למידת מעגלים קוונטיים פרמטריים באמצעות גרדיאנט קוונטי

מדוע מעגלים קוונטיים זקוקים לטריקים טובים יותר ל"למידה"

כשהמחשבים הקוונטיים הופכים חזקים יותר, מדענים מקווים להשתמש בהם לפתרון בעיות קשות בכימיה, אופטימיזציה ולמידת מכונה. כלי מרכזי בחזון הזה הוא המעגל הקוונטי הפרמטרי: מתכון קוונטי ניתן לתכנות שהכפתורים שלו מכוונים להשגת משימה רצויה. אך בפועל, אימון מעגלים אלה נכשל לעתים קרובות כי נוף האפשרויות מלא במישורים שטוחים ובמלכודות מטעות, שבהן אלגוריתמים מקובלים נתקעים. מאמר זה מציג דרך חדשה ללמוד מעגלים כאלה על ידי כך שהמחשב הקוונטי עצמו מצביע על הכיוון היורד, מה שעוזר לברוח מאזורים מתים ולהפוך את הלמידה הקוונטית לאמינה יותר.

איפה הלמידה הקוונטית נתקעת

רוב שיטות הלמידה הקוונטיות כיום מסתמכות על מחשב קלאסי שמכוון את פרמטרי המעגל באמצעות גרדיאנטים—דחיפות זעירות בכיוון שמוריד פונקציית עלות שבחרנו, כמו אנרגיה או שגיאה. עם זאת, במערכות קוונטיות גדולות גרדיאנטים אלה נוטים להפוך לקטנים ביותר כמעט בכל מקום. מופיעות שתי בעיות קשורות. ראשית, יש נקודות סטציונריות מקומיות לא רצויות: מקומות שבהם הגרדיאנט נעלם למרות שהפתרון רחוק מהאופטימום, כולל מינימות רעות ונקודות אוכף. שנית, יש מישורי קיפאון (barren plateaus): אזורים עצומים וכמעט שטוחים שבהם הגרדיאנט שואף לאפס בכמעט כל הכיוונים. בשתי המצביות האלה, הממוטב הקלאסי אינו רואה אות שימושי והאימון נעצר, במיוחד כשמספר הפרמטרים שניתנים לכוונון קטן משמעותית ביחס לגודל מרחב המצבים הקוונטי.

להניח למכשיר הקוונטי לספק את הכיוון

המחברים מציעים מודל אופטימיזציה מקונן שמשלב שלבים קוונטיים וקלאסיים בלולאה. במקום לחשב גרדיאנטים רק ביחס לפרמטרי המעגל, השיטה משתמשת באלגוריתם גרדיאנט קוונטי שמוצא את כיוון הירידה המהיר ביותר ישירות במרחב המצבים הקוונטי. בכל איטרציה חיצונית, המכשיר הקוונטי מייצר "מצב גרדיאנט" חדש שמצביע כיצד יש לשנות את המצב הנוכחי כדי להקטין פונקציית עלות פולינומית כללית. מצב זה אינו כרוך במבנה מעגל קבוע. שגרה קלאסית מנסה לאחר מכן ללמוד שכבה חדשה במעגל שמדמה את מצב הגרדיאנט הזה באופן קרוב ככל האפשר, וכך היא מנווטת את המעגל בכיוון שהמכשיר הקוונטי ממליץ עליו.

מעגל אדפטיבי שיודע מתי הוא נתקע

מרכיב מרכזי בשיטה הוא אינדיקטור שבודק האם האימון אכן הגיע למינימום טוב או פשוט נתקע עם גרדיאנטים פרמטריים נעלמים. בתחילת כל איטרציה האלגוריתם מודד עד כמה פלט המעגל הנוכחי קרוב למצב הגרדיאנט שמופק קוונטית. אם הם כבר תואמים היטב, האינדיקטור קרוב לאפס, מה שמעיד שגם גרדיאנט המרחב וגם גרדיאנט הפרמטרים נעלמו בפועל וסביר שנגענו באופטימום אמיתי. אם לא, השיטה מוסיפה אוטומטית שכבה שטוחה חדשה למעגל ומאמנת אותה כדי להתקרב טוב יותר למצב הגרדיאנט. הגדילה הזו בהתחלה עם חימום מקדים, שכבה אחרי שכבה, שומרת שכל שכבה חדשה תחקור רק אזור קטן ורלוונטי במקום לשוטט באקראי, מה שמסייע להימנע משטחים שטוחים שנגרמים על ידי מעגלים עמוקים שמאותחלים באקראי.

מבחן על משימות אופטימיזציה קשות

כדי לראות את השיטה בפעולה, המחברים סימנו אותה על שתי משפחות של בעיות. אחת היא בעיית מקס-קאט (Max-Cut) על גרפים קטנים, במעבדת בדיקה סטנדרטית לאופטימיזציה קוונטית. השנייה היא מזעור של פונקציות פולינומיות מדרגה גבוהה עם מינימות מקומיות רבות. גם בסימולציות אידיאליות וגם בסימולציות ריאליסטיות יותר שבהן מצב הגרדיאנט משוחזר בקירוב בעזרת כלי סינתזת מעגל מבוסס חיזוק, השיטה המקוננת מתכנסת בעקביות לפתרונות באיכות גבוהה. האינדיקטור יורד באופן יציב לאורך האיטרציות, מה שמראה שהאלגוריתם מתקרב למינימות אמיתיות במקום להיתקע במלכודות רדודות או במישורים שטוחים.

להכות אסטרטגיות קיימות במשחק שלהן

הגישה החדשה הושוותה גם לשיטות אדפטיביות פופולריות שמגדילות מעגלים שער אחרי שער, במיוחד ADAPT-VQE, ולמתודולוגיות אימון בעומק קבוע. בבעיית אנרגיה מולקולרית ועל מספר תצפיות תקניות, סכמת המקוננת השיגה עלויות סופיות נמוכות יותר בסיטואציות שבהן שאר השיטות נעצרו. היא נראית פחות רגישה גם לשטחי קיפאון וגם לנקודות מקומיות לא רצויות, אם כי היא דורשת עבודת יתר: כל איטרציה כוללת שלב גרדיאנט קוונטי נוסף ועוד בעיית סינתזת מעגל קטנה. המחברים מציעים להשתמש בשיטה ככלי ממוקד—למשל כדי לברוח מאזורים בעייתיים בשלבי האימון המוקדמים ואז להחזיר את השליטה לאופטימיזציה קלאסית זולה יותר ברגע שהמעגל נמצא בנוף נוח יותר.

מה המשמעות של זה לעתיד הלמידה הקוונטית

במונחים יום-יומיים, עבודה זו נותנת למחשבים הקוונטיים תפקיד פעיל יותר בלמידה כיצד לתכנת את עצמם. במקום להסתמך אך ורק על ניחושים קלאסיים לגבי איך לכוונן את כפתורי המעגל, המכשיר הקוונטי מסייע למפות את הדרך היורדת במרחב המצבים המממד-גבוה שלו. אסטרטגיה זו מקלה על הימנעות מאזורים שטוחים ומבלבלים שטרפדו גישות מוקדמות, לפחות עבור מחלקה רחבה של פונקציות עלות בסגנון פולינומי. אמנם השיטה אינה חינמית—היא מוסיפה עומס חישובי—אולם היא מציעה דרך מעשית להפוך מעגלים קוונטיים פרמטריים ליותר ניתנים לאימון, צעד חשוב לקראת יישומי אופטימיזציה קוונטית ולמידת מכונה קוונטית שימושית גם על מכונות רועשות של היום וגם על מכשירים חסינים שיגיעו בעתיד.

ציטוט: Li, K., Wang, Y., Gao, P. et al. Learning parameterized quantum circuits with quantum gradient. npj Quantum Inf 12, 59 (2026). https://doi.org/10.1038/s41534-025-01179-7

מילות מפתח: מעגלים קוונטיים פרמטריים, אופטימיזציה קוונטית, שטחי קיפאון, גרדיאנטים קוונטיים, אלגוריתמים וריאציונליים קוונטיים