eine Geschichte von „vielversprechendem Anfang, aber wir brauchen mehr Übung".

• Der Sieg: Auf den größten, schwierigsten Bergen (28-Qubit-Systeme) halfen die von der KI vorgeschlagenen Einstellungen tatsächlich. Sie reduzierten den Fehler (die Entfernung zum wahren tiefsten Punkt) um etwa 0,12 %. Das ist eine kleine Zahl, aber in diesem hochriskanten Spiel zählt jeder Bruchteil eines Prozentpunkts. Es half dem Auto auch, das Rennen schneller zu beenden (weniger benötigte Iterationen).
• Der Kampf: Auf den mittelgroßen Bergen (20 und 24 Qubits) war die KI nicht immer hilfreich. Manchmal machten die von ihr vorgeschlagenen Einstellungen das Auto schlechter fahren, als wenn sie nur die Standardeinstellungen verwendet hätten.
• Das „Warum": Die Forscher stellten fest, dass die KI Schwierigkeiten hatte, weil das „Terrain" der kleinen Hügel (Trainingsdaten) nicht genau dasselbe war wie das der großen Berge. Die KI versuchte, Regeln von einem kleinen Hügel auf eine massive Bergkette anzuwenden, und die Physik wurde zu kompliziert.

5. Das Fazit: Ein Werk im Fortschritt

Der Artikel kommt zu dem Schluss, dass die Verwendung von Maschinellem Lernen zum Abstimmen von Quantencomputern eine machbare Idee ist, aber noch keine Zauberwand.

• Die Kernaussage: Die KI kann gute Einstellungen vorhersagen, muss aber die spezifische „Form" des Problems (den Hamilton-Operator) besser verstehen.
• Zukunftspläne: Das Team plant, die KI mit vielfältigeren Daten zu trainieren und sie vielleicht zu lehren, andere Teile des Quantenalgorithmus zu optimieren, nicht nur die Stellknöpfe.

Zusammenfassend: Die Forscher bauten einen intelligenten Assistenten, der von kleinen Übungsrunden lernte, um ein lautes Quantenauto für größere, schwierigere Probleme zu stimmen. Es funktionierte ein wenig bei den schwierigsten Problemen und bewies, dass das Konzept tragfähig ist, aber der Assistent braucht noch mehr Training, um über alle Arten von Quanten„bergen" hinweg wirklich zuverlässig zu sein.

Technische Zusammenfassung

1. Problemstellung

Das Papier adressiert die Herausforderung der Optimierung von Variational Quantum Algorithms (VQAs) und anderen Quanten-Eigenwertlösern auf Noisy Intermediate-Scale Quantum (NISQ)-Geräten. Insbesondere konzentrieren sich die Autoren auf die Quantum Algorithm Grand Challenge (QAGC2024), bei der die Teilnehmer die Grundzustandsenergie eines 1D-orbital-rotierten Fermi-Hubbard-Modell-Hamiltonians unter strengen Einschränkungen (begrenzte Shots, Zeitlimit und Eingabedaten) mit einem 28-Qubit-System finden mussten.

Kernprobleme:

• Hyperparameter-Empfindlichkeit: Quantenalgorithmen wie ADAPT-QSCI und QCELS sind stark von Hyperparametern abhängig (z. B. Sampling-Shots, Trunkierungsschwellenwerte, Iterationsgrenzen). Schlecht abgestimmte Parameter führen zu suboptimaler Genauigkeit oder übermäßig langer Laufzeit.
• Skalierbarkeit: Die traditionelle Hyperparameter-Optimierung (z. B. Gittersuche) ist für große Systeme (20+ Qubits) aufgrund der hohen Kosten von Quantensimulationen rechnerisch prohibitiv.
• Generalisierung: Es ist unklar, ob Hyperparameter, die für kleine Systeme (z. B. 16 Qubits) optimiert wurden, effektiv auf größere, komplexere Systeme (28 Qubits) skalieren können.

2. Methodik

Die Autoren schlagen AccelerQ vor, ein Framework, das Machine Learning (ML) mit Search-Based Software Engineering integriert, um die Hyperparameter-Optimierung zu automatisieren. Der Ansatz folgt dem Paradigma „train small, predict large" (klein trainieren, groß vorhersagen).

A. Datengenerierung und -anreicherung

• Quelle: Die Daten wurden klassisch unter Verwendung von State-Vector-Simulatoren für Systeme im Bereich von 4 bis 16 Qubits generiert.
• Merkmale (Eingabe): Komprimierte Darstellungen von Hamiltonians (gekürzt, um vernachlässigbare Terme zu entfernen), Systemgröße (Qubit-Anzahl) und zufällige Hyperparameter-Vektoren.
• Labels (Ziel): Die resultierende Grundzustandsenergie (Kostenfunktionswert).
• Anreicherung: Um die Datenknappheit zu überwinden, nutzten die Autoren die zufällige Generierung von Hyperparametern und klassische Simulation, um Trainingsdatensätze mit ca. 4.760 Einträgen für ADAPT-QSCI und ca. 14.510 für QCELS zu erstellen.

B. Machine-Learning-Modell

• Algorithmus: XGBoost (Extreme Gradient Boosting) Regressor.
• Rolle: Das Modell fungiert als Surrogat-Fitnessfunktion. Anstatt für jeden Hyperparameter-Kandidaten teure Quantensimulationen durchzuführen, sagt das XGBoost-Modell den erwarteten Energieniveau (Kosten) basierend auf dem Hamiltonian und den Hyperparametern voraus.
• Training: Die Modelle wurden mit Daten von Systemen mit $\le$ 16 Qubits trainiert.

C. Suchbasierte Optimierung (AccelerQ)

• Prozess:
  1. Generierung einer Population zufälliger Hyperparameter-Vektoren für ein Zielsystem (z. B. 28 Qubits).
  2. Verwendung des trainierten XGBoost-Modells, um den Energiescore für jeden Vektor vorherzusagen.
  3. Anwendung eines Genetischen Algorithmus (GA)-Ansatzes: Auswahl der leistungsstärksten Vektoren, Anwendung von Crossover (Durchschnittswerte, Extremwerte) und Mutation zur Generierung neuer Kandidaten.
  4. Iteration bis zur Konvergenz, um den „optimalen" Hyperparametersatz zu finden.
• Ausführung: Die finalen optimierten Hyperparameter werden auf den tatsächlichen Quantenalgorithmus (ADAPT-QSCI oder QCELS) angewendet, der auf einem Simulator läuft, um die Grundzustandsenergie zu verifizieren.

D. Evaluierte Algorithmen

1. ADAPT-QSCI: Ein adaptiver Algorithmus, der Pauli-Operatoren auswählt, um einen Eingabezustand zu konstruieren, und eine Konfigurationswechselwirkung auf einem klassischen Computer durchführt.
2. QCELS (Quantum Complex Exponential Least Squares): Verwendet Zeitentwicklungs-Unitätsoperatoren und Hadamard-Tests, um komplexe Exponentialfunktionen anzupassen, und vermeidet dabei das „Barren Plateau"-Problem von VQEs.

3. Hauptbeiträge

• AccelerQ-Framework: Ein neuartiges Prototyp-Tool, das die Hyperparameter-Optimierung von der Quanten-Ausführungsschleife entkoppelt, indem es ML-Surrogate verwendet, die auf kleineren Systemen trainiert wurden.
• Algorithmenübergreifende Anwendbarkeit: Es wurde demonstriert, dass der suchbasierte ML-Ansatz nicht auf einen Algorithmus beschränkt ist, sondern sowohl auf ADAPT-QSCI als auch auf QCELS angewendet werden kann.
• Hamiltonian-zentrierte Analyse: Es wurde hervorgehoben, dass der Erfolg der ML-Vorhersage stark von den Eigenschaften des Hamiltonians (z. B. Anzahl der Terme, Sparsamkeit) abhängt und nicht nur vom Algorithmentyp.
• Open-Source-Veröffentlichung: Bereitstellung von Code, Trainingsdaten, Modellen und Ergebnissen über Zenodo und GitHub zur Förderung der Reproduzierbarkeit.

4. Ergebnisse

Die Evaluation wurde an 16 Systemen (20, 24 und 28 Qubits) unter Verwendung sowohl der Challenge-Hamiltonians als auch quelloffener molekularer Hamiltonians durchgeführt.

• Leistung bei Challenge-Hamiltonians (28 Qubits):

  • Genauigkeit: Der ML-optimierte ADAPT-QSCI erreichte eine Reduktion des Fehlers um 0,12 % im Vergleich zu den Standardeinstellungen bei 28-Qubit-Systemen.
  • Effizienz: Optimierte Setup erforderten signifikant weniger Iterationen (Durchschnitt 37 vs. 61 für Standardeinstellungen), was auf eine potenzielle Beschleunigung der Konvergenz hindeutet.
  • QCELS: Zeigte gemischte Ergebnisse; obwohl es den niedrigsten Fehler (0,83 %) bei einem spezifischen 20-Qubit-System erreichte, hatte es Schwierigkeiten mit 28-Qubit-Simulationen aufgrund von Dämpfungseffekten in den Zeitentwicklungsdaten, was zu Anpassungsfehlern führte.

• Leistung bei quelloffenen molekularen Hamiltonians:

  • Verschlechterung: Die optimierten Hyperparameter performten im Allgemeinen schlechter als die Standardeinstellungen für diese Systeme.
  • Ursache: Die Autoren führen dies auf eine Domain-Shift zurück. Quelloffene molekulare Hamiltonians hatten signifikant weniger Terme (Durchschnitt 48) im Vergleich zu den Challenge-Hamiltonians (Durchschnitt 200+). Das ML-Modell, das auf einer Mischung trainiert wurde, die von der Datenstruktur der Challenge dominiert wurde, konnte nicht auf die spärliche Natur molekularer Systeme generalisieren.

• Skalierbarkeit (RQ2):

  • Die Modelle zeigten eine begrenzte Skalierbarkeit. Während sie die Leistung für Systeme mit ähnlichen Hamiltonian-Eigenschaften wie die Trainingsdaten verbesserten, konnten sie nicht auf Systeme mit unterschiedlichen strukturellen Eigenschaften (z. B. Term-Dichte) generalisieren.

5. Bedeutung und zukünftige Arbeiten

• Hybrides Quanten-Klassisches Paradigma: Das Papier untermauert die Machbarkeit der Verwendung klassischen ML zur Optimierung von Quanten-Workflows, wobei das Quantengerät im Kern bleibt, während die „Abstimmungs"-Last an klassische Prozessoren ausgelagert wird.
• Identifizierte Einschränkungen:
  • Datenrepräsentation: Die Komprimierung von Hamiltonians für ML-Eingaben kann kritische physikalische Nuancen verlieren, die für die Generalisierung über verschiedene Systemtypen hinweg erforderlich sind.
  • Simulator-Artefakte: Das Versagen von QCELS bei 28 Qubits war teilweise auf Simulator-Beschränkungen (Matrix Product State-Trunkierungsfehler) und nicht auf den Algorithmus selbst zurückzuführen.
• Zukünftige Richtungen:
  • Verfeinerung der Trainingsdatenauswahl, um eine bessere Abdeckung der Hamiltonian-Eigenschaften (z. B. Term-Dichte, Sparsamkeit) sicherzustellen.
  • Erweiterung des Frameworks zur Optimierung anderer Subroutinen jenseits von Hyperparametern (z. B. Ansatz-Struktur, Messstrategien).
  • Untersuchung benutzerdefinierter Verlustfunktionen und Feature-Gewichtung zur Verbesserung der Modellrobustheit.

Fazit

Das Papier demonstriert erfolgreich, dass Machine Learning Quanten-Eigenwertlöser beschleunigen kann, indem es optimale Hyperparameter vorhersagt, was messbare Verbesserungen in Genauigkeit und Iterationszahlen für spezifische Problemklassen (Fermi-Hubbard-Modelle) ergibt. Die Studie dient jedoch auch als Warnung: Generalisierung ist nicht garantiert. Die Wirksamkeit des ML-Ansatzes ist eng mit der Ähnlichkeit zwischen den Hamiltonian-Eigenschaften der Trainingsdaten und dem Zielsystem verknüpft, was darauf hindeutet, dass zukünftige Arbeiten sich auf Feature-Engineering und Datenvielfalt konzentrieren müssen und nicht nur auf die Modellkomplexität.