Accelerating Quantum Eigensolver Algorithms With Machine Learning

Ce papier étudie l'utilisation de modèles d'apprentissage automatique basés sur XGBoost, entraînés sur des données classiques, pour prédire des hyperparamètres afin d'accélérer les algorithmes de l'Eigensolver quantique sur des dispositifs NISQ, réalisant une réduction de l'erreur de 0,12 % sur des systèmes à 28 qubits tout en soulignant la nécessité d'un affinage supplémentaire des données d'entraînement pour les systèmes plus petits.

L'essentiel

Imaginez que vous essayez de trouver le point le plus bas d'une vaste chaîne de montagnes enveloppée de brouillard. Ce point le plus bas représente l'énergie la plus stable, l'état fondamental, d'une molécule complexe. Dans le monde de l'informatique quantique, trouver ce point est crucial pour concevoir de nouveaux médicaments ou matériaux, mais le terrain est si accidenté et le brouillard si épais qu'il est incroyablement difficile de s'y orienter.

Cet article décrit une équipe de chercheurs qui a tenté de construire un GPS intelligent pour aider les ordinateurs quantiques à trouver ce point le plus bas plus rapidement et plus précisément.

Voici le récit de leur voyage, décomposé en concepts simples :

1. Le Problème : La Voiture Quantique Bruyante

Les chercheurs travaillent avec des dispositifs NISQ. Imaginez-les comme des ordinateurs quantiques « à échelle intermédiaire et bruyants » (Noisy Intermediate-Scale Quantum).

• L'Analogie : Imaginez une voiture de sport très puissante (l'ordinateur quantique) qui est actuellement en cours de construction dans un garage. Elle possède beaucoup de chevaux-vapeur (qubits), mais le moteur crachote, les pneus sont lisses et le volant est mou (bruit). Elle n'est pas prête pour une course transcontinentale (informatique tolérante aux pannes), mais elle peut encore faire le tour du pâté de maisons.
• Le Défi : Pour obtenir le meilleur résultat de cette voiture qui crachote, vous devez régler le moteur parfaitement. Ces « boutons de réglage » sont appelés des hyperparamètres. Si vous les tournez dans la mauvaise direction, la voiture cala ou tourne en rond. Si vous les tournez juste comme il faut, elle pourrait même gagner la course.

2. La Solution : Le « GPS » (Apprentissage Automatique)

L'équipe, dirigée par Avner Bensoussan et ses collègues, a décidé d'utiliser l'Apprentissage Automatique (ML) pour agir comme un GPS. Au lieu de deviner quels boutons tourner, ils voulaient que l'ordinateur apprenne les meilleurs paramètres basés sur des expériences passées.

• La Phase d'Entraînement : Ils ne pouvaient pas tester directement sur les grandes montagnes difficiles (systèmes à 28 qubits) car le brouillard était trop épais et la voiture trop peu fiable. Ils ont donc commencé sur de petites collines claires (systèmes allant jusqu'à 16 qubits).
• La Collecte de Données : Ils ont conduit leur voiture quantique sur ces petites collines des milliers de fois, enregistrant chaque réglage essayé et sa performance.
• Le Modèle : Ils ont alimenté ces données dans un « régresseur » (un type d'IA, spécifiquement XGBoost). Imaginez cette IA comme un étudiant qui a étudié des milliers de cartes de petites collines et a appris des motifs : « Lorsque la colline ressemble à X, tourner le bouton vers Y fonctionne généralement le mieux. »

3. Le Test : Conduire sur les Grandes Montagnes

Une fois l'étudiant IA entraîné, ils l'ont emmené sur les grandes montagnes brumeuses (systèmes à 20, 24 et 28 qubits). Ils n'ont pas laissé l'IA conduire la voiture ; au lieu de cela, ils ont demandé à l'IA : « D'après ce que vous avez appris sur les petites collines, quels sont les meilleurs réglages pour cette grande montagne ? »

Ils ont testé cela sur deux types différents de stratégies de conduite quantique :

1. ADAPT-QSCI : Une méthode qui construit la solution pièce par pièce, comme assembler un puzzle.
2. QCELS : Une méthode qui utilise l'évolution temporelle, comme regarder un film de la molécule changeant au fil du temps pour voir où elle se stabilise.

4. Les Résultats : Un Mélange

Les résultats ressemblaient un peu à une histoire de « début prometteur, mais nous avons besoin de plus de pratique ».

• La Victoire : Sur les plus grandes et plus difficiles montagnes (systèmes à 28 qubits), les réglages suggérés par l'IA ont effectivement aidé. Ils ont réduit l'erreur (la distance par rapport au vrai point le plus bas) d'environ 0,12 %. C'est un petit nombre, mais dans ce jeu à haut risque, chaque fraction de pourcentage compte. Cela a également aidé la voiture à finir la course plus vite (moins d'itérations nécessaires).
• La Lutte : Sur les montagnes de taille moyenne (20 et 24 qubits), l'IA n'a pas toujours été utile. Parfois, les réglages qu'elle suggérait faisaient conduire la voiture pire que s'ils avaient simplement utilisé les paramètres par défaut.
• Le « Pourquoi » : Les chercheurs ont réalisé que l'IA peinait parce que le « terrain » des petites collines (données d'entraînement) n'était pas exactement le même que celui des grandes montagnes. L'IA tentait d'appliquer des règles d'une petite colline à une immense chaîne de montagnes, et la physique devenait trop compliquée.

5. La Conclusion : Un Travail en Cours

L'article conclut que l'utilisation de l'Apprentissage Automatique pour régler les ordinateurs quantiques est une idée viable, mais ce n'est pas encore une baguette magique.

• L'Essentiel : L'IA peut prédire de bons réglages, mais elle doit mieux comprendre la « forme » spécifique du problème (le Hamiltonien).
• Plans Futurs : L'équipe prévoit d'entraîner l'IA sur des données plus diversifiées et peut-être de lui apprendre à optimiser d'autres parties de l'algorithme quantique, pas seulement les boutons de réglage.

En résumé : Les chercheurs ont construit un assistant intelligent qui a appris à partir de petites séances d'entraînement pour aider à régler un ordinateur quantique bruyant pour des problèmes plus grands et plus difficiles. Cela a fonctionné un peu sur les problèmes les plus difficiles, prouvant que le concept est solide, mais l'assistant a encore besoin de plus d'entraînement pour être vraiment fiable sur tous les types de « montagnes » quantiques.

Résumé technique

1. Énoncé du problème

L'article aborde le défi de l'optimisation des algorithmes quantiques variationnels (VQA) et d'autres solveurs d'équations propres quantiques sur des dispositifs NISQ (Noisy Intermediate-Scale Quantum). Plus précisément, les auteurs se concentrent sur le Quantum Algorithm Grand Challenge (QAGC2024), qui demandait aux participants de trouver l'énergie de l'état fondamental d'un hamiltonien de modèle de Fermi-Hubbard à orbitales rotatives en 1D, en utilisant un système de 28 qubits sous des contraintes strictes (nombre limité de tirs, temps d'exécution maximal et données d'entrée).

Problèmes principaux :

• Sensibilité aux hyperparamètres : Les algorithmes quantiques comme ADAPT-QSCI et QCELS dépendent fortement des hyperparamètres (par exemple, nombre de tirs d'échantillonnage, seuils de troncature, limites d'itérations). Des paramètres mal réglés entraînent une précision sous-optimale ou un temps d'exécution excessif.
• Passage à l'échelle : Le réglage traditionnel des hyperparamètres (par exemple, recherche par grille) est prohibitif en termes de calcul pour les grands systèmes (20+ qubits) en raison du coût élevé des simulations quantiques.
• Généralisation : Il est incertain si les hyperparamètres optimisés pour de petits systèmes (par exemple, 16 qubits) peuvent être efficacement mis à l'échelle vers des systèmes plus grands et plus complexes (28 qubits).

2. Méthodologie

Les auteurs proposent AccelerQ, un cadre qui intègre l'apprentissage automatique (ML) et l'ingénierie logicielle basée sur la recherche pour automatiser l'optimisation des hyperparamètres. L'approche suit le paradigme « entraîner petit, prédire grand ».

A. Génération et augmentation des données

• Source : Les données ont été générées classiquement à l'aide de simulateurs de vecteurs d'état pour des systèmes allant de 4 à 16 qubits.
• Caractéristiques (Entrée) : Représentations compressées des hamiltoniens (tronquées pour éliminer les termes négligeables), taille du système (nombre de qubits) et vecteurs d'hyperparamètres aléatoires.
• Étiquettes (Cible) : L'énergie de l'état fondamental résultante (valeur de la fonction de coût).
• Augmentation : Pour surmonter la rareté des données, les auteurs ont utilisé la génération aléatoire d'hyperparamètres et la simulation classique pour créer des ensembles de données d'entraînement d'environ 4 760 enregistrements pour ADAPT-QSCI et environ 14 510 pour QCELS.

B. Modèle d'apprentissage automatique

• Algorithme : Régresseur XGBoost (Extreme Gradient Boosting).
• Rôle : Le modèle agit comme une fonction de fitness de substitution. Au lieu d'exécuter des simulations quantiques coûteuses pour chaque candidat d'hyperparamètre, le modèle XGBoost prédit le niveau d'énergie attendu (coût) basé sur l'hamiltonien et les hyperparamètres.
• Entraînement : Les modèles ont été entraînés sur des données provenant de systèmes $\le$ 16 qubits.

C. Optimisation basée sur la recherche (AccelerQ)

• Processus :
  1. Générer une population de vecteurs d'hyperparamètres aléatoires pour un système cible (par exemple, 28 qubits).
  2. Utiliser le modèle XGBoost entraîné pour prédire le score d'énergie pour chaque vecteur.
  3. Appliquer une approche d'algorithme génétique (AG) : Sélectionner les vecteurs les plus performants, appliquer le croisement (moyenne, extrêmes) et la mutation pour générer de nouveaux candidats.
  4. Itérer jusqu'à convergence pour trouver l'ensemble d'hyperparamètres « optimal ».
• Exécution : Les hyperparamètres optimisés finaux sont appliqués à l'algorithme quantique réel (ADAPT-QSCI ou QCELS) s'exécutant sur un simulateur pour vérifier l'énergie de l'état fondamental.

D. Algorithmes évalués

1. ADAPT-QSCI : Un algorithme adaptatif qui sélectionne des opérateurs de Pauli pour construire un état d'entrée, effectuant une interaction de configuration sur un ordinateur classique.
2. QCELS (Quantum Complex Exponential Least Squares) : Utilise des unitaires d'évolution temporelle et des tests de Hadamard pour ajuster des exponentielles complexes, évitant ainsi le problème des plateaux stériles des VQE.

3. Contributions clés

• Cadre AccelerQ : Un outil prototype novateur qui découple l'optimisation des hyperparamètres de la boucle d'exécution quantique en utilisant des substituts ML entraînés sur de plus petits systèmes.
• Applicabilité inter-algorithmes : Démonstration que l'approche ML basée sur la recherche n'est pas spécifique à un algorithme mais peut être appliquée à la fois à ADAPT-QSCI et à QCELS.
• Analyse centrée sur l'hamiltonien : Mise en évidence du fait que le succès de la prédiction ML dépend fortement des caractéristiques de l'hamiltonien (par exemple, nombre de termes, parcimonie) plutôt que simplement du type d'algorithme.
• Publication en open source : Mise à disposition du code, des données d'entraînement, des modèles et des résultats via Zenodo et GitHub pour faciliter la reproductibilité.

4. Résultats

L'évaluation a été menée sur 16 systèmes (20, 24 et 28 qubits) en utilisant à la fois les hamiltoniens du défi et des hamiltoniens moléculaires open source.

• Performance sur les hamiltoniens du défi (28 qubits) :

  • Précision : L'ADAPT-QSCI optimisé par ML a réalisé une réduction de l'erreur de 0,12 % par rapport aux paramètres par défaut sur les systèmes de 28 qubits.
  • Efficacité : Les configurations optimisées ont nécessité beaucoup moins d'itérations (moyenne de 37 contre 61 pour les paramètres par défaut), suggérant une accélération potentielle de la convergence.
  • QCELS : A montré des résultats mitigés ; bien qu'il ait atteint l'erreur la plus faible (0,83 %) sur un système spécifique de 20 qubits, il a eu des difficultés avec les simulations de 28 qubits en raison d'effets d'amortissement dans les données d'évolution temporelle, entraînant des erreurs d'ajustement.

• Performance sur les hamiltoniens moléculaires open source :

  • Dégradation : Les hyperparamètres optimisés ont généralement performé moins bien que les paramètres par défaut pour ces systèmes.
  • Cause : Les auteurs attribuent cela à un décalage de domaine. Les hamiltoniens moléculaires open source avaient significativement moins de termes (moyenne de 48) par rapport aux hamiltoniens du défi (moyenne de 200+). Le modèle ML, entraîné sur un mélange dominé par la structure des données du défi, n'a pas réussi à se généraliser à la nature parcimonieuse des systèmes moléculaires.

• Passage à l'échelle (RQ2) :

  • Les modèles ont montré une scalabilité limitée. Bien qu'ils aient amélioré les performances pour des systèmes ayant des caractéristiques d'hamiltonien similaires aux données d'entraînement, ils n'ont pas réussi à se généraliser à des systèmes ayant des propriétés structurelles différentes (par exemple, densité de termes).

5. Importance et travaux futurs

• Paradigme hybride quantique-classique : L'article renforce la viabilité de l'utilisation du ML classique pour optimiser les flux de travail quantiques, maintenant le dispositif quantique au cœur tout en déchargeant la charge de « réglage » sur les processeurs classiques.
• Limites identifiées :
  • Représentation des données : La compression des hamiltoniens pour l'entrée ML peut perdre des nuances physiques critiques nécessaires à la généralisation entre différents types de systèmes.
  • Artéfacts du simulateur : L'échec de QCELS à 28 qubits était en partie dû aux limitations du simulateur (erreurs de troncature de l'état produit matriciel) plutôt qu'à l'algorithme lui-même.
• Voies futures :
  • Affiner la sélection des données d'entraînement pour assurer une meilleure couverture des caractéristiques des hamiltoniens (par exemple, densité de termes, parcimonie).
  • Étendre le cadre pour optimiser d'autres sous-routines au-delà des hyperparamètres (par exemple, structure de l'ansatz, stratégies de mesure).
  • Investiguer des fonctions de perte personnalisées et un pondération des caractéristiques pour améliorer la robustesse du modèle.

Conclusion

L'article démontre avec succès que l'apprentissage automatique peut accélérer les solveurs d'équations propres quantiques en prédisant des hyperparamètres optimaux, produisant des améliorations mesurables en précision et en nombre d'itérations pour des classes de problèmes spécifiques (modèles de Fermi-Hubbard). Cependant, l'étude sert également d'avertissement : la généralisation n'est pas garantie. L'efficacité de l'approche ML est étroitement liée à la similarité entre les caractéristiques des hamiltoniens des données d'entraînement et le système cible, suggérant que les travaux futurs doivent se concentrer sur l'ingénierie des caractéristiques et la diversité des données plutôt que sur la complexité du modèle uniquement.