Pre-optimization of quantum circuits, barren plateaus and classical simulability: tensor networks to unlock the variational quantum eigensolver

Technisches Resümee: Präoptimierung von Quantenschaltkreisen, Barren Plateaus und klassische Simulierbarkeit

Problemstellung
Variationsbasierte Quantenalgorithmen (VQAs), wie der Variational Quantum Eigensolver (VQE), sind vielversprechende Ansätze zur Präparation von Grundzuständen wechselwirkender Vielteilchensysteme. Ihr praktischer Nutzen wird jedoch durch das Problem der „Barren Plateaus“ (BP) behindert, bei denen sich die Energielandschaft mit der Systemgröße exponentiell abflacht, wodurch Gradienten verschwindend klein werden und eine Optimierung unmöglich wird. Während jüngere Arbeiten darauf hindeuten, dass es „fruchtbare Täler“ (fertile valleys) gibt – Regionen im Parameterraum mit nicht verschwindenden Gradienten, die nur polynomiell abfallen –, sind diese Regionen oft auf effektiv klassisch simulierbare Teilräume beschränkt. Die zentrale Herausforderung adressiert zwei Fragen: (1) Können klassische Methoden Quantenschaltkreise effektiv innerhalb dieser trainierbaren Regionen initialisieren, um Barren Plateaus zu vermeiden? Und (2) Bietet ein Quantenprozessor nach der Initialisierung einen Rechenvorteil gegenüber klassischen Simulationen für die weitere Optimierung, oder ist das Problem weiterhin klassisch simulierbar?

Methodik
Die Autoren schlagen eine hybride klassisch-quantenbasierte Strategie vor, die zweidimensionale Tensornetzwerke (TNs), spezifisch Projected Entangled Pair States (PEPS), nutzt, um parametrisierte Quantenschaltkreise (PQCs) zu präoptimieren.

• Klassische Präoptimierung: Die Autoren verwenden PEPS kombiniert mit dem „Simple Update“ (SU)-Algorithmus und automatischer Differenzierung, um PQCs zu optimieren, die darauf ausgelegt sind, den Grundzustand des Transversalen Ising-Modells (TFIM) zu präparieren. Dies ermöglicht die Bestimmung optimaler Parameter ($\theta_{opt}$) für flache (shallow) Schaltkreise.
• Warm-Start-Initialisierung: Diese optimierten Parameter werden verwendet, um tiefere Quantenschaltkreise zu initialisieren. Die verbleibenden Parameter in den tieferen Schichten werden auf Null gesetzt (Identitäts-Initialisierung), was effektiv die TN-optimierte Zustandspräparation in einen tieferen Ansatz einbettet.
• Diagnose der Landschaft: Um die Vermeidung von Barren Plateaus zu verifizieren, untersuchen die Autoren die Energielandschaft um den Warm-Start-Punkt. Sie sampeln Parameter innerhalb eines Hyperkubus mit Radius $r$ um $\theta_{opt}$ und messen die Energievarianz, $\text{Var}(E)$, als Stellvertreter für die Gradientengröße.
• Komplexitätsvergleich: Die Arbeit vergleicht die Skalierung der Kosten der klassischen TN-Simulation gegen die Kosten des Quanten-Samplings. Die klassische Fehlerskalierung wird als $\epsilon_{TN} \propto t^{-\beta}$ gefittet, wobei $t$ die Simulationszeit ist. Dies wird mit der Fehler-Skalierung des Quanten-Samplings $\epsilon_{QC} \propto t^{-1/2}$ verglichen. Ein Quantenvorteil wird beansprucht, wenn der klassische Skalierungsexponent $\beta < 0,5$ ist.

Wesentliche Ergebnisse

• Milderung von Barren Plateaus: Die Studie zeigt, dass die PEPS-Präoptimierung erfolgreich „fruchtbare Täler“ identifiziert. Sowohl für Heavyhex-Topologien (verwendet in Prototypen supraleitender Qubits) als auch für 2D-Quadratgitter-Topologien zeigt die Region mit signifikanten Gradienten ($r_{max}$) um den Warm-Start-Punkt keine exponentielle Schrumpfung mit der Systemgröße oder der Schaltungstiefe. Stattdessen skaliert $r_{max}$ linear mit der Systemgröße und proportional zu $1/\sqrt{D}$.
• Leistung auf verschiedenen Topologien:
  • Heavyhex-Gitter: Die PEPS-Optimierung ist hochwirksam. Für Systeme bis zu 127 Qubits weist die klassische TN-Simulation einen Skalierungsexponenten von $\beta \approx 1,24 - 1,56$ auf. Da $\beta > 0,5$, ist die klassische Methode in diesem Regime effizienter als das Quanten-Sampling, was darauf hindeutet, dass für diese spezifischen Topologien und Tiefen kein unmittelbarer Quantenvorteil besteht.
  • Quadratgitter: Aufgrund höherer Konnektivität und Loop-Korrelationen ist die TN-Kontraktion kostspieliger. Unter Verwendung eines MPS-Boundary-Kontraktionsschemas fanden die Autoren einen Skalierungsexponenten von $\beta \approx 0,15 - 0,17$. Da $\beta < 0,5$, deutet dies auf einen polynomiellen Quantenvorteil gegenüber klassischen TN-Simulationen für diese spezifischen, hoch vernetzten Topologien hin, selbst während Barren Plateaus vermieden werden.
• Tiefe und Initialisierung: Die Erhöhung der präoptimierten Tiefe ($D^*$) von 2 auf 6 Schichten reduzierte die klassische Skalierungseffizienz leicht (erhöhtes $\beta$), eliminierte jedoch nicht die trainierbare Region. Die Strategie ermöglicht die Präparation von Zuständen mit hoher Energienauigkeit selbst für große Systeme jenseits von 1D.

Bedeutung und Ansprüche
Das Paper behauptet, einen gangbaren Weg zur Umgehung von Barren Plateaus in VQAs aufzuzeigen, indem klassische Tensornetzwerke für eine „Warm-Start“-Initialisierung genutzt werden. Die Autoren betonen, dass, während diese Strategie erfolgreich die Optimierung in trainierbare Regionen platziert, die Frage des Quantenvorteils nuanciert und topologieabhängig ist.

• Bescheidene Ansprüche auf Vorteile: Die Autoren geben explizit an, dass die identifizierten „fruchtbaren Täler“ klassisch simulierbar sind. Ein Quantenvorteil ist nicht garantiert; er wird nur für spezifische Topologien (wie das Quadratgitter) beobachtet, bei denen die Kosten der klassischen Kontraktion im Vergleich zum Quanten-Sampling prohibitiv hoch werden.
• Geltungsbereich: Die Arbeit ist im Kontext der variativen Grundzustandspräparation angesiedelt. Die Autoren merken an, dass andere klassische Algorithmen (z. B. DMRG) nicht der primäre Vergleichspunkt waren, sondern vielmehr der spezifische Trade-off zwischen TN-Simulationen und Quantenhardware für dieselbe variationale Aufgabe.
• Zukunftsausblick: Die Autoren schlagen vor, dass der Übergang zu anspruchsvolleren Problemen – wie längerreichweitigen Wechselwirkungen, stärker verschränkten Grundzuständen und stärker vernetzten Gittern – stärkere Quantenvorteile als die in der aktuellen Studie beobachteten liefern könnte. Sie heben zudem hervor, dass ein fairer Vergleich letztlich die Kosten der Gradienten-Evaluierung auf Quantenhardware berücksichtigen muss, welche mit der Anzahl der Parameter skaliert.