Solving Classical and Quantum Spin Glasses with Deep Boltzmann Quantum States

Cet article présente les états quantiques de Boltzmann profonds, un cadre de réseau neuronal combinant un échantillonnage de Gibbs par blocs efficace avec des stratégies d'entraînement avancées telles que les mises à jour par gradient naturel et l'interpolation de la difficulté du problème, pour résoudre avec succès des modèles de verres de spin classiques et quantiques ainsi que des problèmes d'optimisation combinatoire NP-difficiles qui dépassent les capacités actuelles du recuit quantique.

L'essentiel

Imaginez que vous essayez de trouver le point le plus bas absolu dans une vaste chaîne de montagnes brumeuse et incroyablement accidentée. Ce n'est pas une simple chaîne de montagnes ; c'est un paysage de « verre de spin ». En physique, ce sont des systèmes où les particules (les spins) sont frustrées : elles veulent être dans une certaine position, mais leurs voisins veulent qu'elles soient ailleurs, créant un chaos de pièges.

Si vous essayez de descendre cette montagne en utilisant une carte standard (des méthodes informatiques traditionnelles), vous risquez de rester coincé dans une petite vallée, pensant avoir atteint le fond, alors qu'une vallée beaucoup plus profonde existe juste de l'autre côté de la crête suivante. L'article appelle cela des « minima locaux », et c'est la raison pour laquelle résoudre ces problèmes est si difficile pour les ordinateurs.

Voici comment les auteurs de cet article proposent de le résoudre, en utilisant un mélange d'apprentissage profond et de concepts de physique quantique.

1. La nouvelle carte : États quantiques de Boltzmann profonds (DBQS)

Imaginez un ordinateur standard essayant de résoudre cette énigme comme un randonneur qui ne peut faire qu'un petit pas à la fois. S'il heurte un mur, il doit faire demi-tour et essayer un autre petit pas. C'est lent et inefficace dans un paysage complexe.

Les auteurs introduisent un nouvel outil appelé États quantiques de Boltzmann profonds (DBQS).

• L'analogie : Imaginez qu'au lieu d'un randonneur, vous ayez une équipe de « fantômes » (variables cachées) capables de voir l'ensemble de la chaîne de montagnes d'un seul coup. Ces fantômes ne touchent pas le sol (ils ne contribuent pas directement à l'énergie), mais ils se tiennent par la main avec les vrais randonneurs (les spins physiques) pour les guider.
• L'avantage : Parce que ces fantômes peuvent « voir » l'ensemble du tableau, le système peut effectuer des mises à jour globales. Au lieu de faire un petit pas, toute l'équipe peut sauter ensemble vers une partie complètement différente de la montagne si cela semble prometteur. Cela évite de rester coincé dans les petites vallées factices qui piègent les autres méthodes.

2. La stratégie d'entraînement : Recuit quantique neuronal (NQA)

Même avec une excellente carte, il faut une bonne stratégie pour atteindre le fond. Les auteurs utilisent une méthode appelée Recuit quantique neuronal (NQA).

• L'analogie : Imaginez que vous essayez de trouver le point le plus bas dans une pièce sombre remplie de meubles. Si vous commencez simplement à marcher au hasard, vous allez heurter des choses.
  • Le début « facile » : D'abord, la pièce est vide et plate. Vous pouvez facilement trouver le centre.
  • La fin « difficile » : Ensuite, lentement, les meubles (le problème complexe) commencent à apparaître.
  • La stratégie : L'algorithme commence dans la pièce vide. Au fur et à mesure que les meubles apparaissent lentement, il vous pousse doucement pour que vous restiez au meilleur endroit par rapport aux nouveaux obstacles. Il ne tente pas de résoudre la pièce finale et encombrée d'un coup. Il « réchauffe » la solution en commençant par quelque chose de facile et en augmentant progressivement la difficulté.
• La particularité : Les auteurs ont réalisé qu'il n'est pas nécessaire d'être parfaitement précis à chaque étape de ce processus. Il suffit de rester « assez proche » du bon chemin pour que, lorsque la pièce est remplie de meubles, vous soyez déjà dans le bon coin. Cela économise une quantité massive de puissance de calcul.

3. Les résultats : Résoudre l'insoluble

L'équipe a testé ce nouveau système de « Randonneur Fantôme » sur deux types de défis :

• Le test de physique (Modèle de Sherrington-Kirkpatrick) : Ils ont tenté de trouver l'état d'énergie le plus bas pour des systèmes avec 100 et 200 spins.

  • Le résultat : Les méthodes standard (comme le « randonneur faisant de petits pas ») ont échoué ou sont restées coincées. Leur nouvelle méthode a trouvé le point le plus bas exact (ou un point si proche qu'il était indiscernable) pour presque tous les cas de test. Ils ont même résolu une version avec 200 spins, une taille où les solveurs informatiques exacts traditionnels abandonnent généralement.

• Le test du monde réel (Ordonnancement d'ateliers) : Ils ont appliqué cela à un problème logistique classique : l'ordonnancement des tâches sur des machines pour les terminer le plus rapidement possible. C'est un problème d'« optimisation combinatoire », mathématiquement très similaire au problème du verre de spin.

  • Le résultat : Ils ont résolu des instances de ce problème qui sont trop grandes pour les ordinateurs quantiques actuels (comme les machines D-Wave) pour même les faire tenir sur leur matériel. Ils ont trouvé avec succès l'ordonnancement optimal pour des problèmes impliquant des centaines de variables.

• Le test quantique (SK à champ transversal) : Ils ont également tenté de résoudre une version du problème où les effets quantiques (comme des particules étant à deux endroits à la fois) sont actifs.

  • Le résultat : Leur méthode a identifié avec succès l'état fondamental pour des systèmes quantiques de 100 spins, prouvant qu'elle fonctionne non seulement pour des énigmes « classiques », mais aussi pour de véritables mystères quantiques.

Résumé

En termes simples, les auteurs ont construit un guide intelligent basé sur l'apprentissage profond qui utilise des aides « fantômes » pour voir l'ensemble du problème d'un seul coup. Au lieu d'essayer de résoudre un immense et désordonné puzzle d'un seul coup, ils commencent par une version facile et augmentent progressivement la difficulté, guidant la solution en cours de route.

Cette approche leur permet de résoudre des problèmes d'optimisation complexes et des énigmes de physique quantique qui sont actuellement trop difficiles pour les ordinateurs standards et trop grands pour le matériel quantique existant. Ils n'ont pas seulement trouvé un meilleur moyen de descendre la montagne ; ils ont trouvé un moyen de se téléporter au fond.

Résumé technique

Résumé technique : Résolution des verres de spin classiques et quantiques avec des états quantiques de Boltzmann profonds

Énoncé du problème
La résolution des problèmes d'état fondamental des verres de spin classiques et quantiques reste un défi redoutable en raison de la présence de désordre gelé et de frustration énergétique. Ces facteurs créent un paysage énergétique accidenté caractérisé par un nombre exponentiellement grand de minima locaux séparés par des barrières énergétiques élevées. Cette topologie entrave l'efficacité des méthodes conventionnelles de Monte Carlo basées sur Metropolis (MCMC), qui reposent sur des règles de mise à jour locales et peinent à échapper aux pièges locaux, conduisant à des temps de mélange exponentiellement lents. Bien que les États Quantiques Neuronaux (NQS) aient démontré leur succès dans la résolution de problèmes d'état fondamental pour les systèmes fortement corrélés, les implémentations standard de NQS reposent généralement sur des mises à jour locales de Metropolis, héritant ainsi des inefficacités d'échantillonnage des MCMC dans les systèmes vitreux. De plus, le matériel physique de Recuit Quantique (QA) fait face à des limitations concernant le bruit, les effets de température finie, la connectivité limitée des qubits et la surcharge d'encastrement, empêchant souvent la résolution de problèmes d'optimisation combinatoire à grande échelle ou complexes.

Méthodologie
Les auteurs proposent un cadre combinant un nouvel ansatz variationnel, les États Quantiques de Boltzmann Profonds (DBQS), avec un algorithme d'entraînement avancé nommé Recuit Quantique Neuronal (NQA).

1. États Quantiques de Boltzmann Profonds (DBQS) :

   • Les auteurs introduisent les États Quantiques de Boltzmann (BQS), un ansatz variationnel inspiré des Machines de Boltzmann Profondes (DBM). Dans cette formulation, le système physique est étendu par l'introduction de spins quantiques cachés, interprétés comme des degrés de liberté quantiques non observés.
   • Une fonction d'onde variationnelle de type Jastrow est définie sur ce système élargi. Les spins cachés ne contribuent pas directement à l'énergie mais encodent les corrélations quantiques entre les spins physiques.
   • Crucialement, l'architecture DBQS hérite de la capacité d'un échantillonnage de Gibbs par blocs efficace des DBM classiques. Contrairement aux NQS standards qui nécessitent des mises à jour locales de Metropolis, les DBQS permettent des mises à jour globales où tous les spins d'une couche sont mis à jour simultanément. Cela se traduit par des temps d'autocorrélation qui restent de l'ordre de $O(1)$ lorsque la taille du système augmente, offrant une accélération d'au moins un ordre de grandeur par rapport aux règles de mise à jour locales.
   • La formulation simplifie les tâches computationnelles : les dérivées variationnelles analytiques sont de simples produits de variables de spin (évitant la rétropropagation), et les opérateurs locaux (comme l'énergie locale) se réduisent à de simples multiplications matricielles.

2. Recuit Quantique Neuronal (NQA) :

   • Pour résoudre la difficulté d'optimiser directement sur le hamiltonien cible, les auteurs adaptent le cadre du Recuit Quantique Variationnel (VQA).
   • Adiabaticité assouplie : L'algorithme interpole le hamiltonien du problème d'un régime facile (conducteur non interactif) vers un régime difficile (verre de spin cible) via un paramètre $s$. Contrairement à une évolution adiabatique stricte, le NQA ne requiert pas que la variété variationnelle approxime étroitement l'état adiabatique instantané aux temps intermédiaires. Au lieu de cela, il utilise la solution d'une étape comme « démarrage à chaud » pour l'étape suivante, compensant ainsi les erreurs numériques dans les étapes ultérieures.
   • Améliorations de l'optimisation : L'algorithme standard de Reconfiguration Stochastique (SR) est augmenté par l'ajout de momentum et d'optimiseurs stochastiques avancés. Cette combinaison accélère la convergence et stabilise l'entraînement.
   • Catalyseurs : Le cadre permet l'inclusion d'un hamiltonien catalyseur ($H_C$), spécifiquement un terme non stoquastique ($\sum \sigma_y$), qui peut remodeler le paysage énergétique pour atténuer les transitions de phase du premier ordre et améliorer l'échantillonnage, une fonctionnalité non disponible sur les recuiseurs quantiques actuels.
   • Chaînes persistantes : L'algorithme maintient un ensemble de chaînes de Markov persistantes tout au long du calendrier de recuit, les reprenant depuis leurs derniers états plutôt que de les réthermaliser, améliorant ainsi encore l'efficacité.

Contributions clés

• Nouvel Ansatz : L'introduction des DBQS, qui combine la puissance expressive des réseaux de neurones profonds avec l'efficacité d'échantillonnage des chaînes de Gibbs par blocs, spécifiquement adaptés aux systèmes vitreux.
• Cadre algorithmique : Le développement du NQA, qui intègre les gradients naturels avec le momentum, des conditions d'adiabaticité assouplies et un échantillonnage de Gibbs persistant pour naviguer dans des paysages énergétiques accidentés.
• Efficacité computationnelle : Démonstration que la méthode proposée évite les goulots d'étranglement computationnels de la rétropropagation et de l'échantillonnage local de Metropolis, permettant l'étude de systèmes comportant des centaines de spins.
• Optimisation des hyperparamètres : L'utilisation d'une optimisation automatisée des hyperparamètres (HPO) via Optuna pour ajuster les paramètres pertinents, évitant ainsi des valeurs fixes arbitraires.

Résultats
Les auteurs ont évalué leur méthode sur plusieurs problèmes difficiles :

• Modèle de Sherrington-Kirkpatrick (SK) classique : Pour $N=100$ et $N=200$ spins avec des interactions à portée infinie, les DBQS combinés au NQA ont atteint des énergies d'état fondamental exactes ou quasi exactes. Spécifiquement, pour $N=200$, la méthode a trouvé l'état fondamental exact dans 8 cas sur 10, surpassant l'optimisation SR standard et les approches NQS précédentes (cRBM, RBQS) qui n'ont pas réussi à résoudre ces instances dans le cadre budgétaire computationnel.
• Problème d'ordonnancement en atelier (JSSP) : La méthode a été appliquée à la version décisionnelle du JSSP NP-difficile, reformulé comme un verre de spin d'Ising. Les auteurs ont résolu des instances comportant des centaines de spins (après élagage des variables) qui dépassent les capacités d'encastrement du recuiseur quantique D-Wave Advantage 2. Ils ont trouvé des solutions exactes pour 8 cas sur 10 testés.
• Modèle SK à champ transverse : Pour les verres de spin quantiques avec $N=100$ spins, la méthode a identifié avec succès les états fondamentaux au sein de la phase verre de spin. Les résultats ont montré que les meilleurs essais convergent vers des énergies inférieures à l'énergie d'état fondamental classique, indiquant la capture réussie d'effets quantiques. Pour $N=16$, la méthode a correspondu aux résultats de la diagonalisation exacte.

Signification et affirmations
L'article affirme que les architectures de réseaux de neurones profonds équipées de règles de mise à jour globale efficaces (DBQS) et entraînées dans un schéma inspiré du recuit (NQA) fournissent un cadre puissant et flexible pour aborder les problèmes de verres de spin classiques et quantiques. Les auteurs affirment que cette approche permet l'investigation de systèmes à plusieurs corps quantiques désordonnés et la résolution de tâches d'optimisation combinatoire réelles et difficiles à des échelles qui dépassent les limitations actuelles des solveurs classiques exacts et du matériel de recuit quantique. Ce travail positionne cette méthodologie comme une alternative viable pour l'étude des verres de spin quantiques à grande échelle et la résolution de problèmes NP-difficiles où les heuristiques traditionnelles et les dispositifs quantiques physiques peinent. Les auteurs notent que bien que l'approche soit heuristique et manque de garanties théoriques strictes sur le temps de résolution, sa performance empirique cohérente à travers divers benchmarks suggère qu'elle est un candidat prometteur pour des applications pratiques.