Łączenie faz materii z płaskością pejzażu funkcji kosztu w analogowych wariacyjnych algorytmach kwantowych

Dlaczego to ma znaczenie dla przyszłych komputerów kwantowych

W miarę jak komputery kwantowe przestają być laboratoryjnymi ciekawostkami, a stają się praktycznymi narzędziami, pojawia się poważne wyzwanie: wiele obiecujących algorytmów staje się niemożliwych do wytrenowania wraz ze wzrostem rozmiaru urządzeń. Niniejszy artykuł bada zaskakujący sposób rozwiązania tego problemu, zapożyczając idee z fizyki skondensowanej materii. Autorzy pokazują, jak różne „fazy” materii kwantowej — sposoby organizacji układu wielocząsteczkowego — mogą sprawić, że wariacyjne algorytmy kwantowe będą albo podatne na trenowanie, albo praktycznie zatrzymane, i proponują strategię utrzymania ich trenowalności na analogowym sprzęcie kwantowym.

Kwantowe uczenie dostosowane do sprzętu

Wariacyjne algorytmy kwantowe wykorzystują urządzenie kwantowe do przygotowania parametrycznego stanu kwantowego, a klasyczny komputer do regulowania parametrów aż do minimalizacji pewnej wielkości docelowej, na przykład energii lub kosztu. Większość istniejących rozwiązań jest „cyfrowa”: buduje stany za pomocą długich sekwencji bramek logicznych. Choć elastyczne, obwody takie mogą być zbyt ekspresyjne, eksplorując rozległe obszary przestrzeni stanów kwantowych nieistotne dla zadania. W dużych układach może to powodować tzw. problem barren plateau, gdzie pejzaż funkcji kosztu staje się niemal idealnie płaski, a gradienty zanikają wykładniczo wraz z rozmiarem układu. Zamiast składać długie sekwencje bramek, autorzy badają podejście „analogowe”: pozwolić łańcuchowi spinów ewoluować pod wpływem naturalnych oddziaływań w serii nagłych zmian, tzw. quenchy, które da się bezpośrednio zrealizować na platformach takich jak jonowe pułapki, atomy Rydberga czy układy nadprzewodzące. Kontrolując nieporządek w łańcuchu spinów, można umieścić każdy quench w jednej z dwóch odrębnych faz materii — ztermalizowanej lub z lokalizacją wielociałową — i badać, jak ten wybór kształtuje zachowanie algorytmu.

Dwie fazy, dwa zupełnie różne pejzaże uczenia

W fazie ztermalizowanej układ zachowuje się chaotycznie: oddziaływania i słaby nieporządek szybko rozprzestrzeniają informacje i splątanie po wszystkich spinach, popychając łańcuch w stronę stanów przypominających te wytwarzane przez w pełni losowy proces kwantowy. W fazie lokalizacji wielociałowej (MBL) silny nieporządek uniemożliwia takie mieszanie. Lokalne wzorce w stanie początkowym pozostają widoczne przez bardzo długi czas, a splątanie narasta tylko wolno. Autorzy stosują ilościowe miary stopnia, w jakim ansatz algorytmu eksploruje przestrzeń możliwych ewolucji kwantowych — jego ekspresywność — i powiązują to z tym, jak bardzo spłaszcza się pejzaż funkcji kosztu. Stwierdzają, że obie fazy stają się maksymalnie ekspresywne, jeśli zastosuje się wystarczająco dużo quenchy, ale faza ztermalizowana osiąga ten reżim znacznie szybciej. Wraz z tym wariancja funkcji kosztu, a więc gradienty potrzebne do uczenia, kurczą się wykładniczo w liczbie kubitów, co sygnalizuje pojawienie się barren plateau. W fazie MBL ten sam los następuje ostatecznie, lecz dopiero po znacznie większej liczbie quenchy.

Powiązanie wzrostu splątania z trenowalnością

Dlaczego faza MBL opóźnia pojawienie się płaskich pejzaży? Autorzy wskazują na mechanizm budowania splątania. W reżimie ztermalizowanym każdy quench powoduje duży skok splątania między częściami łańcucha spinów i system szybko naśladuje stany w pełni losowe. To szybkie mieszanie zaciera strukturę pejzażu funkcji kosztu, czyniąc gradienty ekstremalnie małymi. Dla odmiany reżim MBL generuje splątanie znacznie wolniej i w sposób bardziej lokalny. Obliczeniowo liczba quenchy potrzebna do nasycenia wariancji funkcji kosztu ściśle śledzi liczbę niezbędną do nasycenia splątania, a różnica między dwiema fazami rośnie w przybliżeniu liniowo wraz z rozmiarem układu. Oznacza to szerokie okno, w którym ansatz oparty na MBL jest już dość ekspresywny, lecz jeszcze nie wpadł w barren plateau, podczas gdy ansatz ztermalizowany już jest nietrenowalny.

Strategia inicjalizacji, która unika wczesnej porażki

Wykorzystując tę obserwację, autorzy proponują praktyczną regułę ustawiania analogowych algorytmów wariacyjnych. Wybrać pośrednią liczbę quenchy i zainicjalizować system w fazie MBL: ta sama głębokość, która w fazie ztermalizowanej byłaby już zbyt duża i płaska, pozostaje trenowalna w fazie MBL. Podczas optymalizacji parametry sterujące mogą następnie odchodzić od ścisłej lokalizacji, jeśli zajdzie taka potrzeba, zyskując dostęp do większej ekspresywności bez rozpoczynania z płaskiego regionu. Testy na małych, lecz niebanalnych przykładach potwierdzają tę koncepcję. Dla niektórych problemów, których struktura ściśle odpowiada sprzętowi, płytka konfiguracja ztermalizowana może dawać dobre wyniki. Jednak dla bardziej ogólnych zadań, takich jak znajdowanie stanu podstawowego łańcucha Heisenberga czy rozwiązywanie losowych instancji Max-Cut, inicjalizacja oparta na MBL przy pośredniej głębokości zapewnia znacznie lepszą dokładność energetyczną i wyższej jakości rozwiązania, z bardziej niezawodną zbieżnością i mniejszą liczbą przypadków utknięcia w słabych minimach.

Co to oznacza dla skalowania algorytmów kwantowych

Badanie sugeruje, że fizyka faz kwantowych nie jest jedynie przeszkodą czy ciekawostką, lecz narzędziem do projektowania lepszych architektur kwantowego uczenia. Dostrajając urządzenie analogowe do reżimu lokalizacji wielociałowej na etapie inicjalizacji, można opóźnić pojawienie się barren plateau przy jednoczesnym zachowaniu wystarczającej elastyczności, by później przybliżać złożone stany podczas treningu. Autorzy podkreślają, że nie jest to magiczne lekarstwo: barren plateau i inne problemy, takie jak złe minima lokalne, wciąż mogą wystąpić, a metoda jest w dużej mierze niezależna od konkretnego problemu. Niemniej daje konkretne, świadome względem sprzętu wskazówki do budowy bardziej skalowalnych analogowych wariacyjnych algorytmów kwantowych i wskazuje na szerszy program, w którym pojęcia takie jak lokalizacja, kryształy czasowe czy porządek topologiczny pomagają kształtować pejzaże uczenia przyszłych komputerów kwantowych.

Cytowanie: 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

Słowa kluczowe: wariacyjne algorytmy kwantowe, analogowa symulacja kwantowa, lokalizacja wielociałowa, barren plateaus, kwantowe uczenie maszynowe