PCA and t-SNE analysis in the study of QAOA entangled and non-entangled mixing operators

Sintesi Tecnica: Analisi PCA e t-SNE nello Studio degli Operatori di Mixing QAOA Entangled e Non-Entangled

Enunciato del Problema
L'Algoritmo Quantistico Approssimato per l'Ottimizzazione (QAOA) è un importante Algoritmo Quantistico Variazionale (VQA) utilizzato per risolvere problemi di ottimizzazione combinatoria, come Max-Cut. Con l'avanzamento dell'hardware quantistico e l'aumento delle profondità dei circuiti, diventa fondamentale comprendere il comportamento interno di questi algoritmi. Nello specifico, vi è la necessità di analizzare come diverse configurazioni di circuito — in particolare la presenza o l'assenza di entanglement all'interno dell'operatore di mixing — influenzino il paesaggio di ottimizzazione e le distribuzioni dei parametri. Sebbene ricerche precedenti abbiano esplorato le rappresentazioni del paesaggio dei problemi e le concentrazioni dei parametri, questo studio si concentra sull'estrazione e la visualizzazione di informazioni riguardanti i modelli sottostanti del QAOA per distinguere tra strategie di mixing entangled e non-entangled.

Metodologia
Gli autori hanno impiegato l'Analisi delle Componenti Principali (PCA) e l'Embedding Stocastico dei Vicini t-Distribuiti (t-SNE) per analizzare dataset di parametri ottimali generati per problemi Max-Cut.

• Generazione dei Dati: Lo studio ha utilizzato il metodo di ottimizzazione "Stochastic Hill Climbing with Random Restarts" (SHC-RR) per risolvere problemi Max-Cut su grafi con 4, 10 e 15 nodi. Sono state testate due configurazioni di grafo: cicliche e complete.
• Modelli QAOA: Gli esperimenti sono stati condotti a tre profondità di circuito (1L, 2L e 3L). Per ogni profondità, sono state confrontate due variazioni dell'operatore di mixing:
  1. Non-entangled: Utilizzando rotazioni standard $R_X$ e $R_Y$.
  2. Entangled: Incorporando una fase aggiuntiva di entanglement (utilizzando porte CNOT) tra le rotazioni $R_X$ e $R_Y$.
• Riduzione della Dimensionalità:
  • PCA: Applicata per ridurre la dimensionalità degli insiemi di parametri (3, 6 o 9 parametri a seconda della profondità) alle prime tre componenti principali. L'analisi si è concentrata sulla varianza spiegata e sulla distribuzione geometrica dei punti dati. Sono state eseguite sia analisi sui singoli modelli sia analisi accoppiate (combinando dataset entangled e non-entangled).
  • t-SNE: Applicata per visualizzare relazioni non lineari e strutture locali all'interno dei dati. L'algoritmo è stato inizializzato utilizzando la PCA per garantire stabilità. Sono stati testati diversi valori di perplexity (3, 30, 99 e 199). La qualità della mappatura è stata quantificata utilizzando la divergenza di Kullback-Leibler (KL).

Contributi e Risultati Chiave

• Distribuzione della Varianza (PCA):

  • Modelli Entangled: Nei modelli con profondità superiori (2L e 3L), gli operatori di mixing entangled hanno dimostrato costantemente una varianza spiegata più elevata nelle componenti principali rispetto alle loro controparti non-entangled. Ciò suggerisce che la fase di entanglement introduce una maggiore quantità di informazioni o varianza rilevabile nello spazio dei parametri.
  • Clustering: L'analisi visiva delle proiezioni PCA ha rivelato che i modelli entangled (in particolare a profondità 2L) spesso mostravano comportamenti di clustering distinti (ad esempio, cluster a tre linee o raggruppamenti ellittici), mentre i modelli non-entangled presentavano frequentemente distribuzioni casuali e disperse senza pattern chiari.
  • Limitazioni: Per i modelli a profondità 3L (9 parametri), la varianza totale catturata dalle prime tre componenti PCA era relativamente bassa (spesso inferiore al 50%), rendendo difficile trarre conclusioni definitive sulla mappatura per questi modelli complessi.

• Mappatura Non Lineare (t-SNE):

  • Prestazioni: Il t-SNE ha generalmente superato la PCA nella rappresentazione dei dati nello spazio a bassa dimensionalità, come dimostrato da valori di divergenza KL più bassi, in particolare con impostazioni di perplexity più elevate (99 e 199).
  • Differenziazione: Gli embedding t-SNE hanno differenziato con successo i modelli entangled da quelli non-entangled. I modelli entangled tendevano a formare cluster specifici o ad aderire a pattern strutturati (come linee o ellissi), mentre i modelli non-entangled mantenevano spesso una distribuzione più uniforme o casuale.
  • Sensibilità alla Perplexity: Lo studio ha rilevato che la perplexity influenzava significativamente i risultati. Valori di perplexity più elevati (ad esempio 99 per i modelli individuali, 199 per i modelli accoppiati) hanno generalmente prodotto punteggi di divergenza KL migliori e rappresentazioni più stabili.

• Analisi Accoppiata: Quando i modelli entangled e non-entangled sono stati proiettati insieme, i comportamenti distinti osservati nelle analisi individuali sono stati in gran parte preservati. La fase di entanglement ha introdotto uno spostamento distinguibile nella distribuzione dei punti proiettati, permettendo una separazione visiva dei due tipi di modello.

Significato e Affermazioni
Il documento afferma che l'applicazione di PCA e t-SNE fornisce un metodo valido per visualizzare e quantificare le differenze tra i modelli QAOA con e senza entanglement nell'operatore di mixing. I risultati indicano che i modelli entangled possiedono caratteristiche strutturali distinte nei loro spazi dei parametri, caratterizzati da una maggiore ritenzione di varianza nella PCA e da un clustering più definito nel t-SNE.

Gli autori mantengono una posizione modesta riguardo all'universalità di questi risultati. Affermano che, sebbene i risultati della mappatura dimostrino chiaramente differenze distinguibili tra modelli entangled e non-entangled per i specifici problemi Max-Cut e le profondità testate, è prematuro concludere che questi pattern specifici siano universali in tutti i modelli QAOA o tipi di problemi. Lo studio evidenzia l'utilità di queste tecniche di visualizzazione per estrarre intuizioni sui comportamenti dei modelli sottostanti, ma nota che sono necessarie ulteriori indagini per comprendere le specifiche interazioni tra porte che guidano queste varianze e per determinare se questi pattern persistano attraverso diverse strategie di ottimizzazione e domini di problemi.