Setting angles in quantum approximate optimization at utility-scale

Resumo Técnico: Definição de Ângulos em Otimização Aproximada Quântica em Escala de Utilidade

Definição do Problema
O Algoritmo de Otimização Aproximada Quântica (QAOA) é um heurístico líder para resolver problemas de otimização combinatória em hardware quântico. No entanto, identificar os parâmetros variacionais ótimos (ângulos $\theta$) para circuitos QAOA permanece um gargalo significativo, particularmente na "escala de utilidade" (definida aqui como $\sim100$ qubits ou mais). Nesta escala, a simulação clássica exata do circuito quântico é inviável, e a otimização de malha fechada com hardware quântico é proibitivamente cara devido ao ruído, tempos de coerência limitados e acesso a filas de espera. Além disso, resultados teóricos indicam que encontrar ângulos ótimos é NP-difícil e que o panorama de otimização é repleto de mínimos locais. Consequentemente, há uma falta de orientação empírica sobre quais estratégias de definição de ângulos produzem as melhores soluções para problemas de grande escala sem depender de loops de feedback clássico-quântico intensivos em recursos.

Metodologia
Os autores conduzem um estudo abrangente de benchmarking para destilar orientação operacional para praticantes de QAOA. A metodologia envolve:

1. Construção de Taxonomia: Uma classificação dos métodos existentes de definição de ângulos em quatro categorias: Inspirados em Física (ex: rampas lineares, contra-diabáticos), Transferência de Parâmetros (ex: ângulos fixos, agrupamento), Iterativos (ex: interpolação, camada por camada) e Aprendizado de Máquina.
2. Avaliação de Energia Aproximada: Para contornar a necessidade de simulação clássica exata ou acesso imediato ao hardware, o estudo emprega métodos clássicos aproximados para avaliar a função de custo $\langle H_C \rangle$ durante a fase de treinamento. Especificamente, eles utilizam:
   • Estados de Produto de Matrizes (MPS): Utilizando redes de tensores com mapeamentos de qubits otimizados (mapeamento SAT) para lidar com estruturas de emaranhamento.
   • Propagação de Pauli (PP): Um método de retropropagação no quadro de Heisenberg que rastreia transformações de operadores de Pauli, eficaz para grafos esparsos.
3. Protocolo de Benchmarking: Os autores testam 30 estratégias distintas de definição de ângulos em três classes de problemas: MaxCut, Conjunto Independente Máximo (MIS) e Sequência Binária de Baixa Autocorrelação (LABS).
   • Escala: Os benchmarks variam de instâncias de pequena escala (20–50 qubits), onde simulações de estado vetorial exatas são possíveis, até instâncias de escala de utilidade (até 144 qubits).
   • Validação de Hardware: Ângulos ótimos selecionados são executados em hardware quântico real (dispositivos IBM Quantum, especificamente ibm_boston e ibm_fez) para medir a razão de aproximação real e validar os resultados de treinamento clássico.
4. Análise de Recursos: O estudo utiliza um framework de Benchmark Estocástico para analisar o compromisso entre o orçamento computacional (tempo total de execução, incluindo otimização clássica e amostragem quântica) e a qualidade da solução.

Principais Contribuições

• Taxonomia Empírica e Benchmarking: O artigo fornece a primeira comparação sistemática e de grande escala de métodos de definição de ângulos de QAOA em escala de utilidade, indo além de instâncias pequenas classicamente simuláveis.
• Validação de Métodos Aproximados: Demonstra que métodos clássicos aproximados (MPS e PP) podem guiar efetivamente a otimização de ângulos para problemas de até 144 qubits, com o PP mostrando correlação superior aos resultados de hardware em topologias de grafos específicas (heavy-hex).
• Validação de Hardware: O estudo valida que ângulos otimizados classicamente via métodos aproximados se traduzem em desempenho significativo em hardware quântico, embora o ruído limite a distinguibilidade de métodos em profundidades de circuito maiores.
• Orientação Operacional: Os autores derivam recomendações específicas para praticantes baseadas em restrições de recursos e tipos de problemas, identificando quais métodos oferecem os melhores compromissos entre tempo de execução e qualidade da solução.

Resultos

• Desempenho dos Métodos:
  • Métodos de Rampas Lineares e Interpolação geralmente forneceram os melhores ângulos na maioria dos tipos de grafos e técnicas de avaliação de energia.
  • Ângulos Fixos (derivados para grafos regulares aleatórios) performaram excepcionalmente bem quando transferidos para instâncias de problemas similares, frequentemente alcançando razões de aproximação acima de 90% com mínima otimização.
  • Estratégias de Transferência de Parâmetros (usando ângulos fixos ou transferência de instâncias pequenas para grandes) provaram ser altamente eficientes, muitas vezes superando métodos iterativos em termos de tempo-para-solução.
  • Métodos de Fourier mostraram alta variância e, em alguns casos (como MIS), superaram outros métodos, enquanto tiveram desempenho inferior em MaxCut.
• Avaliadores Aproximados:
  • A Propagação de Pauli (PP) geralmente forneceu uma melhor aproximação do verdadeiro panorama de energia no hardware do que o MPS, particularmente para grafos heavy-hex, mostrando uma forte correlação positiva (0,89–0,93) entre as razões de aproximação estimadas e de hardware.
  • O MPS foi mais rápido para certas topologias, mas sofreu de correlações negativas com os resultados de hardware em grafos baseados em linhas com pequenos ciclos.
• Realidade do Hardware: Na escala de utilidade (144 qubits, profundidade $p=10$), o ruído reduziu significativamente a capacidade de distinguir entre diferentes métodos de definição de ângulos. Embora métodos iterativos (como Interp.) produzissem ângulos de alta qualidade em simulação, sua vantagem sobre métodos mais rápidos e não iterativos (como Ângulos Fixos ou Rampas Lineares) diminuiu no hardware real.
• Compromissos de Recursos: Uma análise de fronteira de Pareto revelou que estratégias de baixo custo (transferência de parâmetros, ângulos fixos) fornecem a rota mais rápida para soluções de alta qualidade. Métodos iterativos incorrem em custos computacionais substanciais (frequentemente $>10^4$ segundos) para ganhos marginais nas razões de aproximação de hardware.

Significância e Alegações
O artigo afirma fornecer orientação operacional essencial para a era da "escala de utilidade" na otimização quântica. Argumenta-se que, embora encontrar ângulos ótimos seja teoricamente difícil, fluxos de trabalho práticos podem ter sucesso ao alavancar:

1. Aprendizado de Transferência: Usar ângulos fixos ou parâmetros treinados em instâncias pequenas/representativas para inicializar a otimização em instâncias grandes.
2. Treinamento Aproximado: Confiar em simuladores clássicos aproximados (MPS/PP) em vez de treinamento de malha fechada em hardware quântico para encontrar ângulos, reservando o acesso ao hardware para a amostragem final.
3. Seleção Consciente de Custos: Priorizar métodos que equilibram tempo de execução e qualidade. Os autores observam que, para muitas aplicações práticas, os "retornos decrescentes" de uma extensa otimização de ângulos sugerem que métodos rápidos baseados em transferência são frequentemente preferíveis à otimização iterativa computacionalmente cara, especialmente quando o ruído do hardware obscurece pequenas diferenças de desempenho.

O trabalho conclui que o QAOA padrão com profundidades $p \le 10$ em problemas compatíveis com a topologia do hardware pode ser executado de forma eficiente de ponta a ponta usando essas estratégias, e que esses insights são provavelmente transferíveis para variantes de QAOA (ex: warm-start, R-QAOA) que superam obstruções estruturais como simetria e localidade.