Связь фаз вещества с плоскостностью ландшафта потерь в аналоговых вариационных квантовых алгоритмах

Почему это важно для будущих квантовых компьютеров

По мере того как квантовые компьютеры переходят из разряда лабораторных курьезов в практические инструменты, встала серьезная проблема: многие перспективные алгоритмы становится невозможно обучать по мере роста устройств. В этой работе исследуется неожиданный способ подойти к этой проблеме, заимствовав идеи из физики конденсированных сред. Авторы показывают, как разные «фазы» квантового вещества — способы, которыми многочастичная система организует себя — могут сделать вариационные квантовые алгоритмы либо обучаемыми, либо фактически застрявшими, и предлагают стратегию, которая сохраняет обучаемость на аналоговом квантовом оборудовании.

Квантовое обучение, согласованное с аппаратурой

Вариационные квантовые алгоритмы используют квантовое устройство для подготовки настраиваемого квантового состояния и классический компьютер для регулировки параметров до тех пор, пока целевая величина, например энергия или стоимость, не будет минимизирована. Большинство существующих схем являются «цифровыми»: они строят состояния из длинных последовательностей логических вентилей. Хотя такие схемы гибки, они могут быть избыточно выразительными, исследуя огромные области пространства квантовых состояний, которые не нужны для задачи. В больших системах это может привести к так называемой проблеме barren plateau, когда ландшафт потерь становится почти идеально плоским и градиенты экспоненциально исчезают с ростом размера системы. Вместо сборки длинных последовательностей вентилей авторы изучают «аналоговый» подход: дать цепочке квантовых спинов эволюционировать под её естественными взаимодействиями в серии резких изменений, или квенчей, которые непосредственно реализуемы на платформах, таких как ловленные ионы, атомы Ридберга и сверхпроводящие схемы. Управляя дисордером в цепочке спинов, они могут поместить каждый квенч в одну из двух разных фаз вещества — термализированную или многие-тельную локализованную — и исследовать, как этот выбор влияет на поведение алгоритма.

Две фазы — два очень разных ландшафта обучения

В термализированной фазе система ведет себя хаотично: взаимодействия и слабый дисордер быстро распространяют информацию и запутанность по всем спинам, подталкивая цепочку к состояниям, похожим на те, что создаёт полностью случайный квантовый процесс. В фазе многие-тельной локализации (MBL) сильный дисордер препятствует такому смешению. Локальные структуры начального состояния остаются заметными очень долго, а запутанность растёт лишь медленно. Авторы используют количественные меры того, насколько широко_ansatz_ алгоритма исследует пространство возможных квантовых эволюций — его выразительность — и связывают это с тем, насколько плоским становится ландшафт потерь. Они обнаруживают, что обе фазы становятся максимально выразительными при достаточном числе квенчей, но термализированная фаза достигает этого режима гораздо раньше. По мере того как это происходит, дисперсия функции потерь, а значит и градиенты, необходимые для обучения, экспоненциально убывают с числом кубитов, что сигнализирует о появлении barren plateau. В MBL-фазе та же судьба наступает в конце концов, но только после значительно большего числа квенчей.

Связь роста запутанности с обучаемостью

Почему MBL-фаза откладывает наступление плоских ландшафтов? Авторы прослеживают это вплоть до того, как накапливается запутанность. В термализированном режиме каждый квенч вызывает большой скачок запутанности между частями цепочки, и система быстро имитирует полностью случайные состояния. Это быстрое перемешивание стирает структуру ландшафта потерь, делая градиенты чрезвычайно малыми. Напротив, в MBL-режиме запутанность образуется гораздо медленнее и более локализовано. Число квенчей, необходимое для насыщения дисперсии потерь, численно близко отслеживает число квенчей, необходимых для насыщения запутанности, и разрыв между двумя фазами растёт примерно линейно с размером системы. Это означает наличие широкого окна, в котором_ansatz_ на основе MBL уже достаточно выразителен, но ещё не упал в barren plateau, тогда как термализированный_ansatz_ уже необучаем.

Стратегия инициализации, избегающая ранних сбоев

Опираясь на это наблюдение, авторы предлагают практическое правило для настройки аналоговых вариационных алгоритмов. Выберите промежуточное число квенчей и инициализируйте систему в MBL-фазе: та же глубина, которая была бы уже слишком большой и плоской в термализированной фазе, остаётся обучаемой в MBL-фазе. В процессе оптимизации параметры управления затем могут отойти от строгой локализации при необходимости, получая доступ к большей выразительности без начала из плоского региона. Тесты на небольших, но нетривиальных примерах подтверждают эту картину. Для некоторых задач, структура которых хорошо согласуется с аппаратурой, неглубокая термализированная схема может работать хорошо. Но для более общих целей, таких как поиск основного состояния цепочки Гейзенберга или решение случайных задач Max-Cut, инициализация на основе MBL при промежуточной глубине даёт значительно лучшую точность энергии и решения более высокого качества, с более надёжной сходимостью и меньшим числом случаев, застревающих в плохих минимумах.

Что это означает для масштабирования квантовых алгоритмов

Исследование показывает, что физика квантовых фаз — это не просто препятствие или курьёз, а инструмент для проектирования лучших квантовых архитектур обучения. Настраивая аналоговое устройство в режим многие-тельной локализации на этапе инициализации, можно отложить наступление barren plateau и при этом сохранить достаточную гибкость для аппроксимации сложных состояний на более поздних стадиях обучения. Авторы подчёркивают, что это не чудодейственное средство: barren plateau и другие проблемы, такие как плохие локальные минимумы, всё ещё могут возникать, и метод в значительной степени проблемно-агностичен. Тем не менее он предлагает конкретные, учитывающие аппаратную реализацию рекомендации для построения более масштабируемых аналоговых вариационных квантовых алгоритмов и указывает на более широкую программу, где такие понятия, как локализация, временные кристаллы или топологический порядок, помогают формировать ландшафты обучения будущих квантовых компьютеров.

Цитирование: 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

Ключевые слова: вариационные квантовые алгоритмы, аналоговая квантовая симуляция, многие-тельная локализация, бессмысленные плато, квантовое машинное обучение