Evaluating Parameter Transfer in FALQON Across Graph Families

Resumo Técnico: Avaliação da Transferência de Parâmetros em FALQON Através de Famílias de Grafos

Enunciado do Problema
Algoritmos baseados em feedback para otimização quântica, como o FALQON (Algoritmo Baseado em Feedback para Otimização Quântica), oferecem uma alternativa promissora aos algoritmos quânticos variacionais (VQAs) ao eliminar o loop explícito de otimização clássica. Em vez disso, o FALQON constrói iterativamente circuitos quânticos usando ganhos de feedback derivados de valores esperados de comutadores medidos. No entanto, um desafio fundamental de escalabilidade permanece: à medida que o tamanho do problema aumenta, o número de medições necessárias para calcular os parâmetros de controle cresce, levando a uma sobrecarga elevada e potencial instabilidade. Embora a transferência de parâmetros tenha sido explorada em algoritmos variacionais (por exemplo, QAOA) para reutilizar parâmetros em instâncias estruturalmente semelhantes, sua aplicabilidade a estratégias baseadas em feedback como o FALQON — onde os parâmetros são gerados dinamicamente e não otimizados via descida de gradiente — permanece pouco investigada. Este trabalho aborda se parâmetros de feedback aprendidos em pequenos grafos "doadores" podem ser efetivamente transferidos para grafos "receptores" maiores, a fim de reduzir a sobrecarga de medição e acelerar a convergência.

Metodologia
Os autores conduziram um estudo empírico sistemático utilizando simulações exatas de vetores de estado para isolar a transferibilidade de parâmetros do ruído de hardware e erros de amostragem. O protocolo experimental envolveu:

• Protocolo Doador-Receptor: Sequências de parâmetros $\beta^{(D)} = (\beta^{(D)}_1, \dots, \beta^{(D)}_L)$ foram otimizadas em grafos doadores menores com tamanhos $n \in \{8, 10, 12\}$. Essas sequências foram então aplicadas diretamente a grafos receptores maiores com um tamanho fixo de $n' = 14$, utilizando um mapeamento estrito de camada um-para-um ($\beta^{(R)}_t = \beta^{(D)}_t$), sem interpolação ou reindexação.
• Famílias de Grafos: Os experimentos utilizaram dois conjuntos de grafos aleatórios canônicos amplamente usados em benchmarks de otimização quântica:
  • Grafos 3-Regulares ($G_{n,3}$): Grafos altamente simétricos onde cada vértice tem grau três.
  • Grafos de Erdős–Rényi ($G(n, p)$): Grafos aleatórios com probabilidade de aresta $p$, permitindo a sondagem de densidades variáveis.
• Métricas de Avaliação: O desempenho foi medido usando a razão de aproximação (o valor do corte relativo ao ótimo exato de Max-Cut, computado via força bruta clássica para $n=14$). As transferências foram avaliadas dentro e entre famílias de grafos, testando especificamente transferências de doadores 3-regulares para receptores de Erdős–Rényi e vice-versa.

Principais Contribuições

1. Análise de Transferibilidade de Tamanho de Problema: O estudo quantifica a reutilização de parâmetros de controle do FALQON de instâncias pequenas ($n=8, 10, 12$) para instâncias maiores ($n=14$), analisando a degradação de desempenho e o comportamento de convergência.
2. Dependência da Família de Hamiltonianos: O trabalho investiga a eficácia da transferência através de diferentes conectividades estruturais (regular vs. aleatória) e densidades, identificando como a similaridade estrutural influencia o sucesso da transferência.
3. Resiliência ao Tamanho do Doador: Os autores demonstram que o tamanho específico do grafo doador é um fator secundário, mostrando que doadores pequenos e computacionalmente baratos (por exemplo, $n=8$) fornecem sequências de parâmetros estatisticamente indistinguíveis das de doadores maiores.

Resultados
A análise empírica revelou três padrões principais regarding a transferência de parâmetros no FALQON:

• Receptores Densos Geram Alto Sucesso: A transferência é altamente eficaz para receptores densos de Erdős–Rényi (alta $p$). Para receptores com $p \in \{0.8, 0.9, 1.0\}$, os parâmetros transferidos alcançaram altas razões de aproximação (até 0,98 para grafos completos), frequentemente igualando ou excedendo a trajetória de treinamento do doador. Os autores atribuem isso à homogeneidade estrutural de grafos densos, onde o sinal de feedback (valor esperado do comutador) reflete propriedades médias macroscópicas em vez de irregularidades locais, permitindo que sinais de doadores pequenos escalem efetivamente.
• Transferência Cruzada Esparsa é Desafiadora: A transferência de parâmetros de doadores 3-regulares para receptores esparsos de Erdős–Rényi (por exemplo, $p=0.2$) resultou em degradação significativa de desempenho, com curvas transferidas permanecendo abaixo das referências dos doadores. Isso sugere que alta variabilidade estrutural e incompatibilidade na dinâmica de Hamiltonianos dificultam a transferência em regimes esparsos e cruzados entre famílias.
• Independência do Tamanho do Doador: O desempenho dos parâmetros transferidos foi notavelmente resiliente ao tamanho do grafo doador. Doadores de tamanho $n=8$ performaram competitivamente com os de $n=10$ e $n=12$, com desvios padrão sobrepostos indicando nenhuma vantagem estatisticamente significativa ao usar doadores maiores.

Significância e Alegações
O artigo alega que a transferência de parâmetros é uma estratégia viável para aprimorar a escalabilidade do FALQON para problemas combinatórios grandes. A significância primária reside na descoberta de que o sucesso da transferência é ditado pelas propriedades estruturais do grafo receptor (especificamente a densidade) e não pelo tamanho do doador. Consequentemente, grafos pequenos e computacionalmente baratos podem gerar parâmetros de controle robustos para alvos maiores, reduzindo significativamente a sobrecarga de medição associada ao loop de feedback. Os autores concluem que, embora a transferência seja altamente eficaz para instâncias de problemas densas ou "mais fáceis", ela enfrenta desafios em regimes esparsos e estruturalmente dissimilares. Eles sugerem que trabalhos futuros devem investigar os limites absolutos dessa invariância de escala e explorar a normalização de parâmetros para estender a transferibilidade através de lacunas de tamanho mais extremas.