Fasen van materie koppelen aan de vlakheid van het verlieslandschap in analoge variationele kwantumalgoritmen

Waarom dit van belang is voor toekomstige quantumcomputers

Nu quantumcomputers verschuiven van laboratoriumcuriosa naar praktische hulpmiddelen, doet zich een grote uitdaging voor: veel veelbelovende algoritmen worden ontrainbaar naarmate apparaten groter worden. Dit artikel onderzoekt een verrassende manier om dat probleem aan te pakken door ideeën uit de gecondenseerde materiefysica te lenen. De auteurs laten zien hoe verschillende "fasen" van kwantummaterie — manieren waarop een veeldeeltjessysteem zich organiseert — variationele kwantumalgoritmen óf trainbaar maken óf effectief vastzetten, en ze stellen een strategie voor om ze trainbaar te houden op analoge kwantumhardware.

Kwantumleren dat met de hardware werkt

Variationele kwantumalgoritmen gebruiken een kwantumapparaat om een afstelbare kwantumtoestand voor te bereiden en een klassieke computer om aan de knoppen te draaien totdat een doelgrootheid, zoals energie of kosten, is geminimaliseerd. De meeste bestaande ontwerpen zijn "digitaal": ze bouwen toestanden uit lange reeksen logische poorten. Hoewel flexibel, kunnen deze circuits te expressief zijn en grote delen van de kwantumtoestandenruimte verkennen die voor de taak onnodig zijn. In grote systemen kan dit het zogenaamde barren-plateau-probleem veroorzaken, waarbij het verlieslandschap bijna perfect vlak wordt en de gradiënten exponentieel verdwijnen met de systeemgrootte. In plaats van lange poortreeksen samen te stellen, bestuderen de auteurs een "analoge" benadering: laat een keten van kwantumspins evolueren onder zijn natuurlijke interacties in een reeks plotselinge veranderingen, of quenches, die rechtstreeks implementeerbaar zijn op platforms zoals gevangen ionen, Rydberg-atomen en supergeleidende schakelingen. Door de wanorde in de spin-keten te beheersen, kunnen ze elke quench in een van twee verschillende materiefasen plaatsen, gethermaliseerd of veel-deeltjegelokaliseerd, en onderzoeken hoe die keuze het gedrag van het algoritme vormt.

Twee fasen, twee heel verschillende leerlandschappen

In de gethermaliseerde fase gedraagt het systeem zich chaotisch: interacties en zwakke wanorde verspreiden snel informatie en verstrengeling over alle spins, waardoor de keten naar toestanden wordt gedreven die lijken op die van een geheel willekeurig kwantumproces. In de veel-deeltjegeïsoleerde (MBL) fase verhindert sterke wanorde dit soort mengen. Lokale patronen in de begintoestand blijven voor zeer lange tijden zichtbaar en de verstrengeling groeit slechts langzaam. De auteurs gebruiken kwantitatieve maten voor hoe ruim het ansatz van het algoritme de ruimte van mogelijke kwantumevoluties verkent — de expressiviteit — en verbinden dit met hoe vlak het verlieslandschap wordt. Ze vinden dat beide fasen maximaal expressief worden als voldoende quenches worden toegepast, maar de gethermaliseerde fase bereikt dat regime veel eerder. Terwijl dat gebeurt, krimpt de variantie van de verliesfunctie, en daarmee de voor het leren benodigde gradiënten, exponentieel met het aantal qubits, wat wijst op barren plateaus. In de MBL-fase treedt hetzelfde lot uiteindelijk op, maar pas na veel meer quenches.

Entanglementgroei koppelen aan trainbaarheid

Waarom vertraagt de MBL-fase het ontstaan van vlakke landschappen? De auteurs herleiden dit tot hoe verstrengeling zich opbouwt. In het gethermaliseerde regime veroorzaakt elke quench een grote sprong in verstrengeling tussen delen van de spin-keten, en het systeem bootst snel volledig willekeurige toestanden na. Deze snelle scrambling wist de structuur van het verlieslandschap weg, waardoor gradiënten extreem klein worden. Daarentegen genereert het MBL-regime verstrengeling veel langzamer en op een meer gelokaliseerde manier. Numeriek volgt het aantal quenches dat nodig is om de verliesvariantie te laten verzadigen nauwkeurig het aantal dat nodig is voor de verstrengeling om te verzadigen, en de kloof tussen de twee fasen groeit ruwweg lineair met de systeemgrootte. Dit betekent dat er een ruime venster bestaat waarin het MBL-gebaseerde ansatz al behoorlijk expressief is maar nog niet in een barren plateau is gevallen, terwijl het gethermaliseerde ansatz al ontrainbaar is.

Een initialisatiestrategie die vroeg falen voorkomt

Voortbouwend op dit inzicht stellen de auteurs een praktische regel voor het opzetten van analoge variationele algoritmen voor. Kies een tussenliggend aantal quenches en initialiseert het systeem in de MBL-fase: dezelfde diepte die in de gethermaliseerde fase al te diep en vlak zou zijn, blijft in de MBL-fase trainbaar. Tijdens optimalisatie mogen de regelparameters zich dan van strikte lokalisatie verwijderen indien nodig, waardoor toegang ontstaat tot hogere expressiviteit zonder in een al te vlak begingebied te zijn begonnen. Tests op kleine maar niet-triviale voorbeelden ondersteunen dit beeld. Voor bepaalde problemen waarvan de structuur nauw aansluit bij de hardware, kan een ondiepe gethermaliseerde opzet goed presteren. Maar voor meer algemene doelen, zoals het vinden van de grondtoestand van een Heisenberg-keten of het oplossen van willekeurige Max-Cut-gevallen, levert MBL-gebaseerde initialisatie bij tussenliggende diepte aanzienlijk betere energie-accuratesse en oplossingen van hogere kwaliteit, met betrouwbaardere convergentie en minder gevallen die in slechte minima vastlopen.

Wat dit betekent voor het opschalen van kwantumalgoritmen

De studie suggereert dat de fysica van kwantumfasen niet alleen een obstakel of curiositeit is, maar een instrument voor het ontwerpen van betere kwantumleerarchitecturen. Door een analoog apparaat voor initialisatie in een veel-deeltjegeïsoleerd regime af te stemmen, kan men het ontstaan van barren plateaus uitstellen terwijl er genoeg flexibiliteit blijft om later in de training complexe toestanden te benaderen. De auteurs benadrukken dat dit geen magische remedie is: barren plateaus en andere problemen, zoals slechte lokale minima, kunnen nog steeds optreden, en de methode is grotendeels probleem-agnostisch. Niettemin biedt het concrete, hardwarebewuste richtlijnen voor het bouwen van beter schaalbare analoge variationele kwantumalgoritmen en wijst het op een breder programma waarin concepten als lokalisatie, tijdskristallen of topologische ordening helpen de leerlandschappen van toekomstige quantumcomputers vorm te geven.

Bronvermelding: 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

Trefwoorden: variationele kwantumalgoritmen, analoge kwantumsimulatie, veel-deeltjesthermische lokalisatie, barren plateaus, kwantum-machinelearning