PCA and t-SNE analysis in the study of QAOA entangled and non-entangled mixing operators

Resumo Técnico: Análise com PCA e t-SNE no Estudo de Operadores de Mistura Entrelaçados e Não Entrelaçados do QAOA

Declaração do Problema
O Algoritmo Quântico Aproximado de Otimização (QAOA) é um Algoritmo Quântico Variacional (VQA) proeminente utilizado para resolver problemas de otimização combinatória, como o Max-Cut. À medida que o hardware quântico avança e as profundidades dos circuitos aumentam, compreender o comportamento interno desses algoritmos torna-se crítico. Especificamente, há a necessidade de analisar como diferentes configurações de circuito — particularmente a presença ou ausência de emaranhamento dentro do operador de mistura — afetam a paisagem de otimização e as distribuições de parâmetros. Embora pesquisas anteriores tenham explorado representações de paisagem de problemas e concentrações de parâmetros, este estudo foca na extração e visualização de informações sobre os modelos subjacentes do QAOA para distinguir entre estratégias de mistura entrelaçadas e não entrelaçadas.

Metodologia
Os autores empregaram Análise de Componentes Principais (PCA) e Embedding Estocástico de Vizinhança t-Distribuído (t-SNE) para analisar conjuntos de dados de parâmetros ótimos gerados para problemas Max-Cut.

• Geração de Dados: O estudo utilizou o método de otimização Escada Estocástica com Reinícios Aleatórios (SHC-RR) para resolver problemas Max-Cut em grafos com 4, 10 e 15 nós. Duas configurações de grafos foram testadas: cíclico e completo.
• Modelos QAOA: Experimentos foram conduzidos em três profundidades de circuito (1L, 2L e 3L). Para cada profundidade, duas variações do operador de mistura foram comparadas:
  1. Não entrelaçado: Utilizando rotações padrão $R_X$ e $R_Y$.
  2. Entrelaçado: Incorporando uma etapa adicional de emaranhamento (usando portas CNOT) entre as rotações $R_X$ e $R_Y$.
• Redução de Dimensionalidade:
  • PCA: Aplicada para reduzir a dimensionalidade dos conjuntos de parâmetros (3, 6 ou 9 parâmetros, dependendo da profundidade) para as três primeiras componentes principais. A análise focou na variância explicada e na distribuição geométrica dos pontos de dados. Foram realizadas tanto a análise de modelos individuais quanto a análise emparelhada (combinando conjuntos de dados entrelaçados e não entrelaçados).
  • t-SNE: Aplicado para visualizar relações não lineares e estruturas locais dentro dos dados. O algoritmo foi inicializado usando PCA para garantir estabilidade. Vários valores de perplexidade (3, 30, 99 e 199) foram testados. A qualidade do mapeamento foi quantificada usando a divergência de Kullback-Leibler (KL).

Principais Contribuições e Resultados

• Distribuição de Variância (PCA):

  • Modelos Entrelaçados: Em modelos com maiores profundidades (2L e 3L), os operadores de mistura entrelaçados demonstraram consistentemente maior variância explicada nas componentes principais em comparação com seus pares não entrelaçados. Isso sugere que a etapa de emaranhamento introduz uma quantidade maior de informação detectável ou variância no espaço de parâmetros.
  • Agrupamento: A análise visual das projeções PCA revelou que os modelos entrelaçados (particularmente na profundidade 2L) frequentemente exibiam comportamentos de agrupamento distintos (por exemplo, agrupamentos em três linhas ou formações elípticas), enquanto os modelos não entrelaçados frequentemente exibiam distribuições aleatórias e dispersas sem padrões claros.
  • Limitações: Para modelos de profundidade 3L (9 parâmetros), a variância total capturada pelas três primeiras componentes PCA foi relativamente baixa (frequentemente menos de 50%), tornando conclusões definitivas sobre o mapeamento difíceis para esses modelos complexos.

• Mapeamento Não Linear (t-SNE):

  • Desempenho: O t-SNE geralmente superou a PCA na representação dos dados no espaço de baixa dimensão, evidenciado por valores de divergência KL mais baixos, particularmente em configurações de perplexidade mais altas (99 e 199).
  • Diferenciação: Os embeddings t-SNE diferenciaram com sucesso modelos entrelaçados e não entrelaçados. Modelos entrelaçados tenderam a formar agrupamentos específicos ou aderir a padrões estruturados (como linhas ou elipses), enquanto modelos não entrelaçados frequentemente mantiveram uma distribuição mais uniforme ou aleatória.
  • Sensibilidade à Perplexidade: O estudo constatou que a perplexidade influenciou significativamente os resultados. Valores de perplexidade mais altos (por exemplo, 99 para modelos individuais, 199 para modelos emparelhados) geralmente produziram melhores pontuações de divergência KL e representações mais estáveis.

• Análise Emparelhada: Quando modelos entrelaçados e não entrelaçados foram projetados juntos, os comportamentos distintos observados nas análises individuais foram amplamente preservados. A etapa de emaranhamento introduziu uma mudança discernível na distribuição dos pontos projetados, permitindo a separação visual dos dois tipos de modelo.

Significado e Afirmações
O artigo afirma que a aplicação de PCA e t-SNE fornece um método viável para visualizar e quantificar as diferenças entre modelos QAOA com e sem emaranhamento no operador de mistura. Os resultados indicam que modelos entrelaçados possuem características estruturais distintas em seus espaços de parâmetros, caracterizados por maior retenção de variância na PCA e agrupamento mais definido no t-SNE.

Os autores mantêm uma postura modesta quanto à universalidade dessas descobertas. Eles afirmam que, embora os resultados de mapeamento demonstrem claramente diferenças discerníveis entre modelos entrelaçados e não entrelaçados para os problemas Max-Cut específicos e profundidades testadas, é prematuro concluir que esses padrões específicos são universais em todos os modelos QAOA ou tipos de problemas. O estudo destaca a utilidade dessas técnicas de visualização para extrair insights sobre comportamentos de modelos subjacentes, mas observa que investigações adicionais são necessárias para entender as interações específicas de portas que impulsionam essas variâncias e para determinar se esses padrões persistem através de diferentes estratégias de otimização e domínios de problemas.