Setting angles in quantum approximate optimization at utility-scale

Sintesi Tecnica: Impostazione degli Angoli nella Ottimizzazione Approssimata Quantistica su Scala Utilità

Enunciato del Problema
L'Algoritmo di Ottimizzazione Approssimata Quantistica (QAOA) è un euristico leader per la risoluzione di problemi di ottimizzazione combinatoria su hardware quantistico. Tuttavia, l'identificazione dei parametri variazionali ottimali (angoli $\theta$) per i circuiti QAOA rimane un collo di bottiglia significativo, in particolare alla "scala utilità" (definita qui come $\sim100$ qubit o più). A questa scala, la simulazione classica esatta del circuito quantistico è impraticabile, e l'ottimizzazione a ciclo chiuso con l'hardware quantistico è proibitiva a causa del rumore, dei tempi di coerenza limitati e delle code di accesso. Inoltre, i risultati teorici indicano che trovare gli angoli ottimali è NP-hard e che il panorama dell'ottimizzazione è disseminato di minimi locali. Di conseguenza, vi è una mancanza di guida empirica su quali strategie di impostazione degli angoli producano le migliori soluzioni per problemi su larga scala senza fare affidamento su cicli di feedback quantistico-classico ad alta intensità di risorse.

Metodologia
Gli autori conducono uno studio di benchmarking completo per distillare una guida operativa per i praticanti del QAOA. La metodologia prevede:

1. Costruzione della Tassonomia: Una classificazione degli esistenti metodi di impostazione degli angoli in quattro categorie: ispirati alla fisica (es. rampe lineari, controdiabatica), Trasferimento di Parametri (es. angoli fissi, clustering), Iterativi (es. interpolazione, layer-by-layer) e Machine Learning.
2. Valutazione Approssimativa dell'Energia: Per bypassare la necessità di una simulazione classica esatta o dell'accesso immediato all'hardware, lo studio impiega metodi classici approssimativi per valutare la funzione di costo $\langle H_C \rangle$ durante la fase di addestramento. Nello specifico, utilizzano:
   • Matrix Product States (MPS): Utilizzo di reti tensoriali con mappature di qubit ottimizzate (mappatura SAT) per gestire le strutture di entanglement.
   • Pauli Propagation (PP): Un metodo di backpropagation nel quadro di Heisenberg che traccia le trasformazioni degli operatori di Pauli, efficace per grafi sparsi.
3. Protocollo di Benchmarking: Gli autori testano 30 diverse strategie di impostazione degli angoli attraverso tre classi di problemi: MaxCut, Maximum Independent Set (MIS) e Low Autocorrelation Binary Sequence (LABS).
   • Scala: I benchmark variano da istanze su piccola scala (20–50 qubit) dove le simulazioni esatte dello stato vettoriale sono possibili, a istanze su scala utilità (fino a 144 qubit).
   • Validazione Hardware: Gli angoli ottimali selezionati vengono eseguiti su hardware quantistico reale (dispositivi IBM Quantum, specificamente ibm_boston e ibm_fez) per misurare l'effettivo rapporto di approssimazione e validare i risultati dell'addestramento classico.
4. Analisi delle Risorse: Lo studio utilizza un framework di Stochastic Benchmark per analizzare il compromesso tra budget computazionale (tempo di esecuzione totale includendo l'ottimizzazione classica e il campionamento quantistico) e qualità della soluzione.

Contributi Chiave

• Tassonomia Empirica e Benchmarking: Il documento fornisce il primo confronto sistematico su larga scala degli metodi di impostazione degli angoli QAOA alla scala utilità, andando oltre le istanze su piccola scala classicamente simulabili.
• Validazione dei Metodi Approssimativi: Dimostra che i metodi classici approssimativi (MPS e PP) possono guidare efficacementamente l'ottimizzazione degli angoli per problemi fino a 144 qubit, con PP che mostra una correlazione superiore ai risultati hardware su specifiche topologie di grafi (heavy-hex).
• Validazione Hardware: Lo studio valida che gli angoli ottimizzati classicamente tramite metodi approssimativi si traducono in prestazioni significative sull'hardware quantistico, sebbene il rumore limiti la distinguibilità dei metodi a profondità di circuito maggiori.
• Guida Operativa: Gli autori derivano raccomandazioni specifiche per i praticanti basate sui vincoli di risorse e sui tipi di problema, identificando quali metodi offrono i migliori compromessi tra tempo di esecuzione e qualità della soluzione.

Risultati

• Performance dei Metodi:
  • I metodi a Rampe Lineari (Linear Ramps) e Interpolazione hanno generalmente fornito i migliori angoli attraverso la maggior parte dei tipi di grafi e tecniche di valutazione dell'energia.
  • Gli Angoli Fissi (Fixed Angles) (derivati per grafi regolari casuali) hanno performato eccezionalmente bene quando trasferiti a istanze di problemi simili, raggiungendo spesso rapporti di approssimazione superiori al 90% con un'ottimizzazione minima.
  • Le strategie di Trasferimento di Parametri (utilizzando angoli fissi o il trasferimento da istanze piccole a grandi) si sono dimostrate altamente efficienti, superando spesso i metodi iterativi in termini di tempo per la soluzione.
  • I metodi Fourier hanno mostrato un'alta varianza e, in alcuni casi (come MIS), hanno superato altri metodi, mentre hanno performato peggio su MaxCut.
• Valutatori Approssimativi:
  • La Pauli Propagation (PP) ha generalmente fornito un'approssimazione migliore del vero panorama dell'energia sull'hardware rispetto a MPS, in particolare per grafi heavy-hex, mostrando una forte correlazione positiva (0.89–0.93) tra i rapporti di approssimazione stimati e quelli hardware.
  • MPS è stato più veloce per certe topologie ma ha sofferto di correlazioni negative con i risultati hardware su grafi basati su linee con piccoli cicli.
• Realtà dell'Hardware: Alla scala utilità (144 qubit, profondità $p=10$), il rumore riduce significativamente la capacità di distinguere tra diversi metodi di impostazione degli angoli. Sebbene i metodi iterativi (come l'Interp.) abbiano prodotto angoli di alta qualità in simulazione, il loro vantaggio rispetto ai metodi più veloci e non iterativi (come gli Angoli Fissi o le Rampe Lineari) è diminuito sull'hardware reale.
• Compromessi sulle Risorse: Un'analisi della frontiera di Pareto ha rivelato che le strategie a basso costo (trasferimento di parametri, angoli fissi) forniscono la via più rapida verso soluzioni di alta qualità. I metodi iterativi comportano costi computazionali sostanziali (spesso $>10^4$ secondi) per guadagni marginali nei rapporti di approssimazione hardware.

Significatività e Rivendicazioni
Il documento rivendica di fornire una guida operativa essenziale per l'era dell'ottimizzazione quantistica a "scala utilità". Sostiene che, sebbene trovare gli angoli ottimali sia teoricamente difficile, i flussi di lavoro pratici possono avere successo sfruttando:

1. Transfer Learning: Utilizzare angoli fissi o parametri addestrati su istanze piccole o rappresentative per inizializzare l'ottimizzazione su istanze grandi.
2. Addestramento Approssimativo: Fare affidamento su simulatori classici approssimativi (MPS/PP) piuttosto che su un addestramento a ciclo chiuso sull'hardware quantistico per trovare gli angoli, riservando l'accesso all'hardware per il campionamento finale.
3. Selezione Consapevole dei Costi: Dare priorità ai metodi che bilanciano tempo di esecuzione e qualità. Gli autori osservano che per molte applicazioni pratiche, i "rendimenti decrescenti" di un esteso addestramento degli angoli suggeriscono che i metodi rapidi basati sul trasferimento sono spesso preferibili all'ottimizzazione iterativa computazionalmente costosa, specialmente quando il rumore dell'hardware oscura piccole differenze di performance.

Il lavoro conclude che il QAOA standard con profondità $p \le 10$ su problemi con topologia corrispondente può essere eseguito efficientemente end-to-end utilizzando queste strategie, e che tali intuizioni sono probabilmente trasferibili a varianti QAOA (es. warm-start, R-QAOA) che superano ostacoli strutturali come simmetria e località.