Gate Freezing Method for Gradient-Free Variational Quantum Algorithms in Circuit Optimization

Probleemstelling

Parameterized Quantum Circuits (PQCs) zijn de kerncomponenten van Variational Quantum Algorithms (VQAs) en worden veel gebruikt voor toepassingen zoals kwantumchemie, combinatorische optimalisatie en machine learning. Ondanks hun potentieel, worden prestaties op echte kwantumhardware (NISQ-era) beperkt door ruis, decoherentie en het fenomeen van "barren plateaus" (vlakke landschappen waar gradiënten verwaarloosbaar klein worden).

Zelfs wanneer barren plateaus niet het hoofdprobleem zijn, is de optimalisatie van PQCs vaak inefficiënt. Na een paar iteraties in het optimalisatieproces veranderen de parameters van een groot deel van de poorten (gates) slechts marginaal. Traditionele optimalisatoren (zoals Rotosolve, Fraxis en FQS) besteden echter nog steeds volledige rekenkracht aan het opnieuw optimaliseren van deze reeds stabiele poorten, wat leidt tot een verspilling van waardevolle kwantum-metingen (shots) en computertijd.

Methodologie

De auteurs stellen een nieuwe reeks methoden voor, genaamd Gate Freezing, die specifiek is ontworpen voor gradient-free optimalisatoren (Rotosolve, Free-Axis Selection [Fraxis], en Free-Quaternion Selection [FQS]). Het kernidee is om de optimalisatie van poorten tijdelijk te "bevriezen" wanneer hun parameters weinig veranderen tussen opeenvolgende iteraties.

De methode omvat de volgende stappen:

1. Distantieberekening: Na elke optimalisatie van een individuele poort wordt de verandering in de parameter(s) gemeten ten opzichte van de vorige iteratie.
   • Voor Rotosolve (enkele hoek $\theta$): Er wordt gebruik gemaakt van een cyclische afstandsberekening rekening houdend met de periode van $2\pi$.
   • Voor Fraxis en FQS (veel-dimensionale parameters zoals rotatieassen of quaternions): Er wordt een afstand op het eenheidsboloppervlak (great-circle distance) of een genormaliseerde matrixnorm (Frobenius-norm) gebruikt om de verandering in de unitaire transformatie te kwantificeren.
2. Bevriezingsdrempel ($T$): Als de berekende afstand kleiner is dan een vooraf gedefinieerde drempelwaarde $T$, wordt de poort als "bevriest" gemarkeerd.
3. Iteratieve Bevriezing ($\kappa$): Een bevrieste poort wordt gedurende $\kappa$ iteraties overgeslagen tijdens de optimalisatiecyclus. Dit betekent dat de optimalisator zich concentreert op de poorten die nog wel significante veranderingen ondergaan.
4. Incrementele Bevriezing: Een geavanceerde variant waarbij de bevriestijd $\kappa$ voor een specifieke poort lineair toeneemt elke keer dat deze poort opnieuw onder de drempel valt. Dit straalt een "straf" uit aan poorten die consequent stabiel zijn, waardoor meer resources naar slecht geoptimaliseerde poorten worden verplaatst.

Belangrijkste Bijdragen

• Resource-herallocatie: De methoden herverdelen de beperkte rekenresources (metingen) naar de poorten die het meest bijdragen aan de verbetering van de kostenfunctie, in plaats van tijd te verspillen aan reeds geoptimaliseerde poorten.
• Generaliseerbaarheid: De aanpak is niet beperkt tot specifieke parameters, maar kan worden toegepast via matrixnormen op unitaire operatoren, waardoor het uitbreidbaar is naar $n$-qubit poorten.
• Validatie op verschillende modellen: De methoden zijn getest op twee veelvoorkomende kwantummodellen: het 1D Heisenberg-model en het Fermi-Hubbard-model, met variaties in systeemgrootte (6-9 qubits) en circuitdiepte.
• Analyse van bevriezingspatronen: De auteurs analyseren welke poorten het vaakst bevriezen en ontdekken dat poorten in de laatste lagen van het circuit en in het midden van de qubit-lijnen sneller stabiliseren dan poorten in de eerste lagen.

Resultaten

De experimenten, uitgevoerd met simulatoren (statevector en met shot-ruis), tonen de volgende resultaten:

• Verbeterde Convergentie: Voor zowel Rotosolve als Fraxis leidt gate freezing tot een significante verbetering in convergentiesnelheid en de kwaliteit van de gevonden oplossing (lagere relatieve fout t.o.v. de grondtoestand). De verbetering is het grootst bij Rotosolve.
• FQS Prestaties: Voor FQS zijn de verbeteringen kleiner en afhankelijk van de instellingen, maar er is nog steeds een positief effect, vooral bij incrementele bevriezing.
• Robuustheid tegen Ruis: Bij simulaties met shot-ruis (1024 en 4096 shots) blijft de methode effectief, vooral voor Rotosolve en Fraxis in ondiepe circuits. De optimale drempelwaarde $T$ hangt af van het aantal shots.
• Schalbaarheid: Bij het vergroten van het systeem (van 6 tot 9 qubits) en het verdiepen van het circuit ($L=5n$ of $L=10n$), behoudt de incrementele bevriezingsmethode zijn superioriteit ten opzichte van de basisoptimalisatoren, hoewel meer iteraties nodig zijn om de verbetering te zien.
• Geen oplossing voor Barren Plateaus: De auteurs benadrukken dat deze methode barren plateaus niet oplost (het verandert het globale kostenlandschap niet), maar wel de efficiëntie van de bestaande optimalisatoren binnen deze landschappen verbetert.

Significantie

Dit werk biedt een praktische en computerefficiënte strategie om variational quantum algorithms te versnellen op de huidige NISQ-hardware. Door te leren van de dynamiek van de parameters tijdens het optimalisatieproces (een analogie met "layer freezing" in klassiek deep learning), kunnen onderzoekers en ingenieurs de beperkte levensduur van kwantumcoherentie en het aantal beschikbare shots beter benutten.

De methoden zijn direct toepasbaar op bestaande gradient-free optimalisatoren zonder de fundamentele structuur van de algoritmen te wijzigen. Dit maakt ze een waardevolle toevoeging aan de toolbox voor hybride kwantum-klassieke berekeningen, met name voor toepassingen waar de optimalisatie van grote circuits een bottleneck vormt. De bevindingen suggereren ook dat de volgorde van optimalisatie en de selectie van actieve poorten dynamisch kunnen worden aangepast voor nog verdere efficiëntiewinst.