Improving the efficiency of QAOA using efficient parameter transfer initialization and targeted-single-layer regularized optimization with minimal performance degradation

तकनीकी सारांश: पैरामीटर ट्रांसफर और लक्षित-नियमित अनुकूलन के माध्यम से QAOA दक्षता में सुधार

समस्या विवरण
क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA), कॉम्बिनेटोरियल ऑप्टिमाइजेशन प्रॉब्लम्स (COPs), विशेष रूप से मैक्स-कट (MaxCut) समस्या को हल करने के लिए निकट-अवधि क्वांटम उपकरणों पर एक प्रमुख उम्मीदवार है। हालांकि, जैसे-जैसे समस्या का आकार ($n$) और सर्किट की गहराई ($p$) बढ़ती है, QAOA महत्वपूर्ण चुनौतियों का सामना करता है। अनुकूलन परिदृश्य (optimization landscape) अत्यधिक गैर-उत्तल (non-convex) हो जाता है, जो एक तेजी से बढ़ते समाधान स्थान ($2^n$) और रैखिक रूप से बढ़ते मापदंडों ($2p$) द्वारा अभिलक्षित है। यह जटिलता क्लासिकल ऑप्टिमाइज़र को उप-इष्टतम स्थानीय मिनिमा (local minima) में फंसा देती है, विशेष रूप से भारित (weighted) ग्राफ परिवारों के लिए, जिससे खराब एप्रोक्सिमेशन रेश्यो ($r$) प्राप्त होता है। इसके अलावा, सभी $2p$ मापदंडों का पूर्ण अनुकूलन (full optimization) कम्प्यूटेशनल रूप से महंगा है, जिसके लिए पर्याप्त समय और संसाधनों की आवश्यकता होती है, जो व्यावहारिक क्वांटम लाभ के प्रदर्शन में बाधा डालता है।

कार्यप्रणाली
लेखक दक्षता बढ़ाने और प्रदर्शन में गिरावट को न्यूनतम करने के लिए पैरामीटर ट्रांसफर इनिशियलाइजेशन के साथ लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन और L2 रेगुलराइजेशन को संयोजित करने वाली एक हाइब्रिड रणनीति का प्रस्ताव करते हैं।

1. पैरामीटर ट्रांसफर इनिशियलाइजेशन:

   • यह दृष्टिकोण इस अवलोकन का लाभ उठाता है कि समान समस्या उदाहरणों के अनुकूलित मापदंड एक साथ क्लस्टर (समूहित) होते हैं।
   • एक "डोनर" ग्राफ ($G_1$) जिसमें नोड्स की संख्या कम ($n_d = 8$) है, को पूरी तरह से अनुकूलित किया जाता है। इस डोनर के लिए ट्रोटराइज्ड क्वांटम एनीलिंग (TQA) का उपयोग $t=0.75$ के साथ किया जाता है, जिसके बाद एडैग्राड (Adagrad) ऑप्टिमाइज़र का उपयोग करके पूर्ण अनुकूलन किया जाता है।
   • इन अनुकूलित मापदंडों $\{\gamma^*_i, \beta^*_i\}$ को उसी ग्राफ परिवार के भीतर अधिक नोड्स ($n_a \ge n_d$) वाले एक बड़े "एक्सेप्टर" ग्राफ ($G_2$) में स्थानांतरित किया जाता है।

2. लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन:

   • एक्सेप्टर ग्राफ के लिए सभी $2p$ मापदंडों को पुन: अनुकूलित करने के बजाय, यह विधि एक विशिष्ट "लक्षित" लेयर ($p_k$) की पहचान करती है जो व्यक्तिगत रूप से अनुकूलित होने पर सर्वोत्तम एप्रोक्सिमेशन रेशो प्रदान करती है।
   • गहराई $p=15$ के लिए, लेखक विभिन्न ग्राफ परिवारों (3-रेगुलर, अर्दोस-रेनी, बाराबासी-अलबर्ट) के लिए सबसे संभावित इष्टतम लेयर निर्धारित करने के लिए प्रत्येक लेयर $p_k \in [1, 15]$ का व्यवस्थित परीक्षण करते हैं।
   • केवल इस एकल लेयर के मापदंडों को COBYLA (कॉन्स्ट्रेंड ऑप्टिमाइजेशन बाय लीनियर एप्रोक्सिमेशन) ऑप्टिमाइज़र का उपयोग करके अनुकूलित किया जाता है, जबकि अन्य सभी लेयर्स को उनके स्थानांतरित मानों पर स्थिर रखा जाता है।

3. रेगुलराइजेशन (L2/रिज):

   • उस विसंगति को संबोधित करने के लिए जहाँ लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन ($r_s$) कभी-कभी पूर्ण अनुकूलन ($r_f$) से बेहतर प्रदर्शन करता है (क्योंकि पूर्ण अनुकूलन के दौरान ऑप्टिमाइज़र स्थानीय मिनिमा में फंस जाता है), लेखक L2 (रिज) रेगुलराइजेशन पेश करते हैं।
   • कॉस्ट फंक्शन में एक पेनल्टी टर्म $\lambda \sum (\gamma_k^2 + \beta_k^2)$ जोड़ा जाता है। यह समाधान परिदृश्य को सुचारू बनाता है, जिससे ऑप्टिमाइज़र को स्थानीय मिनिमा से बाहर निकलने में मदद मिलती है और पूर्ण अनुकूलन ($r_f$) की विश्वसनीयता में सुधार होता है।

प्रमुख योगदान और परिणाम
यह अध्ययन तीन अनवेटेड ग्राफ परिवारों (3-रेगुलर, अर्दोस-रेनी, बाराबासी-अलबर्ट) और तीन वेटेड परिवारों के माध्यम से किया गया, जिसमें 8 से 24 नोड्स तक के ग्राफ शामिल थे।

• अनवेटेड ग्राफ में प्रदर्शन:

  • अनवेटेड 3-रेगुलर (u3R) ग्राफ के लिए, पैरामीटर ट्रांसफर दृष्टिकोण ने लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन ($r_s$) के लिए 0.9443 का औसत एप्रोक्सिमेशन रेशो प्राप्त किया, जबकि पूर्ण अनुकूलन ($r_f$) के लिए यह 0.9551 था। यह इष्टतम प्रदर्शन का 98.88% प्रतिनिधित्व करता है।
  • महत्वपूर्ण रूप से, इस दृष्टिकोण ने पूर्ण अनुकूलन की तुलना में 8.06× कम्प्यूटेशनल स्पीडअप दिया।
  • अनवेटेड अर्दोस-रेनी (uER) और बाराबासी-अलबर्ट (uBA) ग्राफ के लिए भी समान रुझान देखे गए, जहाँ $r_s$ लगातार $r_f$ के करीब रहा जबकि अनुकूलन समय ($\tau$) में काफी कमी आई।

• वेटेड ग्राफ में प्रदर्शन:

  • वेटेड 3-रेगुलर (w3R): विधि ने अच्छा प्रदर्शन किया, जहाँ केवल इनिशियलाइजेशन ($r_n$) ही अक्सर गोएमान्स-विलियमसन क्लासिकल थ्रेशोल्ड ($r_{GW} \ge 0.878$) को पार कर गया। लक्षित अनुकूलन ने इन परिणामों को और बेहतर बनाया।
  • वेटेड अर्दोस-रेनी (wER): यह दृष्टिकोण बड़े नोड्स ($n_a \ge 14$) के साथ संघर्ष करता है, जहाँ $r_s$, $r_{GW}$ थ्रेशोल्ड से नीचे गिर जाता है। इन जटिल वेटेड परिवारों के लिए, उच्च गुणवत्ता वाले समाधान प्राप्त करने के लिए पूर्ण अनुकूलन आवश्यक बना हुआ है।
  • वेटेड बाराबासी-अलबर्ट (wBA): इस परिवार ने हाइब्रिड व्यवहार दिखाया; जबकि पूर्ण अनुकूलन थोड़ा अधिक कुशल था, लक्षित अनुकूलन एक व्यवहार्य विकल्प बना रहा।

• रेगुलराइजेशन का प्रभाव:

  • रेगुलराइजेशन के बिना, लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन 8.92% टेस्ट केस में पूर्ण अनुकूलन से बेहतर था (जो दर्शाता है कि पूर्ण अनुकूलन स्थानीय मिनिमा में फंस गया था)।
  • L2 रेगुलराइजेशन के अनुप्रयोग ने इस विसंगति को घटाकर 3.81% कर दिया, जिससे पूर्ण अनुकूलन की मजबूती में काफी सुधार हुआ।

• ऑप्टिमाइज़र और इनिशियलाइजेशन तुलना:

  • विभिन्न ऑप्टिमाइज़र्स (COBYLA, POWELL, GSLS, NELDER-MEAD, SPSA) में से, COBYLA को सबसे उपयुक्त पाया गया, जो न्यूनतम अनुकूलन समय के साथ तुलनीय सटीकता प्रदान करता है।
  • पैरामीटर ट्रांसफर इनिशियलाइजेशन ने एप्रोक्सिमेशन रेशो और अनुकूलन चरणों की संख्या दोनों में TQA और रैंडम इनिशियलाइजेशन की तुलना में लगातार बेहतर प्रदर्शन किया।

महत्व और दावे
यह शोध पत्र प्रदर्शित करता है कि कुशल पैरामीटर इनिशियलाइजेशन को लक्षित-सिंगल-लेयर ऑप्टिमाइजेशन के साथ मिलाने से न्यूनतम प्रदर्शन गिरावट के साथ QAOA की दक्षता में उल्लेखनीय सुधार किया जा सकता है।

लेखक दावा करते हैं कि यह रणनीति सटीकता और कम्प्यूटेशनल लागत के बीच संतुलन को प्रभावी ढंग से बनाती है। छोटे, पूरी तरह से अनुकूलित उदाहरणों से मापदंडों को स्थानांतरित करके, यह विधि एक "निकट-इष्टतम" शुरुआती बिंदु प्रदान करती है जो खोज स्थान (search space) को कम करती है। इसके बाद एकल, रणनीतिक रूप से चुनी गई लेयर का अनुकूलन पूर्ण पुन: अनुकूलन की घातीय लागत के बिना समाधान को परिष्कृत करता है।

यह कार्य रेखांकित करता है कि हालांकि यह दृष्टिकोण अनवेटेड और विशिष्ट वेटेड ग्राफ परिवारों (जैसे w3R) के लिए अत्यधिक प्रभावी है, लेकिन यह सभी वेटेड टोपोलॉजी (विशेष रूप से wER) के लिए सार्वभौमिक समाधान नहीं है, जहाँ कॉस्ट लैंडस्केप की जटिलता अभी भी पूर्ण अनुकूलन की आवश्यकता उत्पन्न करती है। L2 रेगुलराइजेशन को अनुकूलन परिदृश्य को स्थिर करने के लिए एक महत्वपूर्ण शमन रणनीति (mitigation strategy) के रूप में प्रस्तुत किया गया है, जो यह सुनिश्चित करता है कि पूर्ण अनुकूलन चुनिभ (selective) विधियों की तुलना में कम प्रदर्शन न करे। अंततः, यह अध्ययन सुझाव देता है कि पैरामीटर ट्यूनिंग से जुड़े क्लासिकल कम्प्यूटेशनल ओवरहेड को कम करके QAOA को बड़े पैमाने की कॉम्बिनेटोरियल समस्याओं के लिए अधिक व्यावहारिक बनाने का एक मार्ग प्रशस्त करता है।