Genetic optimization of ansatz expressibility for enhanced variational quantum algorithm performance

Cet article propose un cadre inspiré des algorithmes génétiques pour concevoir des ansatzes variatioels optimisés qui allient une grande expressibilité à une profondeur réduite, offrant ainsi une solution évolutive et agnostique au problème pour améliorer les performances des algorithmes quantiques sur les dispositifs actuels.

L'essentiel

🌌 Le Grand Défi : Construire un Moteur pour l'Inconnu

Imaginez que vous êtes un architecte chargé de construire une maison (un algorithme) pour un terrain très spécial et instable : l'ordinateur quantique. Ces ordinateurs sont puissants, mais ils sont aussi très fragiles, comme des châteaux de cartes dans un vent violent (le "bruit").

Pour résoudre des problèmes complexes (comme créer de nouveaux médicaments ou optimiser le trafic), nous devons utiliser une méthode appelée VQE (Variational Quantum Eigensolver). Le cœur de cette méthode est l'ansatz.

L'ansatz, c'est quoi ?
C'est le plan de la maison, ou plus précisément, le moteur que nous allons installer dans l'ordinateur quantique.

• Si le moteur est trop simple, il ne peut pas faire grand-chose (il manque de "puissance" ou d'expressibilité).
• Si le moteur est trop complexe, il est si lourd et compliqué qu'il tombe en panne avant même de démarrer à cause du vent (il manque de faisabilité ou de "trainabilité").

Le problème actuel ? Les ingénieurs passent des heures à dessiner ces moteurs à la main, et souvent, ils ne sont ni assez puissants ni assez robustes.

---

🧬 La Solution : L'Évolution par "Sélection Naturelle"

C'est ici que les auteurs de ce papier, Manish, Ronit et Ankur, apportent une idée géniale. Au lieu de dessiner un moteur à la main, ils utilisent un algorithme génétique.

Imaginez une boîte remplie de milliers de petits robots (des circuits quantiques) très différents les uns des autres. Certains sont mal faits, d'autres sont bizarres.

Voici comment leur méthode fonctionne, étape par étape :

1. La Naissance (Initialisation) : Ils créent une population de circuits aléatoires. C'est comme si on laissait des milliers d'artistes dessiner des plans de maison au hasard.
2. Le Concours de Performance (Fitness) : Ils testent chaque circuit. Le but est de voir lequel est le plus "expressif", c'est-à-dire capable de représenter le plus grand nombre de situations différentes.
   • L'analogie : Imaginez que vous demandez à chaque robot de danser. Ceux qui peuvent faire le plus de mouvements différents et complexes gagnent des points.
3. La Sélection (Survie du plus apte) : Les robots qui dansent le mieux sont choisis comme "parents". Les mauvais sont éliminés.
4. Le Croisement et la Mutation (Reproduction) :
   • Croisement : On prend la moitié du plan du robot A et l'autre moitié du robot B pour créer un "bébé" robot.
   • Mutation : On change un petit détail au hasard (comme changer une porte en fenêtre) pour voir si cela améliore la danse.
5. La Répétition : On recommence ce processus pendant 10 générations. À chaque tour, les robots deviennent de meilleurs danseurs.

---

🏆 Le Résultat : Un Moteur Universel et Économe

Ce que cette équipe a découvert est fascinant :

• L'Équilibre Parfait : En utilisant cette méthode d'évolution, ils ont trouvé des circuits qui sont à la fois puissants (ils peuvent résoudre des problèmes complexes) et légers (ils ne sont pas trop profonds, donc ils résistent mieux au bruit des ordinateurs quantiques actuels).
• Le "Couteau Suisse" : Habituellement, il faut redessiner un moteur spécifique pour chaque nouveau problème (une molécule d'eau, un atome de lithium, etc.). Ici, ils ont créé un seul circuit "générique" qui fonctionne pour presque tout !
  • L'analogie : Au lieu de fabriquer un tournevis pour chaque vis, ils ont créé un tournevis intelligent qui s'adapte à toutes les vis. Une fois le circuit trouvé, on n'a plus besoin de faire évoluer l'algorithme ; on l'utilise simplement pour différents problèmes en ajustant juste quelques boutons (les paramètres).

📊 Pourquoi c'est important ?

Dans le monde réel, les ordinateurs quantiques actuels sont bruyants et limités.

• Les méthodes précédentes (comme UCCSD) créaient des circuits énormes, comme des camions de pompiers : très puissants, mais trop lourds pour les routes étroites des ordinateurs actuels.
• La méthode de cette équipe crée des circuits comme des vélos électriques : légers, rapides, capables de grimper des côtes (résoudre des problèmes) et qui ne tombent pas en panne à cause du vent (le bruit).

En Résumé

Ces chercheurs ont utilisé une sélection naturelle numérique pour faire évoluer des circuits quantiques. Ils ont prouvé qu'on peut créer des "moteurs" universels, légers et puissants, capables de fonctionner sur les ordinateurs quantiques d'aujourd'hui, sans avoir besoin de les redessiner à chaque fois. C'est une étape majeure pour rendre l'informatique quantique utile dans la vraie vie, que ce soit pour la chimie, la médecine ou l'optimisation.

Résumé technique

1. Problématique

Les algorithmes quantiques variationnels (VQA), tels que l'algorithme de résolution variationnelle de valeurs propres (VQE), sont considérés comme la voie la plus prometteuse pour exploiter les dispositifs quantiques à l'échelle intermédiaire bruyante (NISQ). Cependant, leur performance est intrinsèquement limitée par le choix de l'ansatz (le circuit quantique paramétré).

Il existe un compromis fondamental (trade-off) difficile à gérer :

• Expressibilité : La capacité de l'ansatz à explorer l'espace de Hilbert et à représenter fidèlement l'état quantique cible. Une expressibilité élevée nécessite généralement des circuits profonds avec de nombreuses portes.
• Trainabilité : La facilité avec laquelle les paramètres du circuit peuvent être optimisés. Les circuits trop profonds souffrent de phénomènes comme les « plateaux stériles » (barren plateaus), où les gradients deviennent exponentiellement petits, rendant l'optimisation impossible, et sont plus sensibles au bruit.

Les méthodes actuelles de conception d'ansatz (comme UCCSD ou ADAPT-VQE) sont soit fixes et coûteuses en ressources (UCCSD), soit adaptatives mais gourmandes en calculs classiques à chaque itération (ADAPT-VQE). Il manque une solution générique, évolutive et économe en ressources capable de trouver un équilibre optimal entre expressibilité et profondeur de circuit.

2. Méthodologie

Les auteurs proposent un cadre d'optimisation basé sur un algorithme génétique (GA) pour concevoir automatiquement des ansatze. L'approche est agnostique au problème spécifique et vise à générer une fois pour toutes un circuit réutilisable.

Principes clés de l'algorithme :

• Représentation (Encodage) : Chaque individu de la population est un circuit quantique unique, codé comme une séquence de portes (génome). Les gènes correspondent aux portes (RX, RY, RZ, H, CNOT) et à leurs paramètres.
• Fonction de Fitness (Évaluation) : La qualité d'un individu est mesurée par son expressibilité. Celle-ci est quantifiée en calculant la divergence de Jensen-Shannon (JSD) entre la distribution des fidélités de paires d'états générés par le circuit et la distribution de Haar (représentant une exploration uniforme de l'espace de Hilbert). Une JSD plus faible indique une meilleure expressibilité.
• Opérations Évolutives :
  • Sélection : Les circuits les plus expressifs (JSD la plus basse) sont sélectionnés comme parents.
  • Croisement (Crossover) : Les séquences de portes des parents sont combinées (par points uniques ou multiples) pour créer de nouveaux circuits.
  • Mutation : Des portes aléatoires sont remplacées ou leur ordre modifié pour maintenir la diversité génétique.
• Contraintes : L'optimisation se déroule sous des contraintes fixes de profondeur de circuit et de nombre de qubits.

Stratégie de généralisation :
Au lieu de concevoir un nouvel ansatz pour chaque Hamiltonien, le cadre génère un circuit optimisé une seule fois. Ce circuit est ensuite réutilisé pour différents systèmes (moléculaires ou de spins) en n'optimisant que les paramètres classiques, évitant ainsi le surcoût computationnel de la recherche d'architecture à chaque nouveau problème.

3. Contributions Clés

1. Cadre de conception d'ansatz agnostique : Introduction d'une méthode basée sur le GA qui produit des circuits hautement expressifs et peu profonds, indépendamment du Hamiltonien cible.
2. Optimisation de l'expressibilité sous contrainte de profondeur : Démonstration qu'il est possible d'atteindre une saturation d'expressibilité avec une profondeur de circuit linéaire par rapport au nombre de qubits ($\approx 2n$), évitant ainsi les circuits excessivement profonds.
3. Analyse comparative des ensembles de portes : Identification que certains ensembles de portes (notamment ceux imposant une connectivité CNOT sur les qubits voisins) offrent un meilleur compromis entre expressibilité et efficacité des ressources.
4. Réduction du surcoût classique : La méthode amortit le coût classique de la recherche d'architecture en générant un circuit réutilisable pour une large gamme de problèmes, contrairement aux méthodes adaptatives qui nécessitent une recherche continue.

4. Résultats

Les auteurs ont évalué leur approche sur plusieurs benchmarks :

• Convergence de l'algorithme : L'expressibilité sature généralement après 10 générations, indiquant que l'optimisation est rapide et efficace.
• Relation Profondeur/Expressibilité : L'expressibilité augmente avec la profondeur jusqu'à un point de saturation. Pour $n$ qubits, une profondeur d'environ $2n$ suffit pour atteindre une expressibilité optimale.
• Performance sur VQE (Modèle d'Ising et Molécules) :
  • Les ansatze générés par le GA ont été testés sur le modèle d'Ising en champ transverse (TFIM) et sur des molécules ($H_2$, $LiH$, $BeH_2$, $H_2O$).
  • Précision : Les résultats montrent des erreurs d'énergie très faibles, comparables aux méthodes de référence UCCSD et ADAPT-VQE. Par exemple, pour $LiH$, $BeH_2$ et $H_2O$, l'ansatz GA atteint une précision chimique avec une profondeur maximale de 48, contre plus de 1400 pour UCCSD et 200-300 pour ADAPT-VQE.
  • Robustesse au bruit : Dans des simulations bruitées (modèle IBM), l'ansatz GA (plus peu profond) montre une meilleure résilience au bruit et converge vers une énergie plus proche de l'état fondamental exact que l'ansatz ADAPT.
• Efficacité des ressources : L'ensemble de portes « E » (sans portes Hadamard initiales et avec une connectivité spécifique) a démontré le meilleur équilibre, offrant une haute expressibilité avec un nombre minimal de portes paramétrées ($O(n^2)$ contre $O(n^3)$ pour UCCSD).

5. Signification et Impact

Ce travail démontre que l'optimisation par algorithmes génétiques est une stratégie viable pour développer des ansatze pratiques pour les dispositifs quantiques NISQ.

• Passage de la conception spécifique à la conception générale : La capacité à réutiliser un même circuit optimisé pour divers Hamiltoniens simplifie considérablement le flux de travail des VQA.
• Équilibre optimal : La méthode résout efficacement le compromis expressibilité/trainabilité, produisant des circuits qui sont à la fois suffisamment riches pour représenter les états complexes et suffisamment courts pour être exécutés sur du matériel bruyant sans souffrir de plateaux stériles.
• Évolutivité : En réduisant la profondeur des circuits et le nombre de paramètres, cette approche rend les simulations quantiques de chimie et de physique de la matière condensée plus accessibles et réalisables sur les ordinateurs quantiques actuels.

En conclusion, les auteurs fournissent un algorithme de conception d'ansatz qui ne sacrifie pas la précision au profit de l'efficacité des ressources, offrant une voie prometteuse pour l'application pratique des algorithmes variationnels.