Discovery of connectivity-trainability trade-off of IQP Circuits for Hamiltonian Optimization

技术摘要：关于用于哈密顿量优化的 IQP 电路中连通性-可训练性权衡的研究发现

问题陈述
组合优化问题（通常被重新表述为寻找哈密顿量的基态问题）是许多科学和工程领域的核心。变分量子算法（VQAs），特别是变分量子特征值求解器（VQE），已成为在近期的量子设备上解决这些问题的领先范式。然而，VQA 设计中面临的一个持久挑战是如何平衡表达能力（表示复杂量子态的能力）与可训练性（高效优化参数的能力）。高表达能力的电路往往会遭受“贫瘠高原”（barren plateaus）问题，即梯度随系统规模呈指数级消失，导致优化变得难以进行。相反，浅层、弱纠缠的电路虽然具有可训练性，但可能缺乏近似复杂基态的表征能力。

虽然瞬时量子多项式时间（IQP）电路在采样任务的推测性经典硬度方面已有深入研究，但其作为哈密顿量优化变分拟设（ansatze）的效用在很大程度上尚未得到探索。具体而言，IQP 电路的连通性、纠缠生成、贫瘠高原以及优化性能之间的关系尚未得到系统的调查。

方法论
作者对应用于三种基准问题（经典伊辛模型、MaxCut 和数字划分问题）的 IQP 电路进行了系统性的研究。研究评估了三种具有不同连通性水平的代表性 IQP 架构：

1. 单 Z 电路（Single-Z Circuits）： 仅由单比特 Pauli-Z 旋转组成（最小连通性）。
2. 环形连通电路（Circular Connectivity）： 包括单比特项和环拓扑结构中的最近邻双比特相互作用（局部连通性）。
3. 全连通电路（Fully Connected Circuits）： 包括所有的两体相互作用（全对全连通性）。

研究通过以下方式评估这些架构的性能和可训练性：

• 优化性能： 通过使用 Adam 优化器在 1,000 次迭代后的相对近似基态能量比率来衡量。
• 可训练性： 通过计算梯度方差随量子比特数变化的缩放行为来表征。
• 表达能力与纠缠： 通过电路输出分布与 Haar 随机分布之间的 Jensen-Shannon 距离进行量化，并通过计算平均双体纠缠熵来评估。

实验使用 IQPopt Python 包和 PennyLane 框架进行，并测试了三种参数初始化策略：高斯分布 ($N(0,1)$)、均匀分布 ($U(0, \pi)$) 以及扰动 $\pi/4$ 分布。

主要贡献

1. 系统性评估： 本文首次对 IQP 电路作为伊辛、MaxCut 和数字划分问题变分拟设进行了全面的评估。
2. 连通性分析： 研究了电路连通性和参数初始化如何影响优化性能和可训练性。
3. 梯度缩放表征： 研究展示了梯度方差的缩放行为，表明增加的连通性与更强的贫瘠高原效应相关。
4. 表达能力-可训练性联系： 分析了表达能力、纠缠特性与优化性能之间的关系，并确定了这些因素是内在相关的。
5. 识别权衡关系： 该工作识别了一种基本的权衡关系，即表达能力与可训练性之间的权衡，并提出环形连通性提供了一个介于过度表达结构与表达不足结构之间的平衡状态。

结果
研究揭示了优化性能与电路可训练性之间存在明显的权衡：

• 全连通电路： 这些电路表现出最高的表达能力和接近体积律（volume-law）的纠缠，使其能够实现最低的相对近似比率（卓越的优化性能）。然而，它们随着系统规模的增加，梯度方差迅速衰减，使其极易受到贫瘠高原的影响。
• 单 Z 电路： 这些电路保持了良好的、非消失的梯度，确保了高可训练性。然而，它们属于表达不足，无法准确近似复杂哈密顿量的基态，导致优化性能较差。
• 环形连通电路： 该架构占据了一个中间状态。它平衡了表达能力和可训练性，在不同的哈密顿量和初始化策略下均提供了稳健的性能。它避免了全连通电路严重的梯度抑制，同时提供了显著优于单 Z 电路的表征能力。

结果表明，IQP 电路的有效性并不仅取决于最大化的表达能力，而是取决于表征能力与优化景观（optimization landscape）之间的适当平衡。

意义
论文得出结论，电路连通性是近时期量子设备上变分量子算法的关键设计参数。研究结果表明，最大化表达能力并不是哈密顿量优化的最佳策略；相反，成功的算法需要一种折衷方案，以避免贫瘠高原和表达不足。通过将环形连通性识别为平衡状态，这项工作为基于 IQP 的变分算法的设计原则提供了新的见解。这有助于实现开发可扩展变分量子算法的宏伟目标，使其能够在嘈杂中规模量子（NISQ）硬件上提供超越纯采样任务的实际优势。