Technische Samenvatting: Een Raamwerk voor het Evalueren van de Prestaties van Variational Quantum Algorithms

1. Probleemstelling

Variational Quantum Algorithms (VQA's) zijn een leidende aanpak voor het oplossen van combinatorische optimalisatieproblemen, specifiek Quadratic Unconstrained Binary Optimization (QUBO), op Noisy Intermediate-Scale Quantum (NISQ) apparaten. Het benchmarken van VQA's blijft echter uitdagend vanwege hun inherente stochastische aard en het gebrek aan gestandaardiseerde prestatiecriteria. Bestaande studies rapporteren vaak metrieken van een enkele run zonder expliciet rekening te houden met de variabiliteit die wordt geïntroduceerd door een eindig aantal metingen (shots) en ruisachtige kostenevaluaties. Bijgevolg is er geen universeel geaccepteerd criterium om VQA's te classificeren op basis van hun geschiktheid voor specifieke QUBO-instanties onder beperkingen van middelen.

2. Methodologie

De auteurs stellen een algemeen raamwerk voor het evalueren van VQA's toegepast op QUBO-problemen. De methodologie is geworteld in het interpreteren van kwantumcircuits als kansverdelingen over de binaire ruimte en het karakteriseren van VQA-prestaties door middel van statistische maten afgeleid van deze verdelingen.

A. Theoretisch Raamwerk

Het raamwerk definieert een VQA als een tupel $VQA := (U, [C, s, A])$, bestaande uit een ansatz ($U$), een kostenfunctie ($C$), het aantal shots ($s$), en een klassieke optimizer ($A$). De prestaties worden gevisualiseerd in een Quality Diagram ($D \subset \mathbb{R}^2$), waarbij elk punt een VQA-executie vertegenwoordigt die wordt gedefinieerd door:

1. Genormaliseerd Middelenverbruik: Het aantal circuit-evaluaties ($n_{calls}$) relatief aan een maximale limiet ($n_{max}$).
2. Succeskans: De kans om het globale minimum te meten ($p_{min}$), getransformeerd als $1 - p_{min}$.

De ideale oplossing komt overeen met het punt $(0,0)$, wat een enkele functie-aanroep met een kans van 1 voor het vinden van het globale minimum vertegenwoordigt. Vanwege de stochastiek genereren herhaalde runs een distributie van punten ($\rho$) over $D$.

B. Drie Kernmetrieken

Het raamwerk evalueert VQA's met behulp van drie complementaire metrieken afgeleid van de distributie $\rho$:

1. Haalbaarheid (Feasibility, $F$): De a priori kans dat het algoritme slaagt in het vinden van een oplossing met een $p_{min}$ boven een vooraf gedefinieerde drempelwaarde ($p_{threshold}$). Dit wordt berekend als het integraal van de distributie $\rho$ over de regio waar $p_{min} \geq p_{threshold}$.
2. Kwaliteit (Quality, $Q$): Een scalaire waarde die de efficiëntie van het zoekproces kwantificeert door de succeswaarschijnlijkheid af te wegen tegen het verbruik van middelen. Het wordt gedefinieerd als de verwachte waarde van een kwaliteitsfunctie $q(n_{calls}, p_{min})$, die een kwaliteit van nul toekent als $p_{min} < p_{threshold}$ en anders de gewogen Euclidische afstand tot het ideale punt $(0,0)$ berekent.
3. Reproduceerbaarheid (Reproducibility, $R$): Een maat voor de zekerheid van de resultaten, geformaliseerd met behulp van Shannon-entropie ($S[\rho]$). Reproduceerbaarheid is gedefinieerd als $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$, waarbij een waarde van 1 wijst op een volledig geconcentreerde distributie (hoge zekerheid) en 0 op een uniforme spreiding (hoge onzekerheid).

C. Selectiecriterium

Het raamwerk vestigt een besluitvormingsproces voor algoritme-selectie op basis van drempelwaarden $(F_0, Q_0, R_0)$. Een VQA wordt pas beschouwd als een "geschikte solver" als het opeenvolgend voldoet aan:

1. $F[\rho] \geq F_0$
2. $Q[\rho] \geq Q_0$
3. $R[\rho] \geq R_0$

3. Experimentele Resultaten

Als bewijs van concept pasten de auteurs het raamwerk toe op een 16-qubit willekeurige QUBO-instantie via simulatie. Ze evalueerden meerdere VQA-configuraties waarbij de CVaR-parameter varieerde ($\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$) en het aantal shots ($s \in \{1.000 \dots 100.000\}$), gebruikmakend van de RealAmplitudes ansatz en de COBYLA optimizer. Elke configuratie werd getest over 400 optimalisatieruns.

Belangrijkste bevindingen:

• Haalbaarheid: De haalbaarheid nam over het algemeen toe met zowel hogere $\alpha$-waarden als hogere shot-aantallen ($s$), om uiteindelijk verzadiging te bereiken. Bijvoorbeeld, met $\alpha=1.00$, bereikte de haalbaarheid 0,95 bij $s=60.000$.
• Kwaliteit: Vergelijkbaar met de haalbaarheid verbeterde de kwaliteit met hogere $\alpha$ en $s$. Er werd echter verzadiging waargenomen voor de meeste gevallen voorbij $s=20.000$, met uitzondering van $\alpha=0.25$.
• Reproduceerbaarheid: In tegen tegenstelling tot de andere metrieken was de reproduceerbaarheid grotendeels ongevoelig voor veranderingen in $s$ en $\alpha$. Lagere waarden van $\alpha$ en $s$ leverden incidenteel hogere reproduceerbaarheid op, waarschijnlijk omdat het algoritme voortijdig stopte zonder diverse oplossingen te verkennen.
• Optimale Configuraties: Op basis van de selectiecriteria ($F_0=0.70, Q_0=1.20, R_0=0.60$) werden de meest geschikte VQA-configuraties geïdentificeerd als die met hogere $\alpha$ (specifiek 0.75 en 1.00) en hogere shot-aantallen (variërend van 10.000 tot 100.000).

4. Belangrijkste Bijdragen

• Verenigd Evaluatie-raamwerk: Introduceert een gestructureerde methodologie die haalbaarheid, kwaliteit en reproduceerbaarheid combineert om het gat in systematische VQA-benchmarking te dichten.
• Stochastische Karakterisering: Gaat verder dan metrieken van een enkele run door de prestaties van VQA's te behandelen als een waarschijnlijkheidsverdeling, waarbij Shannon-entropie wordt gebruikt om reproduceerbaarheid te kwantificeren.
• Quality Diagram: Stelt een visueel en wiskundig hulpmiddel voor om de afwegingen tussen succeswaarschijnlijkheid en middelenverbruik vast te leggen.
• Besluitvormingscriterium: Biedt een formeel, op drempelwaarden gebaseerd selectieproces voor het identificeren van optimale VQA-configuraties onder beperkingen van middelen.

5. Betekenis en Claims

De auteurs beweren dat dit werk bijdraagt aan een geprincipieerde aanpak voor het vergelijken van VQA's in het NISQ-tijdperk. Door expliciet rekening te houden met de stochastische aard van variationele algoritmen, maakt het raamwerk een meer betrouwbare algoritme-selectie mogelijk in hybride kwantum-klassieke workflows.

Het artikel kadert de resultaten bescheiden als een bewijs van concept. Het erkent beperkingen, waarbij wordt opgemerkt dat de analyse beperkt was tot één enkele QUBO-instantie, één ansatz en één optimizer, die allemaal via simulatie werden geëvalueerd. De auteurs stellen dat het raamwerk een fundament biedt voor toekomstig onderzoek, inclusief validatie op echte hardware, exploratie van diverse ansätze en de ontwikkeling van adaptieve selectiecriteria voor grootschalige problemen. Ze beweren niet direct de superioriteit van specifieke algoritmen boven andere in alle contexten, maar benadrukken de bruikbaarheid van het raamwerk om de best presterende algoritmen systematisch te identificeren voor een gegeven probleeminstantie en een bepaald budget aan middelen.