Variational Quantum Eigensolver: A Comparative Analysis of Classical and Quantum Optimizer Methods

技术摘要：变分量子特征值求解器：经典与量子优化方法的比较分析

问题陈述
变分量子算法（VQAs），特别是变分量子特征值求解器（VQE），是目前利用含噪声中规模量子（NISQ）设备解决诸如寻找量子系统基态能量等问题的最可行途径。然而，VQAs 的性能在很大程度上受限于用于更新变分参数的优化子程序的效率和稳定性。优化景观往往面临着诸如贫瘠高原（barren plateaus）、噪声敏感性以及与梯度估计相关的计算成本高昂等问题。虽然经典优化器（如 COBYLA）和无导数方法具有鲁棒性，但它们可能缺乏基于梯度的方法那样的收敛速度。相反，具有量子启发性的优化器（例如利用量子自然梯度 [QN] 的方法）虽然提供了几何优势，但由于需要估计 Fubini-Study 度量（量子费舍尔信息矩阵 [QFIM]），往往会带来过高的计算成本。本文旨在平衡 VQE 优化中的计算效率、收敛速度和稳定性，特别是在横向伊辛模型（TIM）的应用场景下。

研究方法
本研究采用一维横向伊 싱 模型（TIM）作为测试平台，以评估并比较 VQE 框架内的各种优化策略。研究方法包含三个主要组成部分：

1. 拟设构建（Ansatz Construction）： 作者根据 TIM 哈密顿量的对称性构建了参数化量子电路（PQCs）。具体而言，他们利用实数表示形式的本征态和 $Z_2$ 自旋翻转对称性来减少参数空间。研究测试了两种硬件高效拟设：

   • RealAmplitudes： 使用 $R_y$ 旋转门和线性纠缠，遵循 TIM 基态的实数值特性。
   • EfficientSU2： 使用全纠缠方案以及 $R_x, R_y, R_z$ 门，允许复数值希尔伯特空间的表示。
     研究调查了这些结构如何与不同的优化器进行交互。

2. 优化器分类与组合： 作者将优化器分为经典操作和量子操作两类，并通过结合不同的梯度估计方法与不同的度量（海森矩阵/FIM）近似方法，创建了一个比较网格：

   • 梯度估计：
     • 参数移位规则 (PSR)： 提供精确的解析梯度。
     • 有限差分法 (FD)： 一种经典的数值近似方法。
     • 同时扰动随机逼近 (SPSA)： 一种每次迭代仅需两次函数求值的随机方法。
   • 度量近似 ($g(\theta)$)：
     • 单位矩阵（恒定）： 标准梯度下降。
     • QN-BDA（块对角近似）： 利用从电路层导出的块对角结构来近似 Fubini-Study 度量。
     • QN-SPSA： 使用 2-SPSA 方法随机近似度量，每次迭代仅需四次量子求值。

3. 提出的混合方法 (QN-SPSA+PSR)： 引入了一种新的组合方案，其中通过 QN-SPSA 框架近似 Fubini-Study 度量（使用随机估计度量），而代价函数的梯度则使用参数移位规则（PSR）进行精确计算。其目标是将 QN-SPSA 的计算效率与 PSR 的精确性相结合。

核心贡献

• 开发 QN-SPSA+PSR： 本文提出了一种新的优化算法，该算法用精确的 PSR 取代了 QN-SPSA 中的随机梯度估计。这种混合方法旨在通过使用随机估计的度量来稳定更新过程，同时保持较低的计算开销。
• 全面的比较分析： 研究对 $3 \times 3$ 的优化器组合网格（改变梯度和度量方法）进行了系统性评估，并与 COBYLA 等经典基准进行了对比。
• 对称性启发式拟设设计： 本文展示了如何利用 TIM 的物理对称性（实数表示和自旋翻转对称性）来指导选择高效拟设（RealAmplitudes），从而减少可训练参数的数量和电路深度。
• 资源与精度权衡量化： 作者量化了各种方法的计算成本（以量子电路求值次数衡量）与最终相对误差之间的关系，为 NISQ 应用提供了实践指南。

结果
在具有两层 RealAmplitudes 拟设的 12 量子比特 TIM 系统上进行了数值模拟。主要发现包括：

• QN-SPSA+PSR 的表现： 与 QN-SPSA+SPSA 相比，所提出的方法在每个参数更新时表现出更快的收敛速度，并达到了与计算成本更高的 QN-BDA+PSR 相当的最终精度。它比纯随机方法具有更高的稳定性。
• 拟设效率： 具有线性纠缠的 RealAmplitudes 拟设在收敛速度和一致性方面优于 EfficientSU2 拟设，验证了针对问题对称性定制拟设的方法。
• 经典基准 (COBYLA)： 无导数优化器 COBYLA 显示出显著的效率，每次迭代仅需一次量子求值。在此特定基准测试中，它实现了与先进量子启发式方法相当的相对误差，凸显了其在近期设备上的可行性。
• 可扩展性： 虽然 QN-BDA+PSR 在理论上提供了最佳收敛性，但其成本随层数和参数数量增加而增加。QN-SPSA+PSR 保持了较低的成本剖面（其成本随层数变化，且度量估计为常数次随机求值），同时提供了极具竞争力的结果。
• 系统规模与场强： QN-SPSA+PSR 方法在不同系统规模（6 到 12 个量子比特）和外部场强下，始终能提供可靠的基态能量估计，且与精确结果高度吻合。

意义与主张
本文声称 QN-SPSA+PSR 方法为改进 NISQ 设备上 VQA 的优化子程序提供了一条切实可行的路径。通过将 QN-SPSA 的低度量估计成本与 PSR 的精确性相结合，该方法实现了稳定性、收敛速度和计算资源消耗之间的平衡。作者认为，这种方法对于计算开销成为限制因素的 VQA 和量子机器学习（QML）任务特别有益。

研究谨慎地总结道，尽管结果在 TIM 模型中表现出色，但在更复杂的题目结构和更强的量子相关性下，这些方法的表现可能会有所不同。这项工作作为一个基础性的比较研究，表明量子启发式的度量更新可以提高某些优化器组合的稳定性，从而为在更大、更复杂系统中开展进一步研究提供了动力。本文并未声称对所有经典方法具有普遍的优越性，而是强调了量子启发式优化器在收敛方向和稳定性方面提供独特优势的具体条件。