Data informed Ansatz Selection for Variational Quantum Circuits

Im aufstrebenden Feld des Quanten-Maschinellen-Lernens versuchen Forscher, Maschinen beizubringen, Muster unter Anwendung der seltsamen Gesetze der Quantenphysik zu erlernen. Anstelle der Standard-Siliziumchips, die in den heutigen Computern zu finden sind, nutzen diese Maschinen Quantenbits, oder Qubits, die gleichzeitig in mehreren Zuständen existieren können. Um diese Maschinen lernen zu lassen, entwerfen Wissenschaftler spezielle Schaltkreise aus Quantengattern, die Informationen verarbeiten. Diese Schaltkreise sind nicht starr, sondern flexible Vorlagen, sogenannte „Ansätze“, die mit Reglern und Stellschrauben ausgestattet sind, an denen man drehen kann, um das Verhalten der Maschine zu verändern. Das Ziel ist es, die perfekte Einstellung für diese Regler zu finden, damit die Maschine Daten präzise klassifizieren kann, wie etwa das Unterscheiden zwischen verschiedenen Arten von Bildern oder Signalen. Das Finden des richtigen Schaltungsdesigns war jedoch bisher ein Ratespiel. Traditionell mussten Forscher viele verschiedene Versionen dieser Schaltkreise bauen, sie ausführen und immer wieder trainieren, um zu sehen, welche davon am besten funktioniert. Dieser Trial-and-Error-Prozess ist unglaublich teuer und langsam und verbraucht enorme Mengen an Rechenleistung, noch bevor ein einziges nützliches Ergebnis produziert wird.

Ein Team von Forschern am Indian Institute of Technology Madras und der Singapore University of Technology and Design hat einen Weg vorgeschlagen, um dieses Ratespiel zu beenden. Sie haben drei einfache Regeln entdeckt, die es Wissenschaftlern ermöglichen, eine spezifische Quantenschaltungsarchitektur für eine bestimmte Aufgabe allein mithilfe der Daten selbst zu entwerfen, ohne eine einzige Trainingssitzung durchführen zu müssen. Ihr Ansatz behandelt den Designprozess eher wie eine diagnostische Untersuchung als wie eine blinde Suche. Indem sie die Struktur der Daten, die sie klassifizieren wollen, genau untersuchen, können sie bestimmen, wie viele Schichten von Gattern benötigt werden, welche Qubits miteinander verknüpft werden müssen und wie das Endergebnis abgelesen wird. Diese Methode ersetzt die Notwendigkeit der massiven, Brute-Force-Suchen, die derzeit das Feld dominieren, durch einen klaren, logischen Pfad zu einer hocheffektiven Lösung.

Die erste Regel adressiert eine grundlegende Frage: Muss der Schaltkreis seine Qubits miteinander verknüpfen? In der Quantencomputerkalkulation ist „Verschränkung“ eine leistungsstarke Verbindung, bei der der Zustand eines Qubits den Zustand eines anderen augenblicklich beeinflusst. Während Verschränkung oft als essenziell für den Quantenvorteil angesehen wird, ist sie auch schwierig zu erzeugen und aufrechtzuerhalten. Die Forscher fanden heraus, dass Verschränkung für viele Aufgaben tatsächlich nicht notwendig ist. Sie entwickelten einen Test, der die mathematischen Muster innerhalb der Daten untersucht. Wenn die Muster der Daten durch einfache, unabhängige Teile beschrieben werden können, zeigt der Test auf, dass ein Schaltkreis ohne Verschränkung ausreichend ist. Wenn die Muster zu komplex und miteinander verwoben sind, identifiziert der Test genau, welche Qubits miteinander verknüpft werden müssen. Dieser diagnostische Schritt findet statt, bevor jegliches Training beginnt, und erspart dem Forscher den Bau teurer Schaltkreise, die entweder zu komplex für die Aufgabe oder zu einfach, um zu funktionieren, sind.

Die zweite Regel löst das Problem der Tiefe, also der Anzahl der Gatterschichten, die der Schaltkreis haben sollte. In der Vergangenheit wurde angenommen, dass das Hinzufügen von mehr Schichten den Schaltkreis intelligenter macht, aber das Hinzufügen zu vieler Schichten kann dazu führen, dass die Maschine ihre Fähigkeit zu lernen verliert, ein Phänomen, das als „Barren Plateau“ bekannt ist. Die Forscher entdeckten ein präzises mathematisches Gesetz, das genau festlegt, wann ein Schaltkreis aufhört, neue unabhängige Bewegungsrichtungen zu gewinnen. Sie fanden heraus, dass die Anzahl der unabhängigen Wege, auf denen sich ein Schaltkreis verändern kann, mit jeder hinzugefügten Schicht stetig wächst, jedoch nur bis zu einem spezifischen Limit, das durch die Art der verwendeten Gatter bestimmt wird. Sobald der Schaltkreis dieses Limit erreicht, sagen die Regeln voraus, dass das Hinzufügen weiterer Schichten keine neuen Richtungen liefert; Experimente zeigten jedoch, dass tiefere Schaltkreise dennoch die Leistung verbessern können, wahrscheinlich weil eine Überparametrisierung den Optimierungsprozess erleichtert. Durch die Berechnung dieses Limits basierend auf den gewählten Gattern können die Forscher eine Tiefe vorschreiben, die die maximale Leistungsfähigkeit erreicht, wobei sie jedoch anmerkten, dass tiefer zu gehen praktisch immer noch Vorteile bieten kann.

Die dritte Regel betrifft die Frage, wie die Maschine ihre eigenen Ergebnisse liest. Nachdem ein Quantenschaltkreis Daten verarbeitet hat, muss er gemessen werden, um ein Endergebnis zu liefern. Die gängigste Methode hierfür ist die Überprüfung nur einer Eigenschaft jedes Qubits, doch die Forscher zeigten, dass dies einen schweren Engpass darstellt. Es ist, als versuche man, ein komplexes Gemälde zu verstehen, indem man nur auf einige wenige, verstreute Pixel blickt. Sie demonstrierten, dass durch die Messung aller möglichen Kombinationen einer bestimmten Eigenschaft über die Qubits hinweg in einem einzigen Durchgang, der Schaltkreis die Hälfte der in seinem Zustand verborgenen Informationen offenbaren kann. Dies ist das maximale Maß an Information, das ein einzelnes Messsetup extrahieren kann. Während diese umfassende Lesemethode theoretisch optimal ist, um Zustandsrichtungen aufzulösen, zeigten Ablationstests am spezifischen verwendeten Datensatz, dass das Weglassen dieser zusätzlichen Messungen die mittlere Genauigkeit unverändert ließ, was darauf hindeutet, dass für diesen speziellen Zielwert die einfachere Auslesung ebenso viele nutzbare Informationen lieferte wie die komplexere.

Um zu beweisen, dass ihre Regeln funktionieren, wandte das Team die Regeln auf einen anspruchsvollen Datensatz namens Madelon an, der tausende von Datenpunkten mit vielen verwirrenden Merkmalen enthält. Unter Verwendung ihrer drei Regeln entwarfen sie eine spezifische Schaltungsarchitektur ohne jegliches Ausprobieren. Die Regeln diktierten ein Design mit sieben kleinen Blöcken aus jeweils drei Qubits, die über drei Schichten laufen und alle möglichen Kombinationen der Ergebnisse auslesen. Dieses Design führte zu einem Klassifikator mit 239 anpassbaren Parametern, der eine Testgenauigkeit von 78,5 Prozent erreichte. Um zu bestätigen, dass ihre Designentscheidungen korrekt waren, führten sie Experimente durch, bei denen sie ihre eigenen Regeln absichtlich brachen. Sie testeten flachere Schaltkreise, kleinere Blöcke und Schaltkreise, die nicht die umfassende Lesemethode verwendeten. In den Fällen der flacheren Schaltkreise und kleineren Blöcke sank die Leistung, was bestätigte, dass ihre Regeln die optimale Konfiguration für diese Einschränkungen korrekt identifiziert hatten. Im Gegensatz zur ursprünglichen Vorhersage, dass der Schaltkreis sein Limit erreicht habe, stellten sie jedoch fest, dass das bloße Hinzufügen weiterer Schichten über die vorgegebene Tiefe hinaus die Genauigkeit verbesserte, was validierte, dass tiefere Schaltkreise zwar auf Basis unabhängiger Richtungen konstruiert werden, aber dennoch von Überparametrisierung profitieren können.

Diese Arbeit stellt eine signifikante Verschiebung in der Herangehensweise an das Quanten-Maschinelle-Lernen dar. Anstatt sich auf teure, automatisierte Suchen zu verlassen, um die Nadel im Heuhaufen zu finden, können Forscher nun die Daten selbst nutzen, um die Karte zu zeichnen. Die Ergebnisse legen nahe, dass für viele Lernaufgaben der beste Schaltkreis nicht zwangsläufig der komplexeste ist, sondern derjenige, der perfekt auf die Struktur der Daten abgestimmt ist. Indem sie die Designentscheidungen vor dem Training festlegen, macht diese Methode die Entwicklung von Quantenalgorithmen schneller, kostengünstiger und zuverlässiger. Obwohl die Regeln derzeit unter idealen, rauschfreien Bedingungen gelten, bilden sie ein solides Fundament für den Aufbau der nächsten Generation von Quantenlernwerkzeugen und verwandeln eine chaotische Suche in eine präzise Wissenschaft.