Adaptive directional gradients for parameterised quantum circuits

Resumo Técnico: Gradientes Direcionais Adaptativos para Circuitos Quânticos Parametrizados

Enunciado do Problema
O treinamento de circuitos quânticos parametrizados (PQCs) em hardware quântico de curto prazo (near-term) é atualmente limitado pelo custo de medição da estimativa de gradiente. Sob a regra padrão de deslocamento de parâmetro (parameter-shift rule), estimar o gradiente completo requer $O(N)$ avaliações de circuito por passo, onde $N$ é o número de parâmetros treináveis. À medida que os modelos quânticos escalam e se beneficiam da sobreparametrização, esse escalonamento linear domina o orçamento total de disparos (shots), tornando o treinamento baseado em gradiente ineficiente. Embora estimadores aproximados como a Aproximação Estocástica de Perturbação Simultânea (SPSA) e o Descida de Coordenadas Aleatórias (RCD) reduzam os custos por passo, eles introduzem penalidades de $O(N)$ na variância do estimador ou nas taxas de convergência, respectivamente. Além disso, métodos existentes de alocação adaptativa de disparos (ex: iCANS, gCANS) dependem da regra de deslocamento de parâmetro e assumem que as variâncias de medição diferem significamente entre os parâmetros, uma suposição que pode não se sustentar para estimadores de direção aleatória.

Metodologia
Os autores propõem um framework unificado baseado em gradientes de avanço (forward gradients), derivados do modo de avanço da diferenciação automática. Este framework reconstrói o gradiente completo através da média de $V$ derivadas direcionais aleatórias, onde $V$ é um parâmetro ajustável independente de $N$.

1. Estimador de Gradiente de Avanço:
   O gradiente é estimado como:
   $$\hat{\nabla}^F f(\theta) = \frac{1}{V} \sum_{\ell=1}^V (\nabla_{v_\ell} f) v_\ell$$
   onde $v_\ell$ são direções aleatórias (tipicamente vetores de Rademacher). As derivadas direcionais $\nabla_{v_\ell} f$ são computadas usando uma aproximação de diferença finita central com um tamanho de passo $\epsilon$, exigindo apenas duas avaliações de circuito por direção.

   • Unificação: Este framework recupera o SPSA ($V=1$, Rademacher), o RCD ($V=1$, vetores de base) e a regra de deslocamento de parâmetro ($V=N$, vetores de base) como casos limites.
   • Custo: O custo por passo escala como $O(V)$ em vez de $O(N)$, com um custo total de medição de $2VM$ disparos por passo.

2. Análise de Convergência:
   O artigo estabelece um limite de convergência para o gradiente descendente estocástico usando este estimador. Os autores provam um resultado de "não há almoço grátis" (no-free-lunch): para perdas convexas, a redução de $V$ vezes no custo por passo é exatamente compensada por um aumento de $V$ vezes no número de passos necessários para atingir uma precisão alvo. O orçamento total de disparos permanece independente de $V$. No entanto, a análise identifica o tamanho de passo da diferença finita $\epsilon$ como o hiperparâmetro dominante, regendo um compromisso entre viés e variância (bias-variance trade-off) onde o ruído de medição é amplificado por $1/\epsilon^2$.

3. O Otimizador QUIVER:
   Para abordar as limitações de estratégias de $V$ fixo e métodos adaptativos existentes, os autores derivam o QUIVER (Quantum Iterative V-adaptive Estimator Rule).

   • Concentração de Ruído: Os autores provam que, para estimadores de direção aleatória, o ruído de medição se concentra uniformemente entre as direções (ao contrário da regra de deslocamento de parâmetro, onde o ruído varia por parâmetro). Isso torna a alocação de disparos por direção (o mecanismo por trás do iCANS) ineficaz.
   • Adaptação Conjunta: Consequentemente, o QUIVER adapta o número de direções $V$ e os disparos por direção $M$ de forma conjunta. Ele minimiza o custo total de medição sujeito a uma variância alvo do estimador e um número mínimo de disparos por direção.
   • Otimalidade: A regra de atualização derivada utiliza direções de Rademacher, que são provadas para minimizar unicamente o segundo momento do estimador entre distribuições isotrópicas. O orçamento de disparos resultante corresponde ao limite inferior de Cramér–Rao para a recuperação de gradiente sem viés de um oráculo de ruído de disparo, até uma constante que desaparece conforme $N \to \infty$.

Principais Resultados
O artigo valida a abordagem numericamente através de quatro domínios de problemas:

• Classificação: Treinamento de redes neurais quânticas ortogonais em conjuntos de dados ECG5000 (séries temporais) e MNIST (imagens) com até 60 qubits e 1.770 parâmetros.
• Otimização e Simulação: Algoritmo de Eigensolver Quântico Variacional (VQE) para o Modelo de Ising de Campo Transverso (TFIM) e Algoritmo de Otimização Aproximada Quântica (QAOA) para MaxCut.

Descobertas:

1. Eficiência: Estimadores de gradiente de avanço com um $V \ll N$ fixo alcançam precisão comparável à regra de deslocamento de parâmetro usando uma fração do orçamento total de disparos. As economias crescem com o número de parâmetros $N$.
2. Comparação com Baselines: Os gradientes de avanço superam significativamente o SPSA e o RCD em grandes valores de $N$, onde métodos de direção única degradam.
3. Agendamento Adaptativo: Experimentos heurísticos mostram que decair $V$ durante o treinamento (começando alto para exploração ampla, terminando baixo para precisão) supera os endpoints de $V$ fixo.
4. Desempenho do QUIVER: O otimizador QUIVER supera o iCANS, o gCANS e o deslocamento de parâmetro padrão com otimização Adam em benchmarks de VQE e QAOA. Notavelmente, em regimes onde o iCANS/gCANS colapsam para o deslocamento de parâmetro de disparos fixos (devido a baixas razões sinal-ruído), o QUIVER mantém uma margem de desempenho ao ajustar dinamicamente $V$ e $M$.

Significância e Alegações
O artigo afirma fornecer um framework teórico unificado que trata o SPSA, o RCD e a regra de deslocamento de parâmetro como casos especiais de um único estimador de direção aleatória. Ao introduzir o parâmetro ajustável $V$, oferece uma alavanca explícita para interpolar entre as estratégias mais baratas (maior variância) e as mais caras (exatas).

A principal contribuição é o otimizador QUIVER, que é o primeiro método adaptativo projetado especificamente para gradientes de avanço. Ele supera as limitações estruturais de otimizadores de disparos adaptativos anteriores (que falham quando o ruído se concentra uniformemente) ao adaptar o número de direções em vez de apenas a contagem de disparos por direção. Os autores afirmam que o QUIVER atinge uma eficiência de disparos próxima do ideal, saturando o limite inferior de Cramér–Rao para a recuperação de gradiente, e permite o treinamento de circuitos quânticos de grande escala (até 60 qubits) com custos de medição ordens de magnitude menores do que a regra de deslocamento de parâmetro.

O trabalho enfatiza que esses ganhos são alcançados sem qubits ancila, portas controladas ou medições no meio do circuito, tornando o framework imediatamente aplicável ao hardware atual de Escala Intermediária com Ruído (NISQ).