Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm

Résumé Technique : Application de la dynamique de Langevin pour faire progresser l'algorithme d'optimisation du Gradient Naturel Quantique

Énoncé du Problème
L'optimisation des circuits quantiques variationnels (VQC) dans les algorithmes hybrides quantiques-classiques, tels que le VQE (Variational Quantum Eigensolver) et le QAOA (Quantum Approximate Optimization Algorithm), souffre souvent du problème de la « surparamétrisation ». Bien que l'algorithme du Gradient Naturel Quantique (QNG) ait été proposé pour atténuer ce problème en utilisant le Tenseur Géométrique Quantique (QGT) afin de définir une direction de descente invariante par reparamétrage, l'algorithme QNG de base peine fréquemment face aux paysages de perte non convexes. Plus précisément, il a tendance à rester piégé dans des minima locaux, des points de selle et des plateaux, ce qui limite son efficacité dans les tâches d'optimisation complexes.

Méthodologie
Les auteurs proposent un nouvel algorithme d'optimisation, le Momentum-QNG, dérivé de l'application de la dynamique de Langevin au cadre du QNG.

• Dérivation Théorique : L'étude commence par modéliser le processus d'optimisation comme la solution en temps discret de l'équation de Langevin. En introduisant un terme de force stochastique basé sur le gradient QNG ($\hat{f} = -g^{-1}(\theta)\nabla L(\theta)$) et en incorporant un terme de friction visqueuse, les auteurs dérivent une règle de mise à jour discrète.
• Formulation de l'Algorithme : La règle de mise à jour résultante est :
  $$\Delta\theta_{n+1} = \rho\Delta\theta_n - \eta \cdot g^{-1}(\theta_n)\nabla L(\theta_n)$$
  Ici, $\rho$ agit comme un coefficient de momentum dérivé du coefficient de friction, et $\eta$ est le taux d'apprentissage. Cette formulation généralise le QNG de base (qui est récupéré lorsque $\rho=0$) en ajoutant un terme d'inertie.
• Mécanisme : Le terme de momentum permet à l'optimiseur d'accumuler de la vitesse, lui permettant ainsi d'échapper aux minima locaux et aux plateaux où les gradients locaux s'annulent. L'analyse théorique (Eq. 17) suggère que la longueur moyenne du saut des paramètres variationnels à proximité d'un extremum augmente avec le coefficient de momentum, facilitant une exploration plus large de l'espace des paramètres.
• Implémentation : L'algorithme a été implémenté dans le package de calcul quantique PennyLane. Le Tenseur Géométrique Quantique a été calculé à l'aide d'une approximation bloc-diagonale avec un coefficient de régularisation $\lambda = 0,5$.

Évaluation Comparative et Résultats
L'algorithme Momentum-QNG a été testé par rapport au QNG de base, au Momentum standard et aux optimiseurs Adam à travers trois problèmes quantiques variationnels distincts :

1. Optimisation de Portefeuille d'Investissement (Modèle de Verre de Spin d'Ising) :

   • Configuration : Optimisation VQE pour $N=6, 11, 12$ qubits.
   • Résultats : Les optimiseurs amendés par le momentum (Momentum-QNG, Momentum, Adam) ont nettement surpassé le QNG de base en termes de convergence de l'énergie ($\Delta E$). Bien que le QNG de base ait montré la vitesse de convergence la plus rapide, il a entraîné l'écart énergétique (misfit) le plus élevé. Adam a démontré la performance la plus robuste avec le domaine de convergence le plus large.

2. Modèle de Sherrington-Kirkpatrick (SK) Quantique :

   • Configuration : Minimisation de l'énergie de l'état fondamental pour $N=8$ qubits sous des champs transverses ($g$) variables.
   • Résultats : La performance variait selon le régime :
     • Pour les champs forts ($g=0,1$), le QNG de base a atteint l'erreur la plus faible, ce qui est cohérent avec les découvertes précédentes.
     • Pour les champs intermédiaires ($g=10^{-3}$), Momentum et Momentum-QNG ont performé de manière égale.
     • Pour les champs faibles ($g=10^{-5}$), représentant un régime de verre de spin marqué par des minima locaux prononcés, le Momentum-QNG a surpassé tous les autres algorithmes.
   • Observation : Les auteurs attribuent la performance supérieure du Momentum-QNG dans le régime de fort verre de spin à un effet synergique entre le tenseur géométrique quantique et le terme de momentum, permettant à l'algorithme de naviguer plus efficacement dans des paysages énergétiques complexes.

3. Couverture de Sommets Minimum (QAOA) :

   • Configuration : Optimisation sur des graphes avec $N=4$ et $N=8$ sommets.
   • Résultats : Momentum-QNG, Momentum et Adam ont atteint des ratios de qualité maximaux similaires, surpassant nettement le QNG de base. Adam a maintenu le domaine de convergence le plus large, tandis que Momentum-QNG a performé de manière comparable à Adam dans son domaine.

Contributions Clés

• Dérivation du Momentum-QNG : L'article établit un lien théorique entre la dynamique de Langevin et l'optimisation quantique, dérivant un algorithme QNG généralisé qui incorpore le momentum.
• Validation de la Performance : À travers des tests numériques approfondis, l'étude démonte que l'ajout d'un terme de momentum au QNG améliore la capacité à échapper aux minima locaux et aux plateaux, particulièrement dans les paysages non convexes et surparamétrés.
• Open Source : Les auteurs fournissent le code source de l'algorithme Momentum-QNG pour faciliter la recherche future.

Signification et Revendications
L'article affirme que le Momentum-QNG représente une avancée significative pour l'optimisation des circuits quantiques variationnels, spécifiquement dans les scénarios où le paysage de perte est accidenté et sujet aux minima locaux. Les auteurs soulignent que si le QNG de base est efficace pour les problèmes convexes ou plus simples, l'ajout du terme de momentum est crucial pour naviguer dans les paysages non convexes complexes, typiques des régimes de fort verre de spin et d'autres tâches d'optimisation difficiles. L'étude conclut que la combinaison du tenseur géométrique quantique (pour l'invariance par reparamétrage) et du momentum (pour l'inertie) crée un effet synergique qui améliore la performance d'optimisation dans les régimes quantiques difficiles. Les auteurs restent modestes, notant qu'Adam demeure souvent le plus robuste globalement, mais soulignant que le Momentum-QNG offre un avantage distinct dans des régimes de haute difficulté spécifiques où les autres méthodes basées sur le momentum ne tirent pas pleinement parti de la structure géométrique quantique.