Predictingthe Trainability of Variational Quantum Circuits: A Data-Driven Model for BarrenPlateaus

Nel campo emergente dell'informatica quantistica, gli scienziati stanno costruendo macchine che utilizzano le strane regole del mondo subatomico per risolvere problemi troppo complessi per i moderni supercomputer. Un approccio principale per rendere utili queste macchine prevede un metodo chiamato algoritmo quantistico variazionale. Pensate a questo come a un ciclo in cui un progettista umano costruisce una specifica disposizione di interruttori quantistici, noti come circuito, e poi un computer prova a regolare le impostazioni di questi interruttori per risolvere un problema. Il computer misura quanto bene il circuito sta lavorando e, se il risultato non è perfetto, regola nuovamente le impostazioni, ancora e ancora, sperando di trovare la migliore configurazione possibile. Questo processo è il motore dietro molti nuovi strumenti quantistici per la chimica, la finanza e l'intelligenza artificiale.

Tuttavia, esiste un ostacolo maggiore che spesso impedisce a questo motore di funzionare. Man mano che i circuiti diventano più grandi e complessi per gestire problemi più grandi, la capacità di trovare le impostazioni corrette può svanire completamente. Questo fenomeno è noto come plateau sterile (barren plateau). Immaginate di cercare di trovare il fondo di una valle in una nebbia fitta. Se il terreno è perfettamente piatto ovunque, non avete modo di capire in quale direzione si trovi la discesa. In questi circuiti quantistici, il panorama matematico diventa così piatto che il computer non riesce a capire verso dove girare le manopole per migliorare il risultato. Il segnale di cui ha bisogno per apprendere scompare, e il processo di addestramento si blocca. Per anni, l'unico modo per sapere se un design di un circuito avrebbe sofferto di questo problema era costruirlo ed eseguirlo effettivamente, un processo incredibilmente costoso e dispendioso in termini di tempo, specialmente per i grandi circuiti necessari per applicazioni del mondo reale.

Un ricercatore della Gyeongsang National University in Corea del Sud ha proposto un modo diverso per risolvere questo enigma. Invece di aspettare per vedere se un circuito fallisce dopo averlo costruito, il ricercatore si è chiesto se un computer standard potesse prevedere il fallimento guardando semplicemente il progetto del circuito. Lo studio tratta la progettazione di un circuito quantistico come un insieme di istruzioni: quanti interruttori vengono utilizzati, quanti strati di operazioni sono impilati, come gli interruttori sono collegati tra loro e quale tipo specifico di misurazione viene eseguita. L'obiettivo era vedere se un modello di apprendimento automatico classico potesse apprendere la relazione tra queste scelte di progettazione e la probabilità che il circuito rimanga bloccato in uno stato piatto e non addestrabile.

Per testare questa idea, il ricercatore ha creato un enorme dataset di ventimila diversi design di circuiti casuali. Utilizzando un programma di simulazione preciso che gira su un computer standard, ha generato il comportamento esatto di ciascun circuito senza bisogno di una macchina quantistica fisica. Per ogni singolo design, ha calcolato quanto cambierebbe la prestazione se le impostazioni venissero leggermente modificate. Questo calcolo, noto come varianza del gradiente, funge da misura di addestrabilità. Una varianza elevata significa che il circuito è facile da addestrare perché il computer può vedere chiaramente la direzione da prendere. Una varianza molto bassa significa che il circuito è bloccato in un plateau sterile. Il ricercatore ha poi inserito le specifiche di progettazione di questi ventimila circuiti in un modello di apprendimento automatico, insieme ai punteggi di addestrabilità calcolati, e ha chiesto al modello di apprendere il pattern.

I risultati hanno mostrato che un tipo specifico di modello di apprendimento automatico, noto come regressore gradient-boosted, poteva prevedere con successo l'addestrabilità di un circuito guardando semplicemente la sua architettura. Testato su design di circuiti che non aveva mai visto prima, il modello ha previsto correttamente il punteggio di addestrabilità con un alto grado di precisione. Ancora più impressionante, il modello è stato addestrato solo su circuiti più piccoli con fino a dieci interruttori, eppure è stato comunque in grado di fare previsioni accurate per circuiti più grandi, mai visti prima, con undici e dodici interruttori. Ciò suggerisce che le regole che governano l'addestrabilità siano abbastanza coerenti da permettere a un modello di apprenderle da piccoli esempi e applicarle a sistemi più grandi e costosi. Il modello ha agito anche come classificatore, distinguendo tra circuiti che funzionerebbero e quelli che fallirebbero con una precisione quasi perfetta.

Analizzando quali caratteristiche il modello ha utilizzato maggiormente per prendere le sue decisioni, il ricercatore ha scoperto che il modello aveva riscoperto principi scientifici stabiliti senza essergli stati esplicitamente comunicati. I fattori più importanti erano il tipo di misurazione utilizzata e il pattern di connessione tra gli interruttori. Nello specifico, i circuiti che utilizzavano una misurazione globale, che osserva tutti gli interruttori contemporaneamente, avevano molte più probabilità di essere non addestrabili rispetto a quelli che utilizzavano una misurazione locale focalizzata su un solo interruttore. Allo stesso modo, certi pattern di connessione che creavano un entanglement denso tra gli interruttori portavano anch'essi a stati non addestrabili. Questo allineamento con la fisica nota conferisce fiducia nel fatto che il modello non stia solo indovinando, ma stia catturando le reali ragioni fisiche per cui alcuni design falliscono.

Lo studio non sostiene di aver risolto il problema dei plateau sterili o di aver creato un vantaggio quantistico. Il modello stesso è interamente classico, e i dati utilizzati per addestrarlo sono stati generati da una simulazione, non da un computer quantistico fisico. Il valore di questo lavoro risiede nel fornire uno strumento di screening economico e veloce. Prima di spendere risorse per costruire o simulare un complesso circuito quantistico, gli ingegneri possono ora utilizzare questo modello per controllare se il design è probabilmente addestrabile. Se il modello prevede un plateau sterile, il design può essere scartato o modificato immediatamente. Questo approccio offre un modo pratico per navigare nel vasto spazio dei possibili design di circuiti quantistici, aiutando i ricercatori a concentrare i loro sforzi sulle architetture che hanno una reale possibilità di funzionare. Il lavoro conferma che l'addestrabilità di un circuito quantistico non è un incidente casuale, ma una proprietà prevedibile del suo design, aprendo la porta a uno sviluppo più efficiente delle future tecnologie quantistiche.