Adaptive directional gradients for parameterised quantum circuits

Sintesi Tecnica: Gradienti Direzionali Adattivi per Circuiti Quantistici Parametrizzati

Problematica
L'addestramento di circuiti quantistici parametrizzati (PQC) su hardware quantistico near-term è attualmente limitato dal costo di misurazione della stima del gradiente. Sotto la standard regola dello spostamento dei parametri (parameter-shift rule), stimare il gradiente completo richiede $O(N)$ valutazioni del circuito per ogni step, dove $N$ è il numero di parametri addestrabili. Man mano che i modelli quantistici scalano e beneficiano della sovra-parametrizzazione, questa scalabilità lineare domina il budget totale di shot, rendendo inefficiente l'addestramento basato sul gradiente. Sebbene stimatori approssimativi come la Stochastic Approximation a Perturbazione Simultanea (SPSA) e la Discesa di Coordinate Casuale (RCD) riducano i costi per step, essi introducono penalità di $O(N)$ nei tassi di varianza dello stimatore o di convergenza, rispettivamente. Inoltre, gli esistenti metodi di allocazione adattiva degli shot (ad es. iCANS, gCANS) si basano sulla regola dello spostamento dei parametri e assumono che le varianze di misurazione differiscano significativamente tra i parametri, un'assunzione che potrebbe non essere valida per gli stimatori a direzione casuale.

Metodologia
Gli autori propongono un framework unificato basato su gradienti forward, derivati dalla modalità forward dell'differenziazione automatica. Questo framework ricostruisce il gradiente completo mediando $V$ derivate direzionali casuali, dove $V$ è un parametro sintonizzabile indipendente da $N$.

1. Stimatore del Gradiente Forward:
   Il gradiente è stimato come:
   $$\hat{\nabla}^F f(\theta) = \frac{1}{V} \sum_{\ell=1}^V (\nabla_{v_\ell} f) v_\ell$$
   dove $v_\ell$ sono direzioni casuali (tipicamente vettori di Rademacher). Le derivate direzionali $\nabla_{v_\ell} f$ sono calcolate utilizzando un'approssimazione di differenza finita centrale con una dimensione del passo $\epsilon$, richiedendo solo due valutazioni del circuito per direzione.

   • Unificazione: Questo framework recupera SPSA ($V=1$, Rademacher), RCD ($V=1$, vettori base) e la regola dello spostamento dei parametri ($V=N$, vettori base) come casi limite.
   • Costo: Il costo per step scala come $O(V)$ anziché $O(N)$, con un costo di misurazione totale di $2VM$ shot per step.

2. Analisi della Convergenza:
   Il documento stabilisce un limite di convergenza per la discesa del gradiente stocastica utilizzando questo stimatore. Dimostra un risultato "no-free-lunch": per perdite convesse, la riduzione $V$-fold del costo per step è esattamente compensata da un aumento $V$-fold del numero di step necessari per raggiungere una determinata accuratezza. Il budget totale di shot rimane indipendente da $V$. Tuttavia, l'analisi identifica la dimensione del passo della differenza finita $\epsilon$ come l'iperparametro dominante, che governa un trade-off bias-varianza in cui il rumore di shot è amplificato da $1/\epsilon^2$.

3. L'Ottimizzatore QUIVER:
   Per affrontare i limiti delle strategie a $V$ fisso e dei metodi adattivi esistenti, gli autori derivano QUIVER (Quantum Iterative V-adaptive Estimator Rule).

   • Concentrazione del Rumore: Gli autori dimostrano che, per gli stimatori a direzione casuale, il rumore di misurazione si concentra uniformemente tra le direzioni (a differenza della regola dello spostamento dei parametri dove il rumore varia per ogni parametro). Ciò rende inefficace l'allocazione degli shot per direzione (il meccanismo dietro iCANS).
   • Adattamento Congiunto: Di conseguenza, QUIVER adatta congiuntamente il numero di direzioni $V$ e gli shot per direzione $M$. Esso minimizza il costo di misurazione totale soggetto a una varianza dello stimatore target e a un numero minimo di shot per direzione.
   • Ottimalità: La regola di aggiornamento derivata utilizza direzioni di Rademacher, che sono provate essere uniche nel minimizzare il secondo momento dello stimatore tra le distribuzioni isotrope. Il budget di shot risultante corrisponde al limite di Cramér–Rao per il recupero di un gradiente non distorto da un oracolo di rumore di shot, salvo una costante che svanisce quando $N \to \infty$.

Risultati Chiave
Il documento valida l'approccio numericamente attraverso quattro domini di problemi:

• Classificazione: Addestramento di reti neurali quantistiche ortogonali su dataset ECG5000 (serie temporali) e MNIST (immagini) con fino a 60 qubit e 1.770 parametri.
• Ottimizzazione e Simulazione: Variational Quantum Eigensolver (VQE) per il Modello di Ising a Campo Trasverso (TFIM) e Quantum Approximate Optimization Algorithm (QAOA) per MaxCut.

Risultati:

1. Efficienza: Gli stimatori del gradiente forward con un $V \ll N$ fisso raggiungono un'accuratezza comparabile alla regola dello spostamento dei parametri utilizzando una frazione del budget totale di shot. Il risparmio cresce con il numero di parametri $N$.
2. Confronto con i Baseline: I gradienti forward superano significativamente SPSA e RCD per grandi $N$, dove i metodi a singola direzione degradano.
3. Scheduling Adattivo: Esperimenti euristici mostrano che decadere $V$ durante l'addestramento (partendo da un valore alto per un'esplorazione ampia, terminando con un valore basso per la precisione) supera i valori endpoint a $V$ fisso.
4. Performance di QUIVER: L'ottimizzatore QUIVER supera iCANS, gCANS e lo standard parameter-shift con l'ottimizzazione Adam su benchmark VQE e QAOA. Notevolmente, nei regimi in cui iCANS/gCANS collassano a uno standard a shot fissi (a causa di bassi rapporti segnale-rumore), QUIVER mantiene un margine di performance adattando dinamicamente $V$ e $M$.

Significatività e Rivendicazioni
Il documento rivendica di fornire un framework teorico unificato che tratta SPSA, RCD e la regola dello spostamento dei parametri come casi particolari di un singolo stimatore a direzione casuale. Introducendo il parametro sintonizzabile $V$, offre una leva esplicita per interpolare tra le strategie più economiche (massima varianza) e quelle più costose (esatte).

Il contributo primario è l'ottimizzatore QUIVER, che è il primo metodo adattivo specificamente progettato per i gradienti forward. Esso supera i limiti strutturali dei precedenti ottimizzatori di shot-adattivi (che falliscono quando il rumore si concentra uniformemente) adattando il numero di direzioni piuttosto che solo il conteggio degli shot per direzione. Gli autori affermano che QUIVER raggiunge un'efficienza di shot quasi ottimale, saturando il limite di Cramér–Rao per il recupero del gradiente da un oracolo di rumore di shot, e consente l'addestramento di circuiti quantistici su larga scala (fino a 60 qubit) con costi di misurazione ordini di grandezza inferiori rispetto alla regola dello spostamento dei parametri.

Il lavoro sottolinea che questi guadagni sono ottenuti senza qubit ancilla, gate controllati o misurazioni mid-circuit, rendendo il framework immediatamente applicabile all'attuale hardware quantistico NISQ (Noisy Intermediate-Scale Quantum).