Inlärning av parametriserade kvantkretsar med kvantgradient

Varför kvantkretsar behöver bättre "inlärnings"-knep

När kvantdatorer blir kraftfullare hoppas forskare kunna använda dem för att lösa svåra problem inom kemi, optimering och maskininlärning. Ett centralt verktyg för denna vision är den parametriserade kvantkretsen: ett programmerbart kvantrecept vars rattar justeras för att uppnå en viss uppgift. I praktiken misslyckas dock träningen av sådana kretsar ofta eftersom landskapet av möjliga inställningar är fullt av platta platåer och vilseledande fällor där konventionella algoritmer fastnar. Denna artikel introducerar ett nytt sätt att lära sådana kretsar genom att låta kvantdatorn själv peka åt nedförsbacken, vilket hjälper till att ta sig ur dödzonerna och gör kvantinlärning mer tillförlitlig.

Var kvantinlärning kör fast

De flesta nuvarande kvantinlärningsmetoder förlitar sig på en klassisk dator för att justera kretsens parametrar med hjälp av gradienter—små knuffar i riktningen som sänker en vald kostnad, till exempel energi eller fel. I stora kvantsystem tenderar dessa gradienter dock att bli extremt små nästan överallt. Två besläktade problem uppträder. För det första finns ofördelaktiga lokala stationära punkter: platser där gradienten försvinner trots att lösningen fortfarande är långt från optimal, inklusive dåliga minima och sadelpunkter. För det andra finns barren plateaus: stora, nästan platta områden där gradienten i princip är noll i många riktningar. I båda situationerna ser inte den klassiska optimeraren någon användbar signal och träningen stannar av, särskilt när antalet justerbara parametrar är mycket mindre än storleken på kvanttillståndets rum.

Att låta kvantenheten ange riktningen

Författarna föreslår en inbäddad optimeringsmodell som blandar kvant- och klassiska steg i en loop. Istället för att beräkna gradienter endast med avseende på kretsparametrarna använder metoden en kvant-gradientalgoritm för att hitta den verkliga brantaste nedstigningsriktningen direkt i kvanttillståndets rum. I varje yttre iteration genererar kvantenheten ett nytt "gradienttillstånd" som talar om hur det aktuella tillståndet bör ändras för att minska en generell polynomkostnadsfunktion. Detta tillstånd är inte bunden till någon fast kretsstruktur. En klassisk rutin försöker sedan lära sig ett nytt kretslager som reproducerar detta gradienttillstånd så nära som möjligt, och styr därigenom kretsen i den riktning kvantenheten rekommenderar.

En adaptiv krets som vet när den sitter fast

En central ingrediens i metoden är en indikator som kontrollerar huruvida träningen verkligen nått ett riktigt minimum eller bara sitter fast med försvinnande parametergradienter. I början av varje iteration mäter algoritmen hur nära den aktuella kretsens utdata ligger det kvantgenererade gradienttillståndet. Om de redan matchar väl är indikatorn nära noll, vilket signalerar att både tillståndsrum- och parameter-rymddgradienter i praktiken har försvunnit och att ett verkligt optimum sannolikt har nåtts. Om så inte är fallet lägger metoden automatiskt till ett nytt, grunt lager till kretsen och tränar det för att bättre approximera gradienttillståndet. Denna varmstartade, lager-för-lager-tillväxt håller varje nytt lager inom ett litet, relevant sökområde istället för att vandra slumpmässigt, vilket hjälper till att undvika barren plateaus som orsakas av alltför djupa, slumpmässigt initierade kretsar.

Testning på svåra optimeringsuppgifter

För att visa metoden i praktiken simulerar författarna den på två familjer av problem. Den ena är Max-Cut-problemet på små grafer, ett standardtest för kvantoptimering. Den andra är minimering av högre-ordningens polynomfunktioner med flera lokala minima. Både i ideala simuleringar och i mer realistiska där gradienttillståndet endast reproduceras ungefärligt med hjälp av ett förstärkningsinlärningsbaserat krets-syntesverktyg konvergerar den inbäddade metoden konsekvent till högkvalitativa lösningar. Indikatorn minskar stadigt över iterationerna, vilket visar att algoritmen rör sig mot verkliga minima snarare än att dröja kvar i grunda fällor eller platåer.

Slår befintliga strategier på deras egen hemmaplan

Den nya metoden jämförs också med populära adaptiva metoder som växer kretsar port för port, särskilt ADAPT-VQE, och med standardträning vid fast djup. På ett molekylärenergi-problem och på flera referensobservabler uppnår den inbäddade schemat lägre slutliga kostnader i situationer där de andra metoderna stannar av. Den verkar mycket mindre känslig för både barren plateaus och ofördelaktiga lokala punkter, även om den kräver extra arbete: varje iteration involverar ett kvant-gradientsteg plus ett mindre krets-syntesproblem. Författarna föreslår att använda deras metod som ett riktat verktyg—till exempel för att ta sig ur problematiska regioner tidigt i träningen och sedan lämna över kontrollen till billigare klassisk optimering när kretsen befinner sig i ett mer gynnsamt landskap.

Vad detta betyder för kvantinlärningens framtid

I vardagliga termer ger detta arbete kvantdatorer en mer aktiv roll i att lära sig programmera sig själva. Istället för att enbart förlita sig på klassiska gissningar om hur kretsens rattar ska justeras hjälper kvantenheten till att kartlägga nedförsbacken i sitt eget högdimensionella tillståndsrum. Denna strategi gör det lättare att undvika platta, förvirrande regioner som plågat tidigare angreppssätt, åtminstone för en bred klass av polynomliknande kostnadsfunktioner. Metoden är inte kostnadsfri—den medför beräkningsmässig overhead—men erbjuder ett praktiskt sätt att göra parametriserade kvantkretsar mer träningsbara, ett viktigt steg mot användbar kvantoptimering och kvantmaskininlärning på både dagens brusiga maskiner och morgondagens felfria enheter.

Citering: 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

Nyckelord: parametriserade kvantkretsar, kvantoptimering, barren plateaus, kvantgradienter, variationskvantalgoritmer