Valutazione comparativa di strategie modulari di ottimizzazione per circuiti quantistici parametrizzati

Abstract degli autori

L’addestramento di circuiti quantistici parametrizzati richiede di bilanciare i progressi dell’ottimizzazione con budget di valutazione limitati e con l’incertezza statistica dell’hardware quantistico del prossimo futuro. Presentiamo un framework modulare di benchmarking che separa la stima della direzione di ricerca quantistica dalle regole classiche di aggiornamento dei parametri, consentendo di esaminarne indipendentemente le interazioni e le sensibilità. Valutiamo una suite di ottimizzatori basati sul gradiente, stocastici e privi di derivate nell’ambito dell’ottimizzazione combinatoria con il Quantum Approximate Optimization Algorithm (QAOA), dell’apprendimento automatico quantistico supervisionato con la classificazione Iris e una rete neurale convoluzionale quantistica (QCNN) per la classificazione binaria di MNIST, e della chimica quantistica con il variational quantum eigensolver (VQE) per l’idrogeno molecolare. Separando le valutazioni della funzione obiettivo dai costi dei circuiti di campionamento, in condizioni di simulazione con un numero finito di shot e di esecuzione fisica su un processore a 156 qubit, confrontiamo il comportamento degli ottimizzatori su carichi di lavoro con numeri di parametri e requisiti di misurazione diversi. Quattro casi di studio selezionati in simulazione e su hardware riportano separatamente i valori terminali e i migliori valori osservati della funzione obiettivo, insieme alle accuratezze dei classificatori dopo l’addestramento. I confronti includono traiettorie selezionate per MaxCut e l’idrogeno e illustrano le variazioni della funzione obiettivo dipendenti dal carico di lavoro e i costi di valutazione, mentre il benchmark in simulazione confronta sia le prestazioni di picco sia quelle medie su tre seed. Le esecuzioni su hardware non stabiliscono una graduatoria degli ottimizzatori né isolano un effetto causale del rumore del dispositivo.