Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm

Technische Samenvatting: Toepassing van Langevin-dynamica voor de verbetering van het Quantum Natural Gradient optimalisatiealgoritme

Probleemstelling
De optimalisatie van variationele kwantumcircuits (VQC's) in hybride kwantum-klassieke algoritmen, zoals de Variational Quantum Eigensolver (VQE) en het Quantum Approximate Optimization Algorithm (QAOA), lijdt vaak aan het "overparametrisatie"-probleem. Hoewel het basis QNG-algoritme werd voorgesteld om dit te verzachten door gebruik te maken van de Quantum Geometric Tensor (QGT) om een herparametrisatie-invariante dalingrichting te definiëren, heeft het basis QNG-algoritme vaak moeite met niet-convexe verlieslandschappen. Specifiek heeft het de neiging om vast te lopen in lokale minima, zadelpunten en plateaus, wat de effectiviteit ervan in complexe optimalisatietaken beperkt.

Methodologie
De auteurs stellen een nieuw optimalisatiealgoritme voor, Momentum-QNG, afgeleid door Langevin-dynamica toe te passen op het QNG-raamwerk.

• Theoretische Afleiding: De studie begint met het modelleren van het optimalisatieproces als de discrete-tijd oplossing van de Langevin-vergelijking. Door een stochastische krachtterm te introduceren op basis van de QNG-gradiënt ($\hat{f} = -g^{-1}(\theta)\nabla L(\theta)$) en een viskeuze wrijvingsterm in te voegen, leiden de auteurs een discrete update-regel af.
• Algoritme Formulering: De resulterende update-regel is:
  $$\Delta\theta_{n+1} = \rho\Delta\theta_n - \eta \cdot g^{-1}(\theta_n)\nabla L(\theta_n)$$
  Hier fungeert $\rho$ als een momentumcoëfficiënt afgeleid van de wrijvingscoëfficiënt, en $\eta$ is de leersnelheid. Deze formulering generaliseert het basis QNG (dat wordt teruggevonden wanneer $\rho=0$) door een inertieterm toe te voegen.
• Mechanisme: De momentumterm stelt de optimizer in staat om snelheid te accumuleren, waardoor deze lokale minima en plateaus kan ontsnappen waar lokale gradiënten verdwijnen. Theoretische analyse (Vergelijking 17) suggereert dat de gemiddelde spronglengte van de variatiemparameters nabij een extremum toeneemt met de momentumcoëfficiënt, wat een bredere exploratie van de parameterruimte faciliteert.
• Implementatie: Het algoritme is geïmplementeerd binnen het PennyLane quantum computing pakket. De Quantum Geometric Tensor werd berekend met behulp van een blokdiagonaal benadering met een regularisatiecoëfficiënt $\lambda = 0,5$.

Benchmarking en Resultaten
Het Momentum-QNG algoritme werd getest tegenover het basis QNG, standaard Momentum en Adam optimizers over drie verschillende variationele kwantumproblemen:

1. Investeringsportefeuille-optimalisatie (Ising Spin-Glass Model):

   • Setup: VQE-optimalisatie voor $N=6, 11, 12$ qubits.
   • Resultaten: Momentum-aangepaste optimizers (Momentum-QNG, Momentum, Adam) presteerden significant beter dan het basis QNG in termen van energieconvergentie ($\Delta E$). Ho. Hoewel het basis QNG de snelste convergentiesnelheid vertoonde, resulteerde dit in de hoogste energie-misfit. Adam demonstreerde de meest robuuste prestaties met het breedste convergentiedomein.

2. Quantum Sherrington-Kirkpatrick (SK) Model:

   • Setup: Grondtoestandsenergie-minimalisatie voor $N=8$ qubits onder variërende transversale veldsterktes ($g$).
   • Resultaten: Prestaties varieerden per regime:
     • Voor sterke velden ($g=0,1$) bereikte het basis QNG de laagste fout, consistent met eerdere bevindingen.
     • Voor intermediaire velden ($g=10^{-3}$) presteerden Momentum en Momentum-QNG even goed.
     • Voor zwakke velden ($g=10^{-5}$), die een sterk spin-glas regime vertegenwoordigen met uitgesproken lokale minima, presteerde Momentum-QNG beter dan alle andere algoritmen.
   • Observatie: De auteurs schrijven de superieure prestaties van Momentum-QNG in het sterke spin-glas regime toe aan een synergetisch effect tussen de quantum geometric tensor en de momentumterm, waardoor het algoritme de complexe energie-landschappen effectiever kan navigeren.

3. Minimum Vertex Cover (QAOA):

   • Setup: Optimalisatie op grafen met $N=4$ en $N=8$ vertices.
   • Resultaten: Momentum-QNG, Momentum en Adam bereikten vergelijkbare maximale kwaliteitsratio's, wat significant beter is dan het basis QNG. Adam behield het breedste convergentiedomein, terwijl Momentum-QNG vergelijkbaar presteerde met Adam binnen zijn domein.

Belangrijkste Bijdragen

• Afleiding van Momentum-QNG: Het artikel legt een theoretische link tussen Langevin-dynamica en kwantumoptimalisatie, en leidt een gegeneraliseerd QNG-algoritme af dat momentum incorporeert.
• Prestatievalidatie: Door middel van uitgebreide numerieke benchmarks toont de studie aan dat het toevoegen van een momentumterm aan QNG het vermogen verbetert om lokale minima en plateaus te ontsnappen, met name in niet-convexe, overgeparametriseerde landschappen.
• Open Source: De auteurs bieden open-source code voor het Momentum-QNG algoritme aan om verder onderzoek te faciliteren.

Betekenis en Claims
Het artikel claimt dat Momentum-QNG een significante vooruitgang vormt voor het optimaliseren van variationele kwantumcircuits, specif gezien in scenario's waar het verlieslandschap grillig is en gevoelig voor lokale minima. De auteurs benadrukken dat hoewel het basis QNG effectief is voor convexe of eenvoudigere problemen, de toevoeging van de momentumterm cruciaal is voor het navigeren door de complexe, niet-convexe landschappen die typerend zijn voor sterke spin-glas regimes en andere moeilijke optimalisatietaken. De studie concludeert dat de combinatie van de quantum geometric tensor (voor herparametrisatie-invariantie) en momentum (voor traagheid) een synergetisch effect creëert dat de optimalisatieprestaties verbetert in uitdagende kwantumregimes. De auteurs blijven bescheiden en merken op dat Adam vaak nog steeds het meest robuust blijft, maar benadrukken dat Momentum-QNG een duidelijk voordeel biedt in specifieke hoog-complexe regimes waar andere momentum-gebaseerde methoden mogelijk de quantum geometrische structuur niet volledig benutten.