Exploring Entanglement and Parameter Sensitivity in QAOA through Quantum Fisher Information

Resumo Técnico: Explorando o Emaranhamento e a Sensibilidade de Parâmetros no QAOA através da Informação de Fisher Quântica

Declaração do Problema
O Algoritmo Quântico Aproximado de Otimização (QAOA) é um candidato líder para resolver problemas de otimização combinatória, como o Max-Cut, em hardware quântico de curto prazo. No entanto, otimizar os parâmetros variacionais no QAOA é desafiador devido a paisagens não convexas, mínimos locais e platôs áridos. Existe uma lacuna crítica na compreensão de como a arquitetura do circuito — especificamente padrões de emaranhamento, topologia de grafos e escolhas de misturadores — afeta a sensibilidade do estado quântico às variações de parâmetros. Sem essa compreensão, otimizadores clássicos lutam para navegar no espaço de parâmetros de forma eficiente. Este trabalho aborda a necessidade de uma ferramenta de diagnóstico para quantificar a sensibilidade e as correlações de parâmetros em circuitos QAOA, a fim de orientar estratégias de otimização.

Metodologia
Os autores realizam uma análise sistemática da matriz de Informação de Fisher Quântica (QFI) para o QAOA aplicado ao problema Max-Cut em duas topologias de grafos: cíclicos e completos, com contagens de qubits $N \in \{4, 7, 10\}$.

• Configurações de Circuito: O estudo compara duas famílias de misturadores:
  1. Apenas RX: Utiliza rotações $X$ ($H_M = \sum X_i$).
  2. Híbrido RX-RY: Utiliza rotações $X$ e $Y$ ($H_M = \sum X_i + \sum Y_i$).
     As profundidades ($p$) variam de 2 a 6 para RX-only e de 3 a 9 para RX-RY.
• Padrões de Emaranhamento: Estágios de emaranhamento são implementados dentro das camadas do misturador usando padrões baseados em CNOT cíclicos (anel de vizinhos mais próximos) ou completos (todos-para-todos). O estudo varia o número de estágios de emaranhamento (1 a 3) para isolar seu efeito.
• Análise de QFI: A matriz QFI ($F_{ij}$) é calculada para vetores de parâmetros aleatórios extraídos uniformemente de $[0, 2\pi)$ para evitar viés do otimizador. A análise foca em:
  • Autovalores: Especificamente o autovalor máximo (ME) e o mínimo (LE) para avaliar a capacidade de sensibilidade e a dispersão espectral.
  • Fração de Covariância ($r$): Definida como $r = \sum_{i \neq j} |F_{ij}| / \sum_i F_{ii}$, esta métrica quantifica o grau de correlação cruzada entre parâmetros (peso fora da diagonal) versus sensibilidade de parâmetro único (dominância na diagonal).
• Prova de Conceito (QIm): Os autores propõem uma heurística de Mutação Informada por QFI (QIm). Este algoritmo usa as entradas diagonais normalizadas da QFI ($d_i$) para determinar probabilidades de mutação e tamanhos de passo:
  • Parâmetros com alta sensibilidade (alta $d_i$) são mutados com mais frequência, mas com tamanhos de passo menores ($1-d_i$).
  • Parâmetros com baixa sensibilidade são mutados com menos frequência, mas com passos maiores.
  • Isso é comparado a uma linha de base de probabilidade igual (nonQIm) e a uma linha de base de reinício aleatório (RR) ao longo de 100 tentativas.

Principais Contribuições e Resultados

1. Escala e Limites:

   • Nenhuma configuração (RX-only ou RX-RY) atinge o limite de Heisenberg ($4N^2$).
   • Várias configurações, particularmente em grafos completos, excedem o limite linear de ruído de disparo ($4N$).
   • O Hamiltoniano de custo ($H_P$) domina a escala $N^2$, enquanto as camadas do misturador redistribuem principalmente o peso espectral.

2. Impacto da Topologia do Grafo:

   • Grafos completos produzem consistentemente maiores autovalores máximos de QFI e frações de covariância ($r$) mais altas do que grafos cíclicos para misturador e profundidade fixos. Isso reflete a estrutura de dois corpos mais densa do Hamiltoniano de custo em grafos completos.

3. Papel do Emaranhamento:

   • O emaranhamento redistribui principalmente a QFI de entradas diagonais (parâmetro único) para entradas fora da diagonal (cruzamento de parâmetros).
   • Circuitos não emaranhados maximizam a sensibilidade por parâmetro (baixa $r$).
   • Camadas emaranhantes aumentam a fração de covariância, indicando correlações mais fortes entre parâmetros.
   • Retornos Decrescentes: O primeiro estágio de emaranhamento produz o maior aumento nos autovalores de QFI e em $r$. Estágios subsequentes frequentemente produzem retornos decrescentes, comprimem o espectro (em RX-only) ou produzem comportamento não monotônico (em RX-RY).

4. Comparação de Misturadores:

   • O misturador híbrido RX-RY atinge autovalores comparáveis ou maiores que RX-only em grafos completos, mas permanece mais próximo do limite linear em grafos cíclicos.
   • Adicionar rotações RY não altera substancialmente a fração de covariância em comparação com os efeitos dominantes da topologia do grafo e dos padrões de emaranhamento.

5. Desempenho de Otimização (QIm):

   • Em instâncias de 7 nós (completo) e 10 nós (cíclico), a heurística QIm supera tanto as linhas de base nonQIm quanto RR.
   • O QIm atinge maiores valores médios de Energia Esperada (EEV) e variância significativamente menor ao longo de 100 execuções.
   • Os resultados sugerem que até mesmo uma matriz QFI pré-calculada e média pode priorizar efetivamente as atualizações de parâmetros, levando a uma convergência mais confiável.

Significado e Alegações
O artigo posiciona a Informação de Fisher Quântica não meramente como um limite metrológico, mas como um diagnóstico e pré-condicionador leve e consciente do problema para algoritmos quânticos variacionais.

• Utilidade de Diagnóstico: A análise revela que o emaranhamento introduz fortes correlações cruzadas entre parâmetros (alta $r$), o que pode tornar a matriz QFI mal condicionada e difícil de navegar para otimizadores padrão sem gradiente. Isso explica por que ansatzes mais profundos ou mais emaranhados podem lutar, apesar de maior sensibilidade bruta.
• Orientação de Otimização: O estudo demonstra que $r$ serve como um guia para a seleção de otimizadores: regimes de baixa $r$ ($\lesssim 0,2$) são adequados para pré-condicionamento diagonal, enquanto regimes de alta $r$ ($\gtrsim 0,4-0,6$) sugerem a necessidade de métodos de gradiente natural ou métrica completa.
• Aplicação Prática: A heurística QIm valida que utilizar informações de QFI para escalar probabilidades de mutação e tamanhos de passo melhora a estabilidade da convergência e a qualidade da solução, sem exigir cálculos de gradiente online caros.

Os autores concluem que a QFI fornece uma lente sistemática para entender a interação entre profundidade do circuito, emaranhamento e sensibilidade de parâmetros, oferecendo um caminho para implementações de QAOA mais eficientes e resilientes a ruídos em dispositivos NISQ.