קישור בין מצבי חומר לשטיחות נוף ההפסד באלגוריתמים ואריאציאליים קוונטיים אנלוגיים

מדוע זה חשוב למחשבים קוונטיים עתידיים

בעוד שמחשבים קוונטיים עוברים מסקרנות מעבדתית לכלים מעשיים, צץ אתגר מרכזי: אלגוריתמים מבטיחים רבים הופכים לבלתי ניתנים לאימון ככל שמכשירים מתרחבים. מאמר זה חוקר דרך מפתיעה לטפל בבעיה על ידי שאיבת רעיונות מפיזיקה של חומר מעובה. המחברים מראים כיצד “מצבים” שונים של חומר קוונטי — דרכים בהן מערכת רב-חלקיקית מתארגנת — יכולים להפוך אלגוריתמים ואריאציאליים לקוונטיים לניתנים לאימון או תקועים בפועל, ומציעים אסטרטגיה לשמור עליהם ניתנים לאימון בחומרה אנלוגית קוונטית.

למידה קוונטית שתואמת את החומרה

אלגוריתמים ואריאציאליים קוונטיים משתמשים במכשיר קוונטי להכנת מצב קוונטי נשלט ובמחשב קלאסי לכוונן את ההגדרות עד שכמות יעדית, כמו אנרגיה או פונקציית עלות, תמוזער. רוב התכנונים הקיימים הם "דיגיטליים": הם בונים מצבים מתוך רצפי שערים לוגיים ארוכים. אף על פי שהם גמישים, מעגלים כאלה עלולים להיות בעלי יכולת ביטוי מופרזת, ולחקור אזורים עצומים במרחב המצבים הקוונטיים שאינם נחוצים למשימה. במערכות גדולות זה יכול לגרום לבעיה הידועה כמישור שומם, שבו נוף ההפסד נעשה כמעט ישר לחלוטין והגרדיאנטים נעלמים באופן אקספוננציאלי עם גודל המערכת. במקום להרכיב רצפי שערים ארוכים, המחברים בוחנים גישה "אנלוגית": לתת לשרשרת ספינים קוונטית להתפתח תחת האינטראקציות הטבעיות שלה בסדרת שינויים פתאומיים, או קוונצ'ים, הניתנים ליישום ישיר על פלטפורמות כמו יונים לכודים, אטומי רידברג ומעגלים מוליכים-על. בעזרת שליטה בחוסר הסדר בשרשרת הספינים, ניתן למקם כל קוונץ באחד משני מצבי חומר מובחנים — תרמיליזציה או לוקליזציה של ריבוי חלקיקים — ולחקור כיצד הבחירה הזו מעצבת את התנהגות האלגוריתם.

שני מצבים, שני נופי למידה שונים לחלוטין

במצב התרמיליזציה המערכת מתנהגת כאילו היא כאוטית: אינטראקציות וחוסר סדר חלש מפזרים במהירות מידע ושזירה על פני כל הספינים, ודוחפים את השרשרת לעבר מצבים הדומים לאלו הנוצרים על ידי תהליך קוונטי אקראי מוחלט. במצב הלוקליזציה של ריבוי חלקיקים (MBL), חוסר סדר חזק מונע את סוג המעורבות הזה. דפוסים מקומיים במצב ההתחלתי נשארים נראים למשכים ארוכים מאוד, והשזירה גדלה רק באיטיות. המחברים משתמשים במדדים כמותיים של עד כמה האנזאטץ של האלגוריתם חוקר את מרחב ההתפתחויות הקוונטיות האפשריות — יכולת הביטוי שלו — ומקשרים זאת לשטיחות נוף ההפסד. הם מגלים ששני המצבים הופכים לבעלי ביטוי מקסימלי אם מוחלים מספיק קוונצ'ים, אך מצב התרמיליזציה מגיע למשטר זה הרבה מוקדם יותר. כאשר זה קורה, השונות של פונקציית ההפסד, ומה שהיא אומרת על הגרדיאנטים הנחוצים ללמידה, מצטמצמת באופן אקספוננציאלי עם מספר הקיוביטים, כאות למישורים השוממים. במצב ה-MBL, אותו גורל מתרחש בסופו של דבר, אך רק אחרי הרבה יותר קוונצ'ים.

קישור בין גדילת שזירה ליכולת אימון

מדוע מצב ה-MBL מעכב את הופעת נופים שטוחים? המחברים מאתרים זאת באופן שבו השזירה מתפתחת. במשטר התרמיליזציה, כל קוונץ מייצר קפיצה גדולה בשזירה בין חלקי שרשרת הספינים, והמערכת במהירות מתחזה למצבים אקראיים לחלוטין. ערבוב מהיר זה מוחק את מבנה נוף ההפסד, מה שהופך את הגרדיאנטים לקטנים מאוד. לעומת זאת, משטר ה-MBL מייצר שזירה באופן איטי יותר ובצורה מקומית יותר. באופן נומרי, מספר הקוונצ'ים הנדרש לשונות ההפסד כדי לרוויח עקבית עוקב באופן הדוק אחרי המספר הנדרש לשזירה כדי לרוויח, ורווח בין שני המצבים גדל בקירוב באופן לינארי עם גודל המערכת. משמעות הדבר היא שיש חלון רחב שבו האנזאטץ המבוסס על MBL כבר בעל יכולת ביטוי גבוהה אך עדיין לא נפל אל מישור שומם, בעוד שהאנזאטץ התרמיליזציוני כבר בלתי ניתן לאימון.

אסטרטגיית אתחול הממנעת כישלון מוקדם

בהסתמך על התובנה הזו, המחברים מציעים כלל מעשי להגדרת אלגוריתמים ואריאציאליים אנלוגיים. בחרו מספר ביניים של קוונצ'ים ואתחלו את המערכת במצב ה-MBL: אותו עומק שהיה כבר עמוק מדי וישר מדי במשטר התרמיליזציה נשאר ניתנן לאימון במשטר ה-MBL. במהלך האופטימיזציה, פרמטרי הבקרה חופשיים לזוז רחוק מהלוקליזציה המוחלטת אם נדרש, ובכך מקבלים גישה לביטוי גבוה יותר מבלי להתחיל מאזור שטוח. ניסויים בדוגמאות קטנות אך לא טריוויאליות תומכים בתמונה הזו. עבור בעיות מסוימות שהמבנה שלהן מתאים באופן הדוק לחומרה, תצורה תרמיליזציונית רדודה יכולה לתפקד היטב. אך עבור מטרות כלליות יותר, כמו מציאת מצב היסוד של שרשרת הייזנברג או פתרון מקרים אקראיים של Max-Cut, אתחול מבוסס MBL בעומק ביניים מספק דיוק אנרגטי טוב יותר ותוצאות איכותיות יותר, עם התכנסות אמינה יותר ופחות מקרים שנתקעים במינימות חלשות.

מה משמעות הדבר להרחבת היקף האלגוריתמים הקוונטיים

המחקר מציע כי פיזיקת מצבי החומר אינה רק מכשול או סקרנות, אלא כלי לעיצוב ארכיטקטורות למידה קוונטיות טובות יותר. על ידי כוונון מכשיר אנלוגי למשטר לוקליזציה של ריבוי חלקיקים כאתחול, ניתן לעכב את הופעת המישורים השוממים תוך שמירה על מספיק גמישות להציג מצבים מורכבים בשלבים מאוחרים של האימון. המחברים מדגישים כי זו אינה תרופה פלא: מישורים שוממים ובעיות נוספות, כגון מינימות מקומיות גרועות, עדיין עלולים להופיע, והמתודה ברובה אגנוסטית למשימה. עם זאת, היא מציעה קווים מנחים מעשיים ותואמי-חומרה לבניית אלגוריתמים ואריאציאליים אנלוגיים סקלאביליים יותר ומצביעה לכיוון תכנית רחבה שבה מושגים כמו לוקליזציה, גבישים בזמן או סדר טופולוגי מסייעים לעיצוב נופי הלמידה של מחשבים קוונטיים עתידיים.

ציטוט: 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

מילות מפתח: אלגוריתמים ואריאציאליים קוונטיים, סימולציה קוונטית אנלוגית, לוקליזציה של ריבוי חלקיקים, מישורים שוממים, למידת מכונה קוונטית