Verbindung von Materiephasen mit der Flachheit der Verlustlandschaft in analogen variationalen Quantenalgorithmen

Warum das für zukünftige Quantencomputer wichtig ist

Während Quantencomputer sich von Laborexoten zu praktischen Werkzeugen entwickeln, tritt eine große Herausforderung zutage: Viele vielversprechende Algorithmen werden beim Hochskalieren der Geräte untrainierbar. Dieses Paper untersucht einen überraschenden Weg, dieses Problem mithilfe von Ideen aus der kondensierten Materiephysik anzugehen. Die Autorinnen und Autoren zeigen, wie unterschiedliche „Phasen“ quantenmechanischer Materie — also die verschiedenen Organisationsformen eines Vielteilchensystems — dazu führen können, dass variationale Quantenalgorithmen entweder trainierbar bleiben oder praktisch steckenbleiben. Außerdem schlagen sie eine Strategie vor, um sie auf analoger Quantenhardware trainierbar zu halten.

Quantenlernen, das zur Hardware passt

Variationale Quantenalgorithmen nutzen ein Quantengerät, um einen einstellbaren Quantenzustand zu erzeugen, und einen klassischen Rechner, der die Regler so anpasst, bis eine Zielgröße wie Energie oder Kosten minimiert ist. Die meisten bestehenden Entwürfe sind „digital“: Sie bauen Zustände aus langen Sequenzen von Logikgattern auf. Solche Schaltkreise sind zwar flexibel, können aber zu ausdrucksstark sein und unnötig weite Bereiche des Quantenzustandsraums erkunden. In großen Systemen kann das zum sogenannten barren-plateau-Problem führen, bei dem die Verlustlandschaft nahezu perfekt flach wird und die Gradienten exponentiell mit der Systemgröße verschwinden. Statt lange Gatterfolgen zu konstruieren, untersuchen die Autorinnen und Autoren einen „analogen“ Ansatz: Eine Kette von Quantenspins darf durch ihre natürlichen Wechselwirkungen in einer Serie von plötzlichen Änderungen (Quenches) evolvieren, die sich direkt auf Plattformen wie gefangenen Ionen, Rydberg-Atomen und supraleitenden Schaltkreisen implementieren lassen. Durch Steuerung der Unordnung in der Spinkette können sie jede Quench in eine von zwei unterscheidbaren Materiephasen einordnen — thermalisiert oder many-body lokalisiert — und untersuchen, wie diese Wahl das Verhalten des Algorithmus prägt.

Zwei Phasen, zwei sehr unterschiedliche Lernlandschaften

In der thermalisierten Phase verhält sich das System chaotisch: Wechselwirkungen und schwache Unordnung verteilen Informationen und Verschränkung schnell über alle Spins und treiben die Kette in Zustände, die denen eines vollständig zufälligen Quantenprozesses ähneln. In der many-body lokalisierten (MBL-)Phase verhindert starke Unordnung diese Art von Vermischung. Lokale Muster des Anfangszustands bleiben über sehr lange Zeiten sichtbar, und die Verschränkung wächst nur langsam. Die Autorinnen und Autoren verwenden quantitative Maße dafür, wie weit das Ansatzmodell des Algorithmus den Raum möglicher quantenmechanischer Entwicklungen erkundet — seine Expressivität — und setzen dies in Beziehung zur Flachheit der Verlustlandschaft. Sie finden, dass beide Phasen bei ausreichend vielen Quenches maximal expressiv werden, die thermaliserte Phase dieses Regime jedoch viel früher erreicht. Währenddessen schrumpft die Varianz der Verlustfunktion und damit die für das Lernen notwendigen Gradienten exponentiell mit der Anzahl der Qubits, was auf barren plateaus hinweist. In der MBL-Phase tritt dasselbe Schicksal schließlich auch ein, jedoch erst nach deutlich mehr Quenches.

Verknüpfung von Verschränkungswachstum und Trainierbarkeit

Warum verzögert die MBL-Phase das Auftreten flacher Landschaften? Die Autorinnen und Autoren führen das auf die Art und Weise zurück, wie Verschränkung aufgebaut wird. Im thermalisierten Regime erzeugt jede Quench einen großen Sprung in der Verschränkung zwischen Teilen der Spinkette, und das System imitiert schnell vollständig zufällige Zustände. Dieses rasche Scrambling löscht die Struktur der Verlustlandschaft aus und macht Gradienten extrem klein. Im Gegensatz dazu wächst die Verschränkung im MBL-Regime deutlich langsamer und lokalisierter. Numerisch korreliert die Anzahl der benötigten Quenches, bis die Verlustvarianz sättigt, eng mit der Anzahl, bis die Verschränkung sättigt, und der Abstand zwischen den beiden Phasen vergrößert sich annähernd linear mit der Systemgröße. Das bedeutet, dass es ein breites Fenster gibt, in dem der auf MBL basierende Ansatz bereits recht expressiv ist, aber noch nicht in ein barren plateau gefallen ist, während der thermaliserte Ansatz bereits untrainierbar ist.

Eine Initialisierungsstrategie, die frühes Scheitern vermeidet

Aufbauend auf dieser Erkenntnis schlagen die Autorinnen und Autoren eine praktische Regel für den Aufbau analoger variationaler Algorithmen vor. Wählen Sie eine mittlere Anzahl von Quenches und initialisieren Sie das System in der MBL-Phase: dieselbe Tiefe, die in der thermalisierten Phase bereits zu tief und flach wäre, bleibt in der MBL-Phase trainierbar. Während der Optimierung können sich die Steuerparameter bei Bedarf von der strikten Lokalisation wegbewegen und so höhere Expressivität erschließen, ohne dass man im flachen Bereich gestartet wäre. Tests an kleinen, aber nicht-trivialen Beispielen stützen dieses Bild. Für bestimmte Probleme, deren Struktur eng zur Hardware passt, kann eine flache, thermaliserte Konfiguration gut funktionieren. Für allgemeinere Zielstellungen, etwa die Grundzustandssuche einer Heisenberg-Kette oder das Lösen zufälliger Max-Cut-Instanzen, liefert die MBL-basierte Initialisierung bei mittlerer Tiefe jedoch deutlich bessere Energiegenauigkeit und qualitativ hochwertigere Lösungen, mit zuverlässigerer Konvergenz und weniger Fällen, die in schlechten Minima hängen bleiben.

Was das für das Hochskalieren von Quantenalgorithmen bedeutet

Die Studie legt nahe, dass die Physik von Quantenphasen nicht nur Hindernis oder Kuriosität ist, sondern ein Werkzeug zum Entwurf besserer Quantenlernarchitekturen. Indem man ein analoges Gerät zur Initialisierung in ein many-body lokalisiertes Regime stimmt, lässt sich das Auftreten von barren plateaus hinauszögern, während gleichzeitig genügend Flexibilität erhalten bleibt, um später im Training komplexe Zustände zu approximieren. Die Autorinnen und Autoren betonen, dass dies keine Wunderlösung ist: barren plateaus und andere Probleme wie ungünstige lokale Minima können weiterhin auftreten, und die Methode ist weitgehend problemagnostisch. Dennoch bietet sie konkrete, hardwarebewusste Richtlinien für den Bau skalierbarerer analoger variationaler Quantenalgorithmen und weist auf ein breiteres Programm hin, in dem Konzepte wie Lokalisation, Zeitkristalle oder topologische Ordnung die Lernlandschaften künftiger Quantencomputer formen helfen.

Zitation: Srimahajariyapong, K., Thanasilp, S. & Chotibut, T. Connecting phases of matter to the flatness of the loss landscape in analog variational quantum algorithms. Commun Phys 9, 111 (2026). https://doi.org/10.1038/s42005-026-02528-4

Schlüsselwörter: variationale Quantenalgorithmen, analoge Quanten-Simulation, Many-Body-Lokalisierung, barren plateaus, quantum machine learning