Обучение параметризованных квантовых схем с помощью квантового градиента

Почему квантовым схемам нужны более умные «приёмы обучения»

По мере роста мощности квантовых компьютеров учёные рассчитывают применять их для решения сложных задач в химии, оптимизации и машинном обучении. Важным инструментом для этой цели является параметризованная квантовая схема: программируемый квантовый рецепт, ручки которого настраивают для выполнения заданной задачи. Но на практике обучение таких схем часто терпит неудачу, потому что ландшафт возможных настроек усеян плоскими плато и вводящими в заблуждение ловушками, в которых традиционные алгоритмы застревают. В этой работе предложен новый способ обучения схем, при котором квантовый компьютер сам указывает направление «вниз», помогая выходить из таких мёртвых зон и делая квантовое обучение более надёжным.

Где квантовое обучение буксует

Большинство современных методов квантового обучения полагаются на классический компьютер, который корректирует параметры схемы с использованием градиентов — малых шагов в направлении уменьшения выбранной стоимости, например энергии или ошибки. Однако в крупных квантовых системах эти градиенты, как правило, становятся чрезвычайно малы почти повсюду. Возникают две взаимосвязанные проблемы. Во‑первых, существуют неблагоприятные локальные стационарные точки: места, где градиент равен нулю, хотя решение ещё далеко от оптимального, включая плохие минимумы и седловые точки. Во‑вторых, появляются бесплодные плато: огромные почти плоские области, где градиент практически нулевой по многим направлениям. В обоих случаях классический оптимизатор не видит полезного сигнала, и обучение застывает, особенно когда число настраиваемых параметров намного меньше размера пространства квантовых состояний.

Дать квантовому устройству указать направление

Авторы предлагают вложенную модель оптимизации, сочетающую квантовые и классические шаги в цикле. Вместо вычисления градиентов только по параметрам схемы, метод использует квантовый алгоритм градиента, чтобы найти истинное направление наискорейшего убывания непосредственно в пространстве квантовых состояний. На каждой внешней итерации квантовое устройство генерирует новое «градиентное состояние», которое показывает, как текущее состояние должно измениться, чтобы уменьшить общую полиномиальную функцию стоимости. Это состояние не привязано к какой‑то фиксированной структуре схемы. Затем классическая процедура пытается подобрать новый слой схемы, который воспроизводит это градиентное состояние максимально близко, фактически направляя схему в том направлении, которое рекомендует квантовое устройство.

Адаптивная схема, которая понимает, когда она застряла

Ключевой компонент метода — индикатор, проверяющий, находится ли обучение действительно в хорошем минимуме или же просто застряло из‑за исчезающих градиентов по параметрам. В начале каждой итерации алгоритм измеряет, насколько близок текущий выход схемы к квантово‑полученному градиентному состоянию. Если они уже хорошо совпадают, индикатор близок к нулю, сигнализируя о том, что градиенты как в пространстве состояний, так и в пространстве параметров фактически сошлись к нулю и, вероятно, достигнут настоящий оптимум. В противном случае метод автоматически добавляет к схеме новый, неглубокий слой и обучает его лучше аппроксимировать градиентное состояние. Такой разогрев и пошаговый рост слоёв заставляют каждый новый слой исследовать лишь небольшую, релевантную область вместо того, чтобы бродить случайно, что помогает избегать бесплодных плато, вызванных чрезмерно глубокими случайно инициализированными схемами.

Тестирование на сложных задачах оптимизации

Чтобы продемонстрировать метод, авторы смоделировали его на двух семейств задач. Первая — задача Max‑Cut на небольших графах, стандартный полигон для квантовой оптимизации. Вторая — минимизация полиномов высокой степени с множеством локальных минимумов. Как в идеальных симуляциях, так и в более реалистичных сценариях, где градиентное состояние воспроизводится лишь приближённо с помощью инструмента синтеза схемы на основе обучения с подкреплением, вложенный метод последовательно сходится к качественным решениям. Индикатор монотонно убывает в ходе итераций, показывая, что алгоритм приближается к истинным минимумам, а не застревает в мелких ловушках или на плато.

Превосходство над существующими стратегиями

Новый подход также сравнивали с популярными адаптивными методами, которые растят схему по воротам, особенно с ADAPT‑VQE, и со стандартным обучением фиксированной глубины. На задаче минимизации энергии молекулы и по нескольким контрольным наблюдаемым вложенная схема достигает более низких конечных стоимостей в условиях, где другие методы буксуют. Метод оказывается значительно менее чувствителен и к бесплодным плато, и к неблагоприятным локальным точкам, хотя и требует дополнительных усилий: каждая итерация включает квантово‑градиентный шаг плюс небольшую задачу синтеза схемы. Авторы предлагают использовать их метод как целевой инструмент — например, чтобы вырваться из проблемных регионов на ранних этапах обучения, а затем вернуть управление более дешёвым классическим оптимизаторам, когда ландшафт параметров станет более благоприятным.

Что это значит для будущего квантового обучения

Проще говоря, эта работа даёт квантовым компьютерам более активную роль в том, чтобы учиться программировать себя. Вместо того чтобы полагаться только на классические догадки о том, как крутить ручки схем, квантовое устройство помогает проложить путь вниз в своём собственном высокоразмерном пространстве состояний. Такая стратегия облегчает избегание плоских, запутанных областей, от которых страдали ранние подходы, по крайней мере для широкого класса полиномиальных функций стоимости. Хотя метод не бесплатен — он добавляет вычислительные расходы — он предлагает практичный способ сделать параметризованные квантовые схемы более обучаемыми, что является важным шагом на пути к полезным приложениям квантовой оптимизации и квантового машинного обучения как на современных шумных машинах, так и на будущих устойчивых к ошибкам устройствах.

Цитирование: 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

Ключевые слова: параметризованные квантовые схемы, квантовая оптимизация, бесплодные плато, квантовые градиенты, вариационные квантовые алгоритмы