Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm

技术摘要：应用朗之万动力学推进量子自然梯度优化算法

问题陈述
在混合量子-经典算法（如变分量子求解器 VQE 和量子近似优化算法 QAOA）中，变分量子电路（VQC）的优化经常受到“过度参数化”问题的困扰。虽然量子自然梯度（QNG）算法被提出，通过利用量子几何张量（QGT）来定义具有重参数化不变性的下降方向，以缓解这一问题，但基础 QNG 算法在面对非凸损失函数曲面时往往表现不佳。具体而言，它容易陷入局部极小值、鞍点和平坦区域（plateaus），从而限制了其在复杂优化任务中的有效性。

方法论
作者提出了一种新型优化算法——Momentum-QNG，该算法通过将朗之万动力学（Langevin dynamics）应用于 QNG 框架中推导而来。

• 理论推导： 本研究首先将优化过程建模为朗之万方程的离散时间解。通过引入基于 QNG 梯度（$\hat{f} = -g^{-1}(\theta)\nabla L(\theta)$）的随机力项并结合粘性摩擦项，作者推导出了一个离散更新规则。
• 算法公式化： 最终得到的更新规则为：
  $$\Delta\theta_{n+1} = \rho\Delta\theta_n - \eta \cdot g^{-1}(\theta_n)\nabla L(\theta_n)$$
  此处，$\rho$ 作为由摩擦系数导出的动量系数，$\eta$ 为学习率。该公式通过引入惯性项，将基础 QNG（当 $\rho=0$ 时可恢复）进行了泛化。
• 机制： 动量项允许优化器累积速度，使其能够逃离梯度消失的局部极小值和平台区。理论分析（公式 17）表明，变分参数在极值点附近的平均跳跃长度随动量系数的增加而增大，从而促进了对参数空间的更广泛探索。
• 实现： 该算法在 PennyLane 量子计算软件包中实现。量子几何张量采用带有正则化系数 $\lambda = 0.5$ 的块对角近似进行计算。

基准测试与结果
作者在三种不同的变分量子问题上，将 Momentum-QNG 算法与基础 QNG、标准动量法（Standard Momentum）以及 Adam 优化器进行了基准测试对比：

1. 投资组合优化（Ising 自旋玻璃模型）：

   • 设置： 针对 $N=6, 11, 12$ 个量子比特的 VQE 优化。
   • 结果： 改进后的动量优化器（Momentum-QNG、Momentum、Adam）在能量收敛度（$\Delta E$）方面显著优于基础 QNG。虽然基础 QNG 的收敛速度最快，但其能量误差（energy misfit）最高。Adam 展示了最稳健的性能，具有最宽的收敛域。

2. 量子 Sherrington-Kirkpatrick (SK) 模型：

   • 设置： 在不同横场强度（$g$）下，对 $N=8$ 个量子比特的基态能量进行最小化。
   • 结果： 性能随机制变化：
     • 在强场环境下（$g=0.1$），基础 QNG 达到了最低误差，这与之前的研究结果一致。
     • 在中等场强环境下（$g=10^{-3}$），Momentum 和 Momentum-QNG 表现相当。
     • 在弱场环境下（$g=10^{-5}$），即存在显著局部极小值的强自旋玻璃机制下，Momentum-QNG 的表现优于所有其他算法。
   • 观察： 作者将 Momentum-QNG 在强自旋玻璃机制下的卓越表现归功于量子几何张量与动量项之间的协同效应，这种效应使算法能够更有效地在复杂的能量景观中导航。

3. 最小顶点覆盖问题 (QAOA)：

   • 设置： 在具有 $N=4$ 和 $N=8$ 个顶点的图上进行优化。
   • 结果： Momentum-QNG、Momentum 和 Adam 达到了相似的最大质量比（maximal quality ratios），显著优于基础 QNG。Adam 保持了最宽的收敛域，而 Momentum-QNG 在其收敛域内表现与 Adam 相当。

核心贡献

• 推导 Momentum-QNG： 本文建立了朗之万动力学与量子优化之间的理论联系，推导出了包含动量的广义 QNG 算法。
• 性能验证： 通过广泛的数值基准测试，研究证明了添加动量项可以提高逃离局部极小值和平坦区域的能力，特别是在非凸且过度参数化的景观中。
• 开源： 作者提供了 Momentum-QNG 算法的开源代码，以促进进一步的研究。

意义与主张
论文声称，Momentum-QNG 代表了优化变分量子电路的重要进展，特别是在损失函数景观崎岖且易于陷入局部极小值的场景下。作者强调，虽然基础 QNG 在处理凸函数或较简单问题时非常有效，但添加动量项对于在典型的强自旋玻璃机制及其他困难优化任务所涉及的复杂非凸景观中进行导航至关重要。研究结论指出，量子几何张量（用于实现重参数化不变性）与动量（用于提供惯性）的结合产生了一种协同效应，增强了在挑战性量子机制下的优化性能。作者保持了谦逊的态度，指出 Adam 通常仍是整体最稳健的选择，但同时强调，在其他基于动量的方法可能无法充分利用量子几何结构的特定高难度机制中，Momentum-QNG 展现出了独特的优势。