Preaddestramento classico di grandi circuiti quantistici parametrizzati a bassa profondità mediante propagazione di Pauli e impiego su hardware quantistico

Abstract degli autori

Portare i circuiti quantistici parametrizzati a un numero maggiore di qubit è una sfida centrale nell’apprendimento automatico quantistico: la stima del gradiente tramite la regola di traslazione dei parametri diventa rapidamente proibitiva in termini di costi, mentre gli ottimizzatori che non usano il gradiente offrono garanzie di convergenza limitate. Applichiamo il metodo della propagazione di Pauli a un’ampia classe di problemi di apprendimento automatico quantistico in cui la funzione di perdita è espressa in termini di valori di aspettazione degli osservabili del circuito, mentre la quantità d’interesse, come lo stato quantistico o i campioni da esso ottenuti, rimane computazionalmente intrattabile da calcolare con mezzi classici. Propagando gli osservabili a ritroso attraverso il circuito, otteniamo un’espressione parametrica esplicita della funzione di perdita, che può essere minimizzata interamente su hardware classico. Presentiamo inoltre strategie complementari per rendere la propagazione praticabile su larga scala, tra cui troncamenti basati sul peso e sul grado ed euristiche di potatura. Dimostriamo l’approccio su due benchmark eseguiti su circuiti a 64 qubit: Variational Quantum Eigensolver applicato a un modello di Ising bidimensionale e l’addestramento di un modello generativo di tipo discreto per immagini binarie. In entrambi i casi, i parametri preaddestrati con mezzi classici vengono impiegati sul processore quantistico IBM ibm_berlin. Per l’apprendimento generativo, mostriamo inoltre che i circuiti qui considerati richiedono un numero di gate parametrizzati sostanzialmente inferiore rispetto agli ansatz di tipo IQP, riducendo il costo aggiuntivo della transpilazione e rendendo praticabile l’impiego sull’hardware quantistico attualmente disponibile.