Accelerating Quantum Eigensolver Algorithms With Machine Learning

Dit artikel onderzoekt het gebruik van op klassieke data getrainde XGBoost-gebaseerde machinelearningmodellen om hyperparameters te voorspellen voor het versnellen van Quantum Eigensolver-algoritmes op NISQ-apparaten, waarbij een foutreductie van 0,12% op 28-qubitsystemen wordt bereikt, terwijl tegelijkertijd de noodzaak wordt benadrukt om de trainingsdata voor kleinere systemen verder te verfijnen.

De kern

Stel je voor dat je probeert het laagste punt te vinden in een uitgestrekt, mistig berglandschap. Dit laagste punt vertegenwoordigt de meest stabiele, "grondtoestand"-energie van een complex molecuul. In de wereld van kwantumcomputers is het vinden van dit punt cruciaal voor het ontwerpen van nieuwe medicijnen of materialen, maar het terrein is zo ruig en de mist zo dik dat het ongelooflijk moeilijk is om je een weg te banen.

Dit artikel beschrijft een team van onderzoekers dat probeerde een slimme GPS te bouwen om kwantumcomputers te helpen dit laagste punt sneller en nauwkeuriger te vinden.

Hier is het verhaal van hun reis, opgesplitst in eenvoudige concepten:

1. Het Probleem: De Ruige Kwantumauto

De onderzoekers werken met NISQ-apparaten. Denk hierbij aan "Noisy Intermediate-Scale Quantum"-computers.

• De Analogie: Stel je een zeer krachtige sportauto (de kwantumcomputer) voor die momenteel in een garage wordt gebouwd. Het heeft veel paardenkracht (qubits), maar de motor stottert, de banden zijn kaal en het stuurwiel is los (ruis). Het is nog niet klaar voor een interlandrace (fouttolerant rekenen), maar het kan nog wel een blokje om rijden.
• De Uitdaging: Om het beste resultaat uit deze stotterende auto te halen, moet je de motor perfect afstellen. Deze "afstelknoppen" worden hyperparameters genoemd. Als je ze de verkeerde kant op draait, stopt de auto of rijdt hij in cirkels. Als je ze precies goed draait, kan hij de race misschien zelfs winnen.

2. De Oplossing: De "GPS" (Machine Learning)

Het team, geleid door Avner Bensoussan en collega's, besloot Machine Learning (ML) te gebruiken als GPS. In plaats van te raden welke knoppen om te draaien, wilden ze dat de computer de beste instellingen zou leren op basis van eerdere ervaringen.

• De Trainingsfase: Ze konden niet meteen testen op de grote, moeilijke bergen (systemen met 28 qubits), omdat de mist te dik en de auto te onbetrouwbaar was. Dus begonnen ze op kleine, heldere heuvels (systemen met maximaal 16 qubits).
• De Datacollectie: Ze reden met hun kwantumauto duizenden keren over deze kleine heuvels en hielden elke instelling die ze probeerden en hoe goed het presteerde, bij.
• Het Model: Ze voerden deze data in een "regressor" in (een type AI, specifiek XGBoost). Denk aan deze AI als een student die duizenden kaarten van kleine heuvels heeft bestudeerd en patronen heeft geleerd: "Wanneer de heuvel eruitziet als X, werkt het meestal het beste om de knop op Y te draaien."

3. De Test: De Grote Bergen Rijden

Zodra de AI-student was getraind, namen ze hem mee naar de grote, mistige bergen (systemen met 20, 24 en 28 qubits). Ze lieten de AI niet de auto rijden; in plaats daarvan vroegen ze de AI: "Op basis van wat je hebt geleerd op de kleine heuvels, wat zijn de beste instellingen voor deze grote berg?"

Ze testten dit op twee verschillende soorten kwantumsrijstrategieën:

1. ADAPT-QSCI: Een methode die de oplossing stukje bij beetje opbouwt, zoals het in elkaar zetten van een puzzel.
2. QCELS: Een methode die tijdsevolutie gebruikt, zoals het kijken naar een film van het molecuul dat in de loop van de tijd verandert om te zien waar het tot rust komt.

4. De Resultaten: Een Gemengd Pakket

De resultaten waren een beetje als een "veelbelovend begin, maar we hebben meer oefening nodig"-verhaal.

• De Overwinning: Op de grootste, moeilijkste bergen (systemen met 28 qubits) hielpen de door de AI voorgestelde instellingen daadwerkelijk. Ze verlaagden de fout (de afstand tot het ware laagste punt) met ongeveer 0,12%. Het is een klein getal, maar in dit hoog-risico spel telt elk fractie van een procent. Het hielp de auto ook om de race sneller te voltooien (minder iteraties nodig).
• De Strijd: Op de middelgrote bergen (20 en 24 qubits) was de AI niet altijd behulpzaam. Soms zorgden de instellingen die het voorstelde ervoor dat de auto slechter reed dan wanneer ze gewoon de standaardinstellingen hadden gebruikt.
• De "Waarom": De onderzoekers realiseerden zich dat de AI worstelde omdat het "terrein" van de kleine heuvels (trainingsdata) niet precies hetzelfde was als de grote bergen. De AI probeerde regels toe te passen van een kleine heuvel op een enorm bergmassief, en de fysica werd te ingewikkeld.

5. De Conclusie: Een Werk in Uitvoering

Het artikel concludeert dat het gebruik van Machine Learning om kwantumcomputers af te stellen een haalbaar idee is, maar het is nog geen toverstaf.

• De Kernboodschap: De AI kan goede instellingen voorspellen, maar moet de specifieke "vorm" van het probleem (de Hamiltoniaan) beter begrijpen.
• Toekomstplannen: Het team plant om de AI te trainen op meer diverse data en misschien te leren om andere delen van het kwantumalgoritme te optimaliseren, niet alleen de afstelknoppen.

Samenvattend: De onderzoekers bouwden een slimme assistent die leerde van kleine oefenruns om een ruige kwantumcomputer af te stellen voor grotere, moeilijkere problemen. Het werkte een beetje op de moeilijkste problemen, wat bewijst dat het concept deugdelijk is, maar de assistent heeft nog meer training nodig om echt betrouwbaar te zijn voor alle soorten kwantum"bergen".

Technische samenvatting

1. Probleemstelling

Het artikel behandelt de uitdaging van het optimaliseren van Variational Quantum Algorithms (VQAs) en andere quantum-eigensolvers op Noisy Intermediate-Scale Quantum (NISQ) apparaten. Specifiek richten de auteurs zich op de Quantum Algorithm Grand Challenge (QAGC2024), waarbij deelnemers de opdracht kregen om de grondtoestandsenergie van een 1D-orbitaal-geroteerd Fermi-Hubbard-model-Hamiltoniaan te vinden met behulp van een 28-qubitsysteem onder strikte beperkingen (beperkt aantal shots, time-out en invoergegevens).

Kernproblemen:

• Gevoeligheid voor hyperparameters: Quantum-algoritmen zoals ADAPT-QSCI en QCELS zijn sterk afhankelijk van hyperparameters (bijv. aantal steekproeven, drempelwaarden voor truncatie, iteratielimieten). Slecht afgestelde parameters leiden tot suboptimale nauwkeurigheid of een excessive runtime.
• Schaalbaarheid: Traditionele hyperparameter-tuning (bijv. grid search) is computarisch onhaalbaar voor grote systemen (20+ qubits) vanwege de hoge kosten van quantum-simulaties.
• Generalisatie: Het is onduidelijk of hyperparameters die zijn geoptimaliseerd voor kleine systemen (bijv. 16 qubits) effectief kunnen worden geschaald naar grotere, complexere systemen (28 qubits).

2. Methodologie

De auteurs stellen AccelerQ voor, een raamwerk dat Machine Learning (ML) integreert met Search-Based Software Engineering om hyperparameter-optimalisatie te automatiseren. De aanpak volgt het paradigma "train klein, voorspel groot".

A. Datageneratie en Augmentatie

• Bron: Data werd klassiek gegenereerd met behulp van state-vector simulators voor systemen variërend van 4 tot 16 qubits.
• Features (Invoer): Gecomprimeerde representaties van Hamiltoniaans (getruncateerd om verwaarloosbare termen te verwijderen), systeemgrootte (aantal qubits) en willekeurige hyperparameter-vector.
• Labels (Doel): De resulterende grondtoestandsenergie (waarde van de kostenfunctie).
• Augmentatie: Om data-schaarste te overwinnen, gebruikten de auteurs willekeurige generatie van hyperparameters en klassieke simulatie om trainingsdatasets te creëren van ongeveer 4.760 records voor ADAPT-QSCI en ongeveer 14.510 voor QCELS.

B. Machine Learning-model

• Algoritme: XGBoost (Extreme Gradient Boosting) regressor.
• Rol: Het model fungeert als een surrogaat fitnessfunctie. In plaats van dure quantum-simulaties uit te voeren voor elke kandidaat-hyperparameter, voorspelt het XGBoost-model het verwachte energieniveau (kosten) op basis van de Hamiltoniaan en hyperparameters.
• Training: Modellen werden getraind op data van systemen $\le$ 16 qubits.

C. Search-Based Optimalisatie (AccelerQ)

• Proces:
  1. Genereer een populatie van willekeurige hyperparameter-vector voor een doelsysteem (bijv. 28 qubits).
  2. Gebruik het getrainde XGBoost-model om de energiescore voor elke vector te voorspellen.
  3. Pas een Genetisch Algorithm (GA)-aanpak toe: Selecteer de best presterende vector, pas crossover (middeling, extremen) en mutatie toe om nieuwe kandidaten te genereren.
  4. Herhaal tot convergentie om de "optimale" set hyperparameters te vinden.
• Uitvoering: De uiteindelijke geoptimaliseerde hyperparameters worden toegepast op het daadwerkelijke quantum-algoritme (ADAPT-QSCI of QCELS) dat op een simulator draait om de grondtoestandsenergie te verifiëren.

D. Geëvalueerde Algoritmen

1. ADAPT-QSCI: Een adaptief algoritme dat Pauli-operatoren selecteert om een invoertoestand te bouwen, en configuratie-interactie uitvoert op een klassieke computer.
2. QCELS (Quantum Complex Exponential Least Squares): Gebruikt tijdsevolutie-unitaires en Hadamard-tests om complexe exponentiële functies te fitten, waardoor het barren plateau-probleem van VQEs wordt vermeden.

3. Belangrijkste Bijdragen

• AccelerQ Framework: Een nieuw prototype-tool dat hyperparameter-optimalisatie ontkoppelt van de quantum-uitvoeringslus door ML-surrogaatmodellen te gebruiken die zijn getraind op kleinere systemen.
• Algoritme-onafhankelijke Toepasbaarheid: Aangetoond dat de search-based ML-aanpak niet specifiek is voor één algoritme, maar kan worden toegepast op zowel ADAPT-QSCI als QCELS.
• Hamiltoniaan-gerichte Analyse: Benadrukt dat het succes van ML-voorspelling sterk afhankelijk is van de karakteristieken van de Hamiltoniaan (bijv. aantal termen, sparsiteit) en niet alleen van het algoritmetype.
• Open-Source Release: Code, trainingsdata, modellen en resultaten beschikbaar gesteld via Zenodo en GitHub om reproduceerbaarheid te faciliteren.

4. Resultaten

De evaluatie werd uitgevoerd op 16 systemen (20, 24 en 28 qubits) met zowel challenge-Hamiltoniaans als open-source moleculaire Hamiltoniaans.

• Prestaties op Challenge-Hamiltoniaans (28-qubit):

  • Nauwkeurigheid: De ML-geoptimaliseerde ADAPT-QSCI bereikte een reductie van 0,12% in fout ten opzichte van de standaardinstellingen op 28-qubit systemen.
  • Efficiëntie: Geoptimaliseerde opstellingen vereisten aanzienlijk minder iteraties (gemiddeld 37 versus 61 voor standaardinstellingen), wat wijst op een potentiële versnelling van de convergentie.
  • QCELS: Toonde gemengde resultaten; hoewel het de laagste fout (0,83%) behaalde op één specifiek 20-qubit systeem, had het moeite met 28-qubit simulaties vanwege dempingseffecten in de tijdsevolutie-gegevens, wat leidde tot fitefouten.

• Prestaties op Open-Source Moleculaire Hamiltoniaans:

  • Verslechtering: De geoptimaliseerde hyperparameters presteerden over het algemeen slechter dan de standaardinstellingen voor deze systemen.
  • Oorzaak: De auteurs schrijven dit toe aan een domeinverschuiving. Open-source moleculaire Hamiltoniaans hadden aanzienlijk minder termen (gemiddeld 48) in vergelijking met de challenge-Hamiltoniaans (gemiddeld 200+). Het ML-model, getraind op een mix die gedomineerd werd door de datastructuur van de challenge, faalde in het generaliseren naar de sparsiteit van moleculaire systemen.

• Schaalbaarheid (RQ2):

  • De modellen toonden beperkte schaalbaarheid. Hoewel ze de prestaties verbeterden voor systemen met vergelijkbare Hamiltoniaankarakteristieken als de trainingsdata, faalden ze in het generaliseren naar systemen met verschillende structurele eigenschappen (bijv. termendichtheid).

5. Betekenis en Toekomstig Werk

• Hybride Quantum-Klassiek Paradigma: Het artikel bevestigt de levensvatbaarheid van het gebruik van klassieke ML om quantum-workflows te optimaliseren, waarbij het quantum-apparaat in de kern blijft terwijl de "afstel"-last wordt uitbesteed aan klassieke processors.
• Geïdentificeerde Beperkingen:
  • Data-representatie: De compressie van Hamiltoniaans voor ML-invoer kan kritieke fysische nuances verliezen die nodig zijn voor generalisatie over verschillende systeemtypes.
  • Simulator-artefacten: Het falen van QCELS op 28 qubits was deels te wijten aan simulator-beperkingen (Matrix Product State truncatiefouten) en niet aan het algoritme zelf.
• Toekomstige Richtingen:
  • Verfijn de selectie van trainingsdata om betere dekking van Hamiltoniaankarakteristieken te garanderen (bijv. termendichtheid, sparsiteit).
  • Breid het raamwerk uit om andere subroutines te optimaliseren naast hyperparameters (bijv. ansatz-structuur, meetstrategieën).
  • Onderzoek aangepaste verliesfuncties en feature-gewichting om de robuustheid van het model te verbeteren.

Conclusie

Het artikel toont succesvol aan dat Machine Learning quantum-eigensolvers kan versnellen door het voorspellen van optimale hyperparameters, wat meetbare verbeteringen oplevert in nauwkeurigheid en iteratieaantallen voor specifieke probleemklassen (Fermi-Hubbard-modellen). Het onderzoek dient echter ook als een waarschuwing: generalisatie is niet gegarandeerd. De effectiviteit van de ML-aanpak is nauw verbonden met de overeenkomst tussen de Hamiltoniaankarakteristieken van de trainingsdata en het doelsysteem, wat suggereert dat toekomstig werk zich moet richten op feature-engineering en data-diversiteit in plaats van alleen op modelcomplexiteit.