Imaginarity as a necessary resource for trainability in QAOA

Stel je voor dat je probeert een zeer verlegen, zeer complexe robot te leren hoe hij een gigantische puzzel moet oplossen. Deze robot denkt niet zoals wij; hij leeft in een wereld van kwantummechanica, waar hij op veel plaatsen tegelijk kan zijn, maar hij is ook ongelooflijk fragiel. Het instrument dat we gebruiken om hem te leren is de Quantum Approximate Optimization Algorithm, oftewel QAOA. Denk aan QAOA als een spannend spelletje "warm en koud". De robot probeert een oplossing, en een klassieke computer (de leraar) controleert hoe goed deze is. Als de oplossing "koud" is (slecht), moet de leraar de instellingen van de robot een zetje geven om het "warmer" (beter) te maken. Om dit zetje effectief te geven, heeft de leraar een duidelijk signaal nodig—een gradiënt—die precies vertelt in welke richting de knoppen gedraaid moeten worden.

Maar er is een addertje onder het gras. Soms wordt het signaal zo zacht dat de leraar het helemaal niet meer kan horen. Dit is als het proberen te sturen van een schip in een mist waarbij het kompas is gestopt met draaien; de robot loopt vast, en het leerproces komt tot stilstand. Wetenschappers vermoeden al lang dat de robot, om te kunnen leren, een specifieke soort "kwantumsap" nodig heeft om dat signaal levend te houden. Dit onderzoek kijkt naar wat die sap precies is. Het richt zich op een eigenschap genaamd "imaginariteit". In de kwantumwereld kunnen getallen "reëel" zijn (zoals 5 of -2) of "imaginair" (met betrekking tot de vierkantswortel van -1). Terwijl reële getallen het voor de hand liggende beschrijven, beschrijven imaginaire getallen de verborgen, golvende relaties tussen verschillende mogelijkheden. Het onderzoek stelt een eenvoudige maar cruciale vraag: Is deze "imaginaire" materie noodzakelijk voor de robot om vooruit te komen?

De onderzoekers, onder leiding van Syed Muhammad Ali Hassan en collega's, zetten zich in om te bewijzen dat deze "imaginariteit" niet slechts een fancy bijeffect is, maar een strikte vereiste voor de robot om vooruit te gaan. Ze ontdekten dat het signaal dat de leraar gebruikt om de uiteindelijke instellingen van de robot aan te passen, volledig afhankelijk is van deze imaginaire verbindingen. Als de toestand van de robot geen imaginaire delen heeft die de verschillende puzzelstukjes die hij overweegt met elkaar verbinden, verdwijnt het signaal en kan de robot niet leren, hoe hard de leraar ook probeert.

Om te begrijpen hoe ze dit vonden, stel je voor dat de robot een stok kaarten vasthoudt, waarbij elke kaart een mogelijke oplossing voor de puzzel vertegenwoordigt. De robot schudt deze kaarten met behulp van een "mixer" (een kwantumoperatie die kaarten rondwisselt). De leraar wil weten: "Als ik de schudbeweging een klein beetje verander, wordt de score dan beter?" Het artikel laat zien dat deze vraag alleen beantwoord kan worden als er "geestachtige" links tussen de kaarten bestaan—links die alleen bestaan in het imaginaire deel van de wiskunde. Specifiek moet de robot een verbinding hebben tussen twee kaarten die slechts één minuscuul detail verschillen (zoals het omdraaien van één bit van 0 naar 1), en die verbinding moet een imaginaire component hebben.

De auteurs hebben niet alleen gegokt; ze hebben een wiskundige regel afgeleid die werkt als een snelheidslimiet voor het leersignaal van de robot. Ze bewezen dat de sterkte van het signaal begrensd wordt door hoeveel "imaginariteit" er bestaat tussen de kaarten die de mixer verbindt, vermenigvuldigd met hoeveel de score verandert tussen die kaarten. Als het imaginaire deel nul is, is het signaal nul. Het is als het proberen te duwen van een auto met een lekke band; hoe hard je ook duwt (hoeveel je ook de hoek verandert), de auto zal niet bewegen omdat het essentiële ingrediënt (de lucht, of in dit geval het imaginaire deel) ontbreend is.

Het team testte dit idee met een klassieke puzzel genaamd "Max-Cut", wat lijkt op het proberen te splitsen van een groep vrienden in twee teams, zodat de meeste ruzies tussen de teams plaatsvinden in plaats van binnen de teams. Ze simuleerden dit op kleine computers om te zien of hun theorie standhield. Ze ontdekten dat in een perfecte, ruisvrije wereld, de regel precies werkte zoals voorspeld: het signaal werd strikt beperkt door de imaginaire verbindingen.

Maar echte kwantumcomputers zijn rommelig. Ze lijden onder "ruis", wat lijkt op statische ruis op een radio of een windvlaag die de kaarten rondblaast. De onderzoekers controleerden of hun regel nog steeds werkte wanneer ze drie veelvoorkomende soorten ruis toevoegden: fase-flip (die het teken van een kaart omdraait), depolarisatie (die de kaart willekeurig door elkaar husselt) en amplitude-demping (die ervoor zorgt dat een kaart verdwijnt). Ze ontdekten dat de regel zelfs met deze ruis standhield, mits ze hun kijk op de "score" aanpasten om rekening te houden met de ruis. Interessant genoeg ontdekten ze een vreemde eigenschap bij één type ruis (fase-flip): het kon alle imaginaire verbindingen in de uiteindelijke toestand wegvagen, waardoor het leek alsof de robot zijn "kwantumsap" kwijt was, terwijl het leersignaal precies hetzelfde bleef. Dit suggereert dat de "imaginaire sap" die nodig is voor het leren eigenlijk een eigenschap is van de toestand voordat de ruis toeslaat, en niet noodzakelijkerwijs van de uiteindelijke rommelige toestand.

In hun simulaties gebruikten de onderzoekers kleine groepen van 4 tot 8 bits (het kwantumequivalent van vrienden in de puzzel) en testten ze met verschillende niveaus van ruis. Ze vonden dat de "imaginaire" maatstaf een veel betere voorspeller was van het leersignaal dan alleen het kijken naar algemene "coherentie" (die zowel reële als imaginaire verbindingen telt). Het is alsof je beseft dat om een danswedstrijd te winnen, je niet alleen moet bewegen (coherentie), maar dat je op een specifieke, ritmische manier moet bewegen (imaginariteit).

Dus, wat betekent dit voor de toekomst? Het artikel beweert niet dat het het probleem van het trainen van kwantumcomputers heeft opgelost, noch zegt het dat het hebben van imaginariteit succes garandeert. Sterker nog, ze wijzen er zorgvuldig op dat het hebben van de imaginaire sap noodzakelijk maar niet voldoende is; je kunt de sap hebben en toch falen als de andere ingrediënten (zoals de specifieke hoeken of de structuur van de puzzel) niet op één lijn liggen. Het is alsof de juiste brandstof hebben voor een auto niet garandeert dat je je bestemming bereikt als de bestuurder verdwaald is of de motor kapot is. Echter, deze bevinding is een essentieel stukje op de kaart. Het vertelt ons dat als we deze kwantumrobots effectief willen trainen, we moeten zorgen dat ze deze specifieke imaginaire verbindingen behouden. Zonder hen kan het gradiëntsignaal—de stem van de leraar—simpelweg niet bestaan.

De studie dient als een reality check voor het vakgebied. Het suggereert dat wanneer we zien dat een kwantumcomputer moeite heeft met leren, we niet alleen de ruis of de hardware de schuld moeten geven; we moeten controleren of de kwantumtoestand zijn "imaginariteit" heeft verloren. Als dat het geval is, zal geen enkele aanpassing helpen. De onderzoekers gebruikten exacte simulaties op kleine instanties om hun wiskundige grenzen te bewijzen, waarmee ze lieten zien dat de theorie in de praktijk standhoudt, althans voor deze kleinere, gecontroleerde puzzels. Hoewel we nog niet kunnen zeggen hoe dit schaalt naar enorme, echte problemen, is de regel die ze vonden een solide, bewezen beperking voor de kwantumwereld zoals wij die vandaag de dag begrijpen. Het blijkt dat je in de kwantumwereld soms echt "imaginair" moet denken om dingen reëel te maken.