Predictingthe Trainability of Variational Quantum Circuits: A Data-Driven Model for BarrenPlateaus

In het opkomende veld van quantumcomputing bouwen wetenschappers machines die de vreemde regels van de subatomaire wereld gebruiken om problemen op te lossen die te complex zijn voor de huidige supercomputers. Een leidende aanpak om deze machines bruikbaar te maken, omvat een methode genaamd een variationeel quantumalgoritme. Denk hierbij aan een lus waarbij een menselijke ontwerper een specifieke arrangement van quantum-schakelaars, bekend als een circuit, bouwt, en vervolgens een computer probeert de instellingen van die schakelaars aan te passen om een probleem op te lossen. De computer meet hoe goed het circuit presteert, en als het resultaat niet perfect is, past hij de instellingen opnieuw en opnieuw aan, in de hoop de best mogelijke configuratie te vinden. Dit proces is de motor achter veel nieuwe quantumtools voor chemie, financiën en kunstmatige intelligentie.

Er is echter een grote hindernis die dit proces vaak doet stilvallen. Naarmate de circuits groter en complexer worden om grotere problemen aan te pakken, kan het vermogen om de juiste instellingen te vinden volledig verdwijnen. Dit fenomeen staat bekend als een barren plateau (een barre plateau). Stel je voor dat je probeert de bodem van een vallei te vinden in een dikke mist. Als de grond overal perfect vlak is, heb je geen manier om te weten welke richting naar beneden leidt. In deze quantumcircuits wordt het wiskundige landschap zo vlak dat de computer niet kan zien in welke richting hij aan de knoppen moet draaien om het resultaat te verbeteren. Het signaal dat het nodig heeft om te leren verdwijnt, en het trainingsproces loopt vast. Jarenlang was de enige manier om te weten of een circuitontwerp met dit probleem te kampen zou hebben, het daadwerkelijk bouwen en uitvoeren ervan, een proces dat ongelooflijk duur en tijdrovend is, vooral voor de grote circuits die nodig zijn voor praktische toepassingen.

Een onderzoeker aan de Gyeongsang National University in Zuid-Korea heeft een andere manier voorgesteld om dit puzzelstuk op te lossen. In plaats van te wachten om te zien of een circuit faalt nadat het is gebouwd, vroeg de onderzoeker zich af of een standaardcomputer de mislukking zou kunnen voorspellen door alleen naar het blauwdruk van het circuit te kijken. De studie behandelt het ontwerp van een quantumcircuit als een reeks instructies: hoeveel schakelaars worden gebruikt, hoeveel lagen operaties zijn gestapeld, hoe de schakelaars met elkaar verbonden zijn en welk specifiek type meting wordt uitgevoerd. Het doel was om te zien of een klassiek machine learning-model de relatie kon leren tussen deze ontwerpkeuzes en de waarschijnlijkheid dat het circuit vastloopt in een vlakke, onleerbare staat.

Om dit idee te testen, creëerde de onderzoeker een enorme dataset van twintig duizend verschillende willekeurige circuitontwerpen. Met behulp van een precies simulatieprogramma dat op een standaardcomputer draait, genereerden zij het exacte gedrag van elk circuit zonder een fysieke quantummachine nodig te hebben. Voor elk ontwerp berekenden zij hoeveel de prestaties zouden veranderen als de instellingen licht zouden worden aangepast. Deze berekening, bekend als de gradiëntvariantie, dient als een maatstaf voor leerbaarheid. Een hoge variantie betekent dat het circuit gemakkelijk te trainen is omdat de computer duidelijk ziet welke kant hij op moet. Een zeer lage variantie betekent dat het circuit vastzit op een barren plateau. De onderzoeker voedde vervolgens de ontwerpkenmerken van deze twintig duizend circuits aan een machine learning-model, samen met de berekende leerbaarheidsscores, en vroeg het model om het patroon te leren.

De resultaten toonden aan dat een specifiek type machine learning-model, bekend als een gradient-boosted regressor, er succesvol in slaagde om de leerbaarheid van een circuit te voorspellen door enkel naar de architectuur te kijken. Wanneer getest op circuitontwerpen die het nog nooit eerder had gezien, voorspelde het model de leerbaarheidsscore met een hoge mate van nauwkeurigheid. Nog indrukwekkender was dat het model alleen getraind was op kleinere circuits met maximaal tien schakelaars, maar toch nauwkeurige voorspellingen kon doen voor grotere, onbekende circuits met elf en twaalf schakelaars. Dit suggereert dat de regels die de leerbaarheid beheersen consistent genoeg zijn dat een model ze kan leren van kleine voorbeelden en kan toepassen op grotere, duurdere systemen. Het model fungeerde ook als een classifier, die het onderscheid maakte tussen circuits die zouden werken en circuits die zouden falen met bijna perfecte nauwkeurigheid.

Door te analyseren op welke kenmerken het model het meest vertrouwde om zijn beslissingen te nemen, ontdekte de onderzoeker dat het model gevestigde wetenschappelijke principes had herontdekt zonder dat deze expliciet waren verteld. De belangrijkste factoren waren het type meting dat werd gebruikt en het verbindingspatroon tussen de schakelaars. Specifiek waren circuits die een globale meting gebruikten, die alle schakelaars tegelijkertijd bekijkt, veel meer geneigd tot onleerbaarheid dan circuits die een lokale meting gebruikten die zich op slechts één schakelaar richt. Op dezelfde manier leidden bepaalde verbindingspatronen die een dichte verstrengeling (entanglement) tussen schakelaars creëerden, eveneens tot onleerbare toestanden. Deze afstemming met bekende natuurkunde geeft vertrouwen dat het model niet zomaar gokt, maar de werkelijke fysieke redenen begrijpt waarom sommige ontwerpen falen.

De studie beweert niet het probleem van de barren plateaus te hebben opgelost of een quantumvoordeel te hebben gecreëerd. Het model zelf is volledig klassiek, en de gegevens die voor de training zijn gebruikt, zijn gegenereerd door een simulatie, niet door een fysieke quantumcomputer. De waarde van dit werk ligt in het bieden van een goedkope en snelle screeningsmethode. Voordat ingenieurs middelen uitgeven aan het bouwen of simuleren van een complex quantumcircuit, kunnen zij nu dit model gebruiken om te controleren of het ontwerp waarschijnlijk leerbaar is. Als het model een barren plateau voorspelt, kan het ontwerp direct worden verworpen of aangepast. Deze aanpak biedt een praktische manier om door de enorme ruimte van mogelijke quantumcircuitontwerpen te navigeren, waardoor onderzoekers hun inspanningen kunnen richten op de architecturen die daadwerkelijk kans van slagen hebben. Het werk bevestigt dat de leerbaarheid van een quantumcircuit geen willekeurig toeval is, maar een voorspelbare eigenschap van het ontwerp, wat de deur opent naar een efficiëntere ontwikkeling van toekomstige quantumtechnologieën.