Technische Samenvatting: Onderzoek naar Quantum Circuit Ontwerpen met behulp van Neuro-evolutie

Probleemstelling

Het ontwerp van effectieve Geparametriseerde Quantumcircuits (PQCs) blijft een belangrijke flessenhals in Quantum Machine Learning (QML). De structuur van een quantumcircuit—specifiek de soorten poorten, qubit-connectiviteit, parametrisering en diepte—bepaalt fundamenteel de expressiviteit, trainbaarheid en robuustheid tegen ruis. Huidige benaderingen vertrouwen zwaar op handmatig ontworpen sjablonen of vaste heuristieken, die vaak niet generaliseren naar verschillende taken of hardwarebeperkingen. Deze statische ontwerpen kunnen lijden onder problemen zoals barren plateaus, zwakke gradiëntsignalen of onvoldoende verstrengeling. Hoewel geautomatiseerde Quantum Neural Architecture Search (QNAS) bestaat, worden veel bestaande methoden beperkt door ondiepe zoekruimtes, hoge computationele overhead of een gebrek aan flexibiliteit bij het ondersteunen van verschillende quantum backends en objectieffuncties.

Methodologie: EXAQC

De auteurs stellen Evolutionary eXploration of Augmenting Quantum Circuits (EXAQC) voor, een neuro-evolutionair framework voor het geautomatiseerd ontwerpen en trainen van quantumcircuits. Geïnspireerd door de EXAMM en EXA-GP algoritmen, behandelt EXAQC quantumcircuits als muteerbare "genomen" die evolueren om zowel structuur als parameters simultaan te optimaliseren.

1. Genoom Representatie

In tegen tegenstelling tot fixed-size representaties, maakt EXAQC gebruik van een onbegrensde lijst van poorten. Een genoom bestaat uit:

• Input en output qubit-identificatoren.
• Een lijst van poorten, waarbij elke poort een dieptewaarde ($0.0 \le d \le 1.0$), input/output qubit-verbindingen, trainbare parameters (indien van toepassing) en een innovatienummer bevat.
• Het innovatienummer stelt het systeem in staat om homologe structuren over verschillende genomen te volgen, wat effectieve crossover faciliteert.

2. Evolutionaire Operatoren

EXAQC hanteert een hybride evolutionair-variational aanpak waarbij structurele veranderingen worden gedreven door evolutie, terwijl parameters worden geoptimaliseerd via gradiëntgebaseerd leren (Adam optimizer).

• Mutatie Operatoren:
  • Add Gate (Poort Toevoegen): Voegt een nieuwe poort in op een willekeurige diepte, waarbij de input/output qubits worden geselecteerd op basis van connectiviteitsanalyse om te garanderen dat de poort bijdraagt aan de berekening.
  • Enable/Disable Gate (Poort In- of Uitschakelen): Schakelt de activiteit van bestaande poorten aan of uit.
  • Reorder Gate (Poort Herordenen): Verplaatst een poort naar een nieuwe diepte.
  • Swap Qubits (Qubits Wisselen): Wijzigt de qubit-verbindingen van een poort.
  • Constraint Check (Beperkingstoets): Na mutatie zorgt een forward traversal ervoor dat ten minste één input naar een output stroomt; ongeldige genomen worden weggegooid.
• Crossover Operatoren:
  • Binary Crossover (Binaire Crossover): Combineert twee ouders, waarbij gedeelde innovaties worden behouden en unieke innovaties van respectievelijk de fittere ouder ($best\_keep\_rate$) of de minder fitte ouder ($other\_keep\_rate$) probabilistisch worden behouden.
  • N-ary Crossover: Breidt crossover uit naar meerdere ouders (bijv. $n=4$), waarbij een randomized simplex benadering wordt gebruikt om parameters te combineren.
  • Exponential Crossover (Exponentiële Crossover): Splitst ouders op een willekeurig diepte-crossoverpunt, waarbij de poorten met een lagere diepte van de ene ouder worden genomen en de poorten met een hogere diepte van de andere ouder.
• Lamarckian Weight Inheritance (Lamarckiaanse Gewicht Overerving): Om de kosten van backpropagation te verminderen, worden gewichten van succesvolle ouders geërfd en verfijnd in plaats van opnieuw geïnitialiseerd.

3. Backend Agnosticisme en Loss Functies

Het framework is ontworpen om backend-agnostisch te zijn, met ondersteuning voor zowel Qiskit als PennyLane. Het ondersteunt twee primaire optimalisatiemodi:

• Teacher Imitation (Fidelity-Based): Wanneer er een doelwit "teacher" circuit bestaat, minimaliseert het systeem de loss tussen de kandidaat-toestand en de teacher-toestand. Metrieken zijn onder meer Fidelity ($1 - |\langle \phi | \psi \rangle|^2$) en Angular Distance.
• Supervised Learning (Readout-Based): Voor klassieke datasets gebruikt het systeem meting-gedreven losses. Dit omvat Cross-Entropy op marginale readout-kansen voor classificatie, Kullback-Leibler (KL) Divergentie, en Observable Mean Squared Error (MSE) voor hardware-gealigneerde constraints.

Belangrijkste Bijdragen

1. Verenigd Framework: Introductie van EXAQC, een systeem dat de quantumtopologie (poorttypen, connectiviteit, diepte) en parameters gezamenlijk optimaliseert voor zowel supervised learning als circuit emulatie.
2. Backend Agnosticisme: Een flexibele trainingspipeline compatibel met zowel PennyLane als Qiskit, waardoor dezelfde evolutionaire representatie kan worden geëvalueerd onder verschillende executiemodellen.
3. Flexibele Loss Formuleringen: De mogelijkheid om te schakelen tussen fidelity-gebaseerde supervisie (voor target circuit emulatie) en readout-gebaseerde losses (voor klassieke classificatie) binnen een consistente pipeline.
4. Nieuwe Crossover Strategieën: Adaptatie van neuro-evolutionaire crossover technieken (N-ary en Exponential) specifiek voor geordende quantumlijsten met poorten.

Experimentele Resultaten

De auteurs evalueerden EXAQC op vier UCI benchmark datasets (Iris, Wine, Seeds, Breast Cancer) en een suite van synthetische "teacher" quantumcircuits.

• Classificatie Prestaties: Gebruikmakend van een bescheiden computationeel budget (500 geëvalueerde genomen), bereikten geëvolueerde circuits een hoge nauwkeurigheid op benchmark datasets. Zo bereikte de Iris dataset bijvoorbeeld een nauwkeurigheid van tot 90.0%, en Seeds bereikte 95.2%. De resultaten wezen op een correlatie tussen circuitcomplexiteit (aantal poorten) en prestaties, wat suggereert dat langere zoektijden verdere verbeteringen kunnen opleveren.
• Circuit Emulatie: In teacher-gebaseerde benchmarks leerde het systeem succesvol doelgedrag te emuleren:
  • Baseline (Single Gate): Bereikte 100% fidelity binnen 3–5 genomen.
  • Bell-State Generators: Bereikten 98.32% fidelity.
  • Input-Controlled Circuits: Bereikten 94.11% fidelity.
  • Multi-Layered Circuits: Bereikten 91.73% fidelity na het verkennen van meer dan 800 genomen.
• Structurele Ontdekking: Het systeem ontdekte organisch niet-triviale circuittopologieën. In sommige gevallen bereikten de geëvolueerde circuits een hoge fidelity met structureel andere mechanismen dan de teacher (bijv. het tweemaal toepassen van een Hadamard-poort om een Identity-poort te simuleren).

Betekenis en Claims

Het artikel positioneert EXAQC als een praktische en schaalbare methodologie voor het ontdekken van "problem-aware" quantumcircuits. De auteurs beweren dat evolutionaire zoektochten een cruciaal instrument zijn voor de vooruitgang van QML, omdat ze de combinatorische ontwerpplek van poorttypen en connectiviteit kunnen navigeren zonder afhankelijk te zijn van vaste sjablonen.

De betekenis van het werk ligt in de demonstratie dat:

1. Evolutionaire algoritmen effectief de structuren van quantumcircuits kunnen ontdekken die generaliseren over verschillende datasets en hardwarebeperkingen.
2. Een verenigd framework zowel fysica-gedreven taken (emulatie van quantumtoestanden) als data-gedreven taken (classificatie van klassieke data) kan afhandelen zonder de onderliggende evolutionaire machine te veranderen.
3. De aanpak een principieel pad biedt naar schaalbare quantumcircuit design, bewegend van handmatige heuristische ontwerpen naar geautomatiseerde, adaptieve ontdekking.

De auteurs blijven bescheiden over toekomstige implicaties en merken op dat hoewel de huidige implementatie een enkele steady-state populatie en single-objective optimalisatie gebruikt, het framework ontworpen is om extensibel te zijn naar multi-objective strategieën en island-modellen in toekomstig werk. Zij benadrukken dat de huidige resultaten dienen als een proof-of-concept voor de levensvatbaarheid van neuro-evolutie in quantum architecture search.