Probabilistic Design of Parametrized Quantum Circuits through Local Gate Modifications

Titel: Probabilistisch Ontwerp van Parametriseerbare Kwantumkringen via Lokale Gate-Modificaties

Auteurs: Grier M. Jones, Aviraj Newatia, Alexander Lao, Aditya K. Rao, Viki Kumar Prasad en Hans-Arno Jacobsen (Universiteit van Toronto en partners).

1. Het Probleem

Binnen het domein van Quantum Machine Learning (QML) zijn parametriseerbare kwantumkringen (Parametrized Quantum Circuits - PQCs) veelbelovende modellen. Het ontwerp van deze kringen is echter een aanzienlijke bottleneck:

• Task-afhankelijkheid: De prestaties van een PQC zijn sterk afhankelijk van de specifieke taak, waardoor handmatig ontwerp tijdrovend en foutgevoelig is.
• Beperkingen van bestaande methoden: Bestaande algoritmen voor het zoeken naar kwantumarchitecturen (Quantum Architecture Search - QAS), zoals die gebaseerd zijn op versterkt leren (RL) of evolutionaire algoritmen, voeren vaak een globale zoektocht uit over de volledige configuratieruimte.
• Schalingsprobleem: Deze globale zoektochten worden computationeel onhaalbaar naarmate het aantal qubits en de diepte van de kringen toenemen, vanwege de exponentiële groei van de zoekruimte.

2. Methodologie: Local Quantum Architecture Search (LQAS)

De auteurs stellen een nieuw, evolutionair geïnspireerd heuristisch algoritme voor: Local Quantum Architecture Search (LQAS). In plaats van een globale zoektocht, focust LQAS op een lokale, probabilistische zoektocht binnen een vastgesteld bereik van gate-niveau modificaties op bestaande kringen.

Kernprincipes van LQAS:

• Initiële Populatie: Het proces start met een basis-ansatz (template), zoals de Hardware-Efficient Ansatz (HEA).
• Lokale Modificaties: In elke iteratie worden circuits gemodificeerd door een reeks van vier probabilistische acties toe te passen op de bestaande gate-sequentie:
  1. Toevoegen ($p_{add}$): Een nieuwe gate invoegen.
  2. Verwijderen ($p_{remove}$): Een bestaande gate verwijderen.
  3. Omschakelen ($p_{switch}$): Een gate vervangen door een ander type (bijv. $R_X$ naar $R_Y$).
  4. Verplaatsen ($p_{move}$): Een gate verplaatsen naar een andere qubit.
• Iteratief Proces:
  1. Een populatie van circuits wordt gegenereerd door deze acties toe te passen op de huidige beste circuits.
  2. De circuits worden getraind op de specifieke taak.
  3. De top-$m$ circuits (gebaseerd op prestatie-metrics zoals verlies op de validatieset) worden geselecteerd als de basis voor de volgende iteratie.
• Doel: Het verfijnen van de architectuur door kleine, gerichte aanpassingen die de functionele structuur behouden maar de expressiviteit optimaliseren, zonder de kosten van een globale zoektocht.

3. Belangrijkste Bijdragen

1. Introductie van LQAS: Een schaalbaar alternatief voor globale QAS-methoden door het probleem te herformuleren als een iteratief lokaal navigatieprobleem.
2. Uitgebreide Evaluatie: Evaluatie van het algoritme op twee synthetische regressietaken (ruisbevatte kwadratische functies) en twee kwantumchemische datasets:
   • DDCC (Data-Driven Coupled-Cluster): Voorspelling van $t_2$-amplitudes voor waterconformeren.
   • BSE49: Een dataset met bindingsenergieën voor 49 verschillende bindingstypes.
3. Hardware-validatie: Implementatie van de beste gevonden modellen op echte kwantumhardware (IBM-processors ibm_fez en ibm_kingston) om de impact van hardware-ruis te beoordelen.

4. Resultaten

De evaluatie werd uitgevoerd met behulp van state-vector simulaties en real-device experimenten.

• Synthetische Datasets:

  • LQAS verbeterde de regressieprestaties aanzienlijk ten opzichte van de basis-ansätze.
  • Voor de 1D-kwadratische functie steeg de $R^2$ (coëfficiënt van determinatie) van -0.993 (basismodel) naar 0.958 na drie iteraties.
  • Voor de 2D-kwadratische functie verbeterde de gemiddelde $R^2$ van 0.415 naar 0.835.
  • De grootste verbetering vond vaak plaats in de eerste iteratie, wat aantoont dat LQAS effectief is in het snel vinden van betere lokale optima.

• Kwantumchemische Datasets:

  • DDCC: Het algoritme slaagde erin een PQC te ontwerpen met hoge nauwkeurigheid ($R^2$ van ~0.948 naar ~0.993 op de validatieset), wat aantoont dat PQCs geschikt zijn voor complexe chemische regressietaken met beperkte qubits.
  • BSE49: De prestaties verbeterden marginaal (van $R^2$ ~0.35 naar ~0.50). De auteurs concluderen dat dit waarschijnlijk te wijten is aan de beperkte capaciteit van het model (192 trainbare parameters) en de hoge compressie van de features (van 2048 naar 16), wat niet voldoende is voor de complexe, niet-lineaire aard van deze dataset.

• Real Hardware (IBM):

  • Experimenten op echte hardware toonden een degradatie in prestaties ten opzichte van simulaties (negatieve $R^2$ waarden), wat de huidige uitdagingen van hardware-ruis en beperkte QPU-tijd benadrukt.
  • Desondanks leverden de experimenten een waardevolle baseline op voor het begrijpen van de kloof tussen theorie en praktijk.

5. Betekenis en Conclusie

Dit paper introduceert een pragmatische aanpak voor het automatiseren van het ontwerp van kwantumkringen. Door de zoekruimte te beperken tot lokale, probabilistische modificaties, omzeilt LQAS de schaalbaarheidsproblemen van bestaande globale zoekalgoritmen.

• Wetenschappelijke Impact: Het bewijst dat kleine, gerichte wijzigingen in de architectuur van een PQC grote verbeteringen in prestaties kunnen opleveren, zelfs voor complexe domeinen zoals kwantumchemie.
• Praktische Toepassing: De methode biedt een haalbare route voor het ontwerpen van QML-modellen voor NISQ-apparaten (Noisy Intermediate-Scale Quantum), waarbij de focus ligt op efficiëntie en het vermijden van overmatige circuitdiepte.
• Toekomstperspectief: Hoewel de resultaten op echte hardware nog beperkt zijn door ruis, biedt LQAS een robuust raamwerk om de beste mogelijke circuits te vinden binnen de huidige hardware-beperkingen.

Samenvattend stelt de auteurs dat LQAS een schaalbaar en hardware-relevant alternatief is voor bestaande QAS-strategieën, met name geschikt voor het verfijnen van bestaande templates voor specifieke regressietaken.