Exploring Entanglement and Parameter Sensitivity in QAOA through Quantum Fisher Information

Riepilogo Tecnico: Esplorazione dell'Intreccio e della Sensibilità dei Parametri in QAOA tramite l'Informazione di Fisher Quantistica

Enunciato del Problema
L'Algoritmo di Ottimizzazione Quantistica Approssimata (QAOA) è un candidato leader per la risoluzione di problemi di ottimizzazione combinatoria, come Max-Cut, su hardware quantistico a breve termine. Tuttavia, l'ottimizzazione dei parametri variazionali in QAOA è impegnativa a causa di paesaggi non convessi, minimi locali e altopiani sterili. Esiste un divario critico nella comprensione di come l'architettura del circuito—specificamente i pattern di intreccio, la topologia del grafo e le scelte del mixer—influenzi la sensibilità dello stato quantistico alle variazioni dei parametri. Senza questa comprensione, gli ottimizzatori classici faticano a navigare efficientemente lo spazio dei parametri. Questo lavoro affronta la necessità di uno strumento diagnostico per quantificare la sensibilità dei parametri e le correlazioni nei circuiti QAOA al fine di guidare le strategie di ottimizzazione.

Metodologia
Gli autori eseguono un'analisi sistematica della matrice dell'Informazione di Fisher Quantistica (QFI) per QAOA applicato al problema Max-Cut su due topologie di grafo: grafi ciclici e grafi completi, con numeri di qubit $N \in \{4, 7, 10\}$.

• Configurazioni del Circuito: Lo studio confronta due famiglie di mixer:
  1. Solo RX: Utilizza rotazioni $X$ ($H_M = \sum X_i$).
  2. Ibrido RX-RY: Utilizza sia rotazioni $X$ che $Y$ ($H_M = \sum X_i + \sum Y_i$).
     Le profondità ($p$) variano da 2 a 6 per Solo RX e da 3 a 9 per RX-RY.
• Pattern di Intreccio: Le fasi di intreccio sono implementate all'interno dei livelli del mixer utilizzando pattern basati su CNOT ciclici (anello di vicini più prossimi) o completi (tutti-con-tutti). Lo studio varia il numero di fasi di intreccio (da 1 a 3) per isolare il loro effetto.
• Analisi QFI: La matrice QFI ($F_{ij}$) è calcolata per vettori di parametri casuali estratti uniformemente da $[0, 2\pi)$ per evitare bias dell'ottimizzatore. L'analisi si concentra su:
  • Autovalori: Specificamente l'autovalore massimo (ME) e l'autovalore minimo (LE) per valutare la capacità di sensibilità e la dispersione spettrale.
  • Frazione di Covarianza ($r$): Definita come $r = \sum_{i \neq j} |F_{ij}| / \sum_i F_{ii}$, questa metrica quantifica il grado di correlazione tra parametri incrociati (peso fuori diagonale) rispetto alla sensibilità del singolo parametro (dominanza diagonale).
• Prova di Concetto (QIm): Gli autori propongono un'euristica di Mutazione Informata da QFI (QIm). Questo algoritmo utilizza le voci diagonali normalizzate della QFI ($d_i$) per determinare le probabilità di mutazione e le dimensioni dei passi:
  • I parametri con alta sensibilità (alto $d_i$) sono mutati più frequentemente ma con dimensioni di passo più piccole ($1-d_i$).
  • I parametri con bassa sensibilità sono mutati meno frequentemente ma con passi più grandi.
  • Questo viene confrontato con una baseline a probabilità uguale (nonQIm) e una baseline con riavvio casuale (RR) su 100 prove.

Contributi e Risultati Chiave

1. Scalabilità e Limiti:

   • Nessuna configurazione (Solo RX o RX-RY) raggiunge il limite di Heisenberg ($4N^2$).
   • Diverse configurazioni, in particolare sui grafi completi, superano il limite lineare del rumore di shot ($4N$).
   • L'Hamiltoniano di costo ($H_P$) domina la scalabilità $N^2$, mentre i livelli del mixer ridistribuiscono principalmente il peso spettrale.

2. Impatto della Topologia del Grafo:

   • I grafi completi producono coerentemente autovalori QFI massimi più grandi e frazioni di covarianza ($r$) più elevate rispetto ai grafi ciclici per mixer e profondità fissi. Ciò riflette la struttura a due corpi più densa dell'Hamiltoniano di costo nei grafi completi.

3. Ruolo dell'Intreccio:

   • L'intreccio ridistribuisce principalmente la QFI dalle voci diagonali (singolo parametro) a quelle fuori diagonale (parametri incrociati).
   • I circuiti non intrecciati massimizzano la sensibilità per parametro (basso $r$).
   • I livelli di intreccio aumentano la frazione di covarianza, indicando correlazioni più forti tra i parametri.
   • Rendimenti Decrescenti: La prima fase di intreccio produce il maggiore aumento degli autovalori QFI e di $r$. Le fasi successive spesso producono rendimenti decrescenti, comprimono lo spettro (in Solo RX) o producono comportamenti non monotoni (in RX-RY).

4. Confronto tra Mixer:

   • Il mixer ibrido RX-RY raggiunge autovalori comparabili o superiori a quelli di Solo RX sui grafi completi, ma rimane più vicino al limite lineare sui grafi ciclici.
   • L'aggiunta di rotazioni RY non altera sostanzialmente la frazione di covarianza rispetto agli effetti dominanti della topologia del grafo e dei pattern di intreccio.

5. Prestazioni di Ottimizzazione (QIm):

   • Su istanze a 7 nodi (completo) e 10 nodi (ciclico), l'euristica QIm supera sia le baseline nonQIm che RR.
   • QIm raggiunge valori medi di Energia Attesa (EEV) più elevati e una varianza significativamente inferiore su 100 esecuzioni.
   • I risultati suggeriscono che anche una matrice QFI precalcolata e mediata può prioritizzare efficacemente gli aggiornamenti dei parametri, portando a una convergenza più affidabile.

Significato e Affermazioni
Il documento posiziona l'Informazione di Fisher Quantistica non semplicemente come un limite metrologico, ma come un strumento diagnostico e precondizionatore leggero e consapevole del problema per algoritmi quantistici variazionali.

• Utilità Diagnostica: L'analisi rivela che l'intreccio introduce forti correlazioni tra parametri incrociati (alto $r$), il che può rendere la matrice QFI mal condizionata e difficile da navigare per gli ottimizzatori standard privi di gradiente. Ciò spiega perché ansätze più profondi o più intrecciati potrebbero faticare nonostante una maggiore sensibilità grezza.
• Guida all'Ottimizzazione: Lo studio dimostra che $r$ funge da guida per la selezione dell'ottimizzatore: regimi a basso $r$ ($\lesssim 0.2$) sono adatti alla precondizionamento diagonale, mentre regimi ad alto $r$ ($\gtrsim 0.4-0.6$) suggeriscono la necessità di metodi a gradiente naturale o metrica completa.
• Applicazione Pratica: L'euristica QIm valida che l'utilizzo delle informazioni QFI per scalare le probabilità di mutazione e le dimensioni dei passi migliora la stabilità della convergenza e la qualità della soluzione senza richiedere costosi calcoli di gradiente online.

Gli autori concludono che la QFI fornisce una lente sistematica per comprendere l'interazione tra profondità del circuito, intreccio e sensibilità dei parametri, offrendo una via verso implementazioni QAOA più efficienti e resilienti al rumore su dispositivi NISQ.