Koppla faser av materia till planheten i förlustlandskapet i analoga variationala kvantalgoritmer

Varför detta spelar roll för framtida kvantdatorer

När kvantdatorer går från laboratoriecuriositeter till praktiska verktyg har en stor utmaning dykt upp: många lovande algoritmer blir omöjliga att träna när systemen växer. Denna artikel utforskar ett överraskande sätt att tackla problemet genom att låna idéer från kondenserad materiens fysik. Författarna visar hur olika ”faser” av kvantmateria — sätt på vilka ett många-partikelsystem organiserar sig — kan göra variationala kvantalgoritmer antingen träningsbara eller effektivt fastlåsta, och de föreslår en strategi för att hålla dem träningsbara på analog kvantmaskinvara.

Kvantinlärning som fungerar med hårdvaran

Variationala kvantalgoritmer använder en kvantenhet för att förbereda ett ställbart kvanttillstånd och en klassisk dator för att justera reglagen tills en målkvantitet, som energi eller kostnad, minimeras. De flesta befintliga designer är ”digitala”: de bygger tillstånd från långa sekvenser av logiska grindar. Även om detta är flexibelt kan dessa kretsar bli alltför uttrycksfulla och utforska vidsträckta regioner i kvanttillståndsrymden som är onödiga för uppgiften. I stora system kan detta orsaka det så kallade barren plateau-problemet, där förlustlandskapet blir nästan perfekt platt och gradienter försvinner exponentiellt med systemstorleken. Istället för att sätta ihop långa grindsekvenser studerar författarna en ”analog” ansats: låt en kedja av kvantspinn utvecklas under sina naturliga interaktioner i en serie plötsliga förändringar, eller quenches, som kan implementeras direkt på plattformar som fängslade joner, Rydberg-atomer och supraledande kretsar. Genom att kontrollera störningen i spinnkedjan kan de placera varje quench i en av två distinkta materiefaser, termaliserad eller many-body lokaliserad, och undersöka hur det valet formar algoritmens beteende.

Två faser, två mycket olika inlärningslandskap

I den termaliserade fasen beter sig systemet kaotiskt: interaktioner och svag störning sprider snabbt information och sammanflätning över alla spinn och driver kedjan mot tillstånd som liknar dem som produceras av en helt slumpmässig kvantprocess. I many-body lokaliseringsfasen (MBL) förhindrar stark störning denna typ av blandning. Lokala mönster i det initiala tillståndet förblir synliga under mycket långa tider och sammanflätning växer bara långsamt. Författarna använder kvantitativa mått på hur brett algoritmens ansatz utforskar rymden av möjliga kvantutvecklingar — dess uttrycksfullhet — och relaterar detta till hur platt förlustlandskapet blir. De finner att båda faserna blir maximalt uttrycksfulla om tillräckligt många quenches appliceras, men den termaliserade fasen når detta regime mycket snabbare. När den gör det krymper variansen i förlustfunktionen, och därmed gradienterna som behövs för inlärning, exponentiellt med antalet qubits, vilket signalerar barren plateaus. I MBL-fasen inträffar samma öde så småningom, men först efter många fler quenches.

Koppla samman växten av sammanflätning med träningsbarhet

Varför fördröjer MBL-fasen uppkomsten av platta landskap? Författarna spårar detta till hur sammanflätning byggs upp. I det termaliserade läget ger varje quench ett stort hopp i sammanflätning mellan delar av spinnkedjan, och systemet imiterar snabbt helt slumpmässiga tillstånd. Denna snabba scrambling raderar strukturen i förlustlandskapet och gör gradienter extremt små. I kontrast genererar MBL-regimet sammanflätning mycket långsammare och på ett mer lokaliserat sätt. Numeriskt följer antalet quenches som krävs för att förlustvariansen ska mättas noggrant det antal som behövs för att sammanflätningen ska mättas, och gapet mellan de två faserna växer ungefär linjärt med systemstorleken. Det innebär att det finns ett brett fönster där en MBL-baserad ansatz redan är ganska uttrycksfull men ännu inte fallit in i ett barren plateau, medan den termaliserade ansatsen redan är oträningsbar.

En initialiseringsstrategi som undviker tidigt misslyckande

Med utgångspunkt i denna insikt föreslår författarna en praktisk regel för att ställa upp analoga variationala algoritmer. Välj ett intermediärt antal quenches och initiera systemet i MBL-fasen: samma djup som redan skulle vara för djupt och platt i den termaliserade fasen förblir träningsbart i MBL-fasen. Under optimeringen är kontrollparametrarna då fria att röra sig bort från strikt lokalisering om det behövs, och får därigenom tillgång till högre uttrycksfullhet utan att ha börjat i en platt region. Tester på små men icke-triviala exempel stödjer denna bild. För vissa problem vars struktur matchar hårdvaran väl kan en grund termaliserad uppsättning fungera bra. Men för mer generella mål, såsom att hitta grundtillståndet för en Heisenberg-kedja eller lösa slumpmässiga Max-Cut-instanser, ger MBL-baserad initialisering vid intermediärt djup betydligt bättre energinoggrannhet och högre kvalitetslösningar, med mer pålitlig konvergens och färre instanser fastnade i dåliga minima.

Vad detta betyder för att skala upp kvantalgoritmer

Studien antyder att fysiken bakom kvantfaser inte bara är ett hinder eller en kuriositet, utan ett verktyg för att utforma bättre kvantinlärningsarkitekturer. Genom att ställa in en analog enhet i ett many-body lokaliserat regime för initialisering kan man fördröja uppkomsten av barren plateaus samtidigt som man behåller tillräcklig flexibilitet för att approximera komplexa tillstånd senare i träningen. Författarna betonar att detta inte är en magisk lösning: barren plateaus och andra problem, såsom dåliga lokala minima, kan fortfarande uppstå, och metoden är i stor utsträckning problem-agnostisk. Ändå erbjuder den konkreta, hårdvarumedvetna riktlinjer för att bygga mer skalbara analoga variationala kvantalgoritmer och pekar mot ett bredare program där begrepp som lokalisering, tidskristaller eller topologisk ordning hjälper till att forma inlärningslandskapen i framtida kvantdatorer.

Citering: 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

Nyckelord: variationala kvantalgoritmer, analog kvantsimulering, many-body lokalisation, barren plateaus, kvantmaskininlärning