Scaling QAOA: transferring optimal adiabatic schedules from small-scale to large-scale variational circuits

Resumo Técnico: Escalando o QAOA via Transferência de Esquemas Adiabáticos

1. O Problema

O Algoritmo de Otimização Aproximada Quântica (QAOA) é uma abordagem líder para problemas de otimização combinatória em dispositivos quânticos de escala intermediária ruidosa (NISQ). No entanto, sua escalabilidade enfrenta dois obstáculos principais:

• Complexidade de Otimização Clássica: O QAOA requer a otimização de $2p$ parâmetros variacionais (ângulos $\gamma$ e $\beta$), onde $p$ é o número de camadas (profundidade do circuito). À medida que $p$ aumenta, o espaço de busca torna-se intratável.
• Estagnação de Gradientes (Barren Plateaus): O landscape de otimização frequentemente exibe "platôs estéreis", onde os gradientes desaparecem exponencialmente, tornando o treinamento de circuitos profundos ineficiente ou impossível.
• Dificuldade de Encontrar Esquemas Ótimos: Determinar a melhor sequência de parâmetros para um problema específico é computacionalmente caro e não escala bem.

2. Metodologia Proposta

Os autores propõem um framework de aprendizado de esquema (schedule-learning) que transfere estratégias de controle adiabático ótimo, derivadas de instâncias pequenas, para sistemas maiores. A abordagem baseia-se na observação empírica de que os ângulos ótimos do QAOA exibem concentração e transferibilidade entre tamanhos de problemas.

O método segue os seguintes passos:

1. Aprendizado em Pequena Escala:

   • Realiza-se uma fase de aprendizado em instâncias pequenas (ex: $n=10$ qubits) de problemas QUBO (Otimização Binária Quadrática sem Restrições).
   • Calcula-se o perfil do gap espectral ($g(s) = E_1(s) - E_0(s)$) do Hamiltoniano adiabático interpolado, onde $s \in [0,1]$ é o parâmetro de evolução.
   • A média ou mediana desses gaps é ajustada a curvas analíticas (curvas de Bézier) para obter uma função contínua $g(s)$.

2. Construção do Esquema Contínuo:

   • Define-se uma velocidade de evolução ótima baseada no gap espectral: $\frac{ds}{dt} = \kappa g^q(s)$.
   • Aqui, $\kappa$ é uma constante de proporcionalidade (controlando o tempo total) e $q$ é um expoente de lei de potência. Ambos são tratados como hiperparâmetros globais.

3. Mapeamento para Circuitos Discretos (QAOA):

   • O esquema contínuo é discretizado em $p$ passos para formar o circuito QAOA.
   • Utilizando a decomposição de Trotter-Suzuki, derivam-se expressões de forma fechada para todos os ângulos variacionais ($\gamma_k, \beta_k$) em função do gap aprendido e dos dois hiperparâmetros:
     $$\gamma_k = \frac{s_k \delta s}{\kappa g^q(s_k)}, \quad \beta_k = \frac{(1-s_k) \delta s}{\kappa g^q(s_k)}$$
   • Redução Dimensional: Em vez de otimizar $2p$ parâmetros independentes, o problema clássico é reduzido à otimização de apenas 2 hiperparâmetros ($\kappa$ e $q$), independentemente da profundidade do circuito $p$.

4. Implementação e Rescalamento:

   • Os coeficientes do problema são normalizados para garantir que o perfil de gap aprendido seja transferível para instâncias maiores com diferentes escalas de energia.

3. Principais Contribuições

• Compressão Paramétrica Drástica: Redução do espaço de otimização de $O(p)$ para $O(1)$ (apenas 2 parâmetros), eliminando a necessidade de otimizar cada camada individualmente.
• Mitigação de Platôs Estéreis: Ao reduzir drasticamente a dimensionalidade do problema de otimização clássica, o método torna-se menos sensível aos fenômenos de barren plateaus.
• Transferibilidade de Informação: Demonstra que informações estruturais (perfis de gap espectral) extraídas de sistemas pequenos ($n=10$) podem ser extrapoladas com sucesso para sistemas maiores ($n=20$).
• Fórmulas Analíticas: Fornece expressões explícitas para os ângulos do QAOA baseadas na física adiabática, substituindo a busca cega por otimização variacional.

4. Resultados Numéricos

Os autores simularam o método em 100 instâncias de três tipos de problemas com $n=20$ qubits, comparando com o QAOA padrão ("vanilla"):

• Problemas Testados: MaxCut não ponderado (3-regular), MaxCut ponderado (3-regular) e QUBO aleatório.
• Desempenho (Razão de Aproximação):
  • As estratégias baseadas no gap (média e mediana) superaram consistentemente o QAOA padrão, especialmente em MaxCut ponderado e QUBO aleatório.
  • A vantagem aumenta com a profundidade do circuito ($p$). Para QUBO aleatório, a melhoria é mais pronunciada.
  • O QAOA padrão mostrou alta variância e pouca melhoria com o aumento de $p$, enquanto o método proposto convergiu de forma mais estável para soluções de alta qualidade.
• Comportamento dos Hiperparâmetros:
  • Os hiperparâmetros ótimos ($\kappa^*, q^*$) tenderam a se concentrar em valores menores e mais estáveis à medida que $p$ aumentava, indicando que o método aprende uma estrutura robusta.
  • Não houve diferença significativa de desempenho entre o uso do gap médio e do gap mediano.

5. Significado e Conclusão

O trabalho oferece uma estratégia escalável e eficiente em termos de parâmetros para o QAOA. Ao alavancar a teoria adiabática e a concentração de medidas, os autores demonstram que é possível contornar a complexidade da otimização variacional profunda.

Impacto Principal:

• Viabilidade Prática: Torna o QAOA mais viável para dispositivos reais, onde a otimização clássica de muitos parâmetros é um gargalo.
• Princípio Indutivo: Sugere que a estrutura espectral de pequenos sistemas pode servir como um esquema indutivo principiado para algoritmos quânticos variacionais em geral, permitindo a transferência de conhecimento entre escalas de sistema.

Em suma, o método proposto transforma a otimização de um problema de alta dimensão e difícil em um problema de baixa dimensão e estável, mantendo ou melhorando a qualidade da solução para problemas de otimização combinatória complexos.