Transferred QAOA Parameters Remember the Penalty Scale: A $\lambda$-Resonance Law for Constrained Quantum Optimization

Resumen Técnico: La transferencia de parámetros en QAOA recuerda la escala de la penalización

Planteamiento del problema
El Algoritmo de Optimización Aproximada Cuántica (QAOA) enfrenta un cuello de botella crítico de escalabilidad: el entrenamiento de los parámetros variacionales $(\beta, \gamma)$ para cada nueva instancia de problema es computacionalmente prohibitivo en hardware de corto alcance debido al "muro de la simulación exacta". La solución estándar es la transferencia de parámetros, donde los ángulos entrenados en instancias pequeñas se reutilizan en otras más grandes. La literatura existente atribuye el éxito de esta transferencia casi exclusivamente a la similitud estructural (por ejemplo, topología de grafo compartida, paridad de grado o composición de subgrafos locales).

Sin embargo, persiste un modo de fallo distintivo en los problemas de optimización con restricciones codificados mediante métodos de penalización. En estos problemas, las restricciones se imponen añadiendo un término de penalización $\lambda v(x)$ a la función de costo, donde $v(x)$ es un conteo entero de violaciones y $\lambda$ es un peso escalar. Los profesionales observan que la transferencia de ángulos entrenados suele fallar de forma impredecible cuando la instancia de despliegue utiliza un peso de penalización $\lambda$ diferente al de la instancia de entrenamiento, incluso si las propiedades estructurales son idénticas. Las explicaciones actuales tratan esto como un problema de ajuste "energético" (el equilibrio entre la señal del objetivo y la penalización de la restricción), pero no logran explicar la sensibilidad no monotónica específica respecto a $\lambda$.

Metodología y marco teórico
Este artículo postula que la transferibilidad de los parámetros de QAOA en formulaciones basadas en penalizaciones está gobernada no por la estructura o la energía, sino por la interferencia cuántica. Los autores derivan una caracterización matemática rigurosa de la masa de probabilidad factible $F(\lambda)$ como una función del peso de la penalización $\lambda$, asumiendo ángulos entrenados fijos.

1. Expansión de trayectoria y factorización de fase:
   Los autores expanden la amplitud del estado QAOA en una suma sobre trayectorias de la base computacional. Demuestran que para cualquier trayectoria con una secuencia específica de conteos de violación $v = (v_1, \dots, v_p)$, la dependencia de $\lambda$ entra exclusivamente como un factor de fase global $e^{-i\lambda \sum_k \gamma_k v_k}$.
2. El Teorema de Resonancia de $\lambda$:
   Al elevar la amplitud al cuadrado para obtener la probabilidad $F(\lambda)$, los autores demuestran que $F(\lambda)$ es un polinomio trigonométrico real finito en $\lambda$.
   • Soporte Espectral: Las frecuencias angulares $\omega$ de este polinomio residen en una red entera generada por los parámetros $\gamma$ entrenados: $\Omega = \{ \sum_{k=1}^p \gamma_k m_k \mid m_k \in \mathbb{Z}, |m_k| \le v_{\max} \}$.
   • Independencia: Este resultado se mantiene independientemente de cómo se obtuvieron los ángulos (descenso de gradiente, aleatorios, etc.) y es independiente de la función objetivo $C(x)$, basándose únicamente en la integridad del conteo de violaciones $v(x)$.

Contribuciones clave
El artículo establece tres contribuciones teóricas y empíricas principales:

1. Comportamiento de Resonancia: La factibilidad de la transferencia no es monótona con respecto a $\lambda$. En su lugar, exhibe un pico de resonancia donde la penalización de despliegue $\lambda_{deploy}$ coincide con la de entrenamiento $\lambda_{train}$. Desviarse de esta coincidencia causa una interferencia destructiva entre los "canales de historial de violación", suprimiendo rápidamente la probabilidad de encontrar soluciones factibles.
2. Ley de Escala de Ancho: El ancho del pico de resonancia está acotado inferiormente por la desigualdad de Bernstein. El ancho mínimo escala como $1 / (v_{\max} \sum_k |\gamma_k|)$.
   • Implicación: Los conjuntos de ángulos "afilados" (gran $\sum |\gamma_k|$) producen resonancias estrechas y frágiles. Los conjuntos de ángulos "romos" (pequeño $\sum |\gamma_k|$) producen mesetas anchas y robustas que toleran mejor la deriva de calibración y las variaciones de la instancia.
3. Fenómenos de Reviviscencia: Debido a que las frecuencias residen en una red discreta, el patrón de interferencia es cuasi-periódico. El artículo predice y observa "picos de reviviscencia" en espaciamientos específicos $\Delta \lambda \approx 2\pi / \gamma_k$, donde la factibilidad se recupera incluso si $\lambda$ está significativamente desintonizado del valor de entrenamiento.

Resultados experimentales
Los autores validan estas predicciones utilizando simulaciones de estado vectorial exacto en un QUBO de asignación de recursos multiusuario de 20 qubits (6 grupos de restricciones, $v_{\max}=6$).

• Configuración: Se probaron dos conjuntos de ángulos distintos entrenados en la misma instancia en $\lambda_0 \approx 2.2$: un conjunto "afilado" ($\sum |\gamma_k| \approx 4.29$) y uno "romo" ($\sum |\gamma_k| \approx 0.61$).
• Localización del Pico: Ambos conjuntos alcanzaron su máximo en $\lambda \approx \lambda_0$, confirmando la hipótesis de resonancia.
• Escala de Ancho: El conjunto "romo" exhibió un ancho de resonancia aproximadamente 5.4 veces más ancho que el del conjunto "afilado", consistente con la relación predicha de sus presupuestos de fase.
• Reviviscencias: El conjunto "afilado" mostró claros picos de reviviscencia en $\lambda_0 \pm 2\pi/\gamma_1$ (aprox. 0.41 y 3.99), mientras que el conjunto "romo" no mostró reviviscencias dentro de la ventana probada.
• Huella Espectral: Un análisis espectral de mínimos cuadrados de $F(\lambda)$ para el conjunto afilado reveló líneas de frecuencia que coinciden exactamente con la red entera generada por los valores $\gamma$ entrenados, proporcionando una "prueba decisiva" que descarta las explicaciones energéticas o estructurales.

Significado y Reclamaciones
El artículo afirma que recategoriza un modo de fallo ampliamente reportado de la penalización en QAOA de un "problema de ajuste energético" a un fenómeno de interferencia de fase determinista y predecible.

• Cambio de Paradigma: Los autores argumentan que la literatura de transferencia (centrada en la estructura) y la literatura de penalización (centrada en la energía) han pasado por alto el eje de la "interferencia". Los ángulos entrenados memorizan efectivamente el patrón de fase específico del peso de la penalización de entrenamiento.
• Protocolo Práctico: El artículo propone dos protocolos de coste cero para profesionales:
  1. Coincidencia de $\lambda$ ($\lambda$-Matching): Al transferir parámetros, el peso de la penalización de despliegue debe coincidir con el peso de entrenamiento del donante. Heurísticamente, aumentar $\lambda$ "por seguridad" es contraproducente, ya que desintoniza la resonancia.
  2. Donantes Romos (Blunt Donors): Entre los óptimos casi degenerados, se deben preferir las soluciones con $\sum |\gamma_k|$ pequeño (bajo presupuesto de fase). Estos donantes "romos" ofrecen anchos de resonancia significativamente mayores, lo que los hace más robustos a la deriva de calibración y al escalado de la instancia.
• Advertencia de Escalabilidad: A medida que aumenta el tamaño del problema, $v_{\max}$ crece, lo que provoca que el ancho de la resonancia se reduzca ($1/v_{\max}$). Esto implica que la coincidencia estricta de $\lambda$ se vuelve innegociable para problemas de gran escala, ya que la tolerancia para el desajuste desaparece.

El artículo concluye que el colapso "impredecible" de la factibilidad durante la transferencia es, en realidad, un desajuste espectral predecible, y que la "solución" no es el reentrenamiento o el alineamiento estructural, sino la coincidencia precisa de parámetros y la selección de conjuntos de ángulos con bajo presupuesto de fase.