Využití naučené optimalizace pro trénink variačních kvantových algoritmů

Abstract

Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po-tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan-tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení, např. k problému pustých plání. V této práci se snažíme s těmito problémy vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek-tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in-formace získané rozkladem na dynamické módy.

Noisy Intermediate-scale quantum devices are believed to have near-term potential to solve classically intractable problems in certain areas. Most notably, variational quantum algorithms can be used. They are hybrid classicalquantum algorithms that rely on optimizing the parameters of a parameterized quantum circuit. The optimization of parameterized quantum circuits can face complications that are not encountered on classical devices, such as the barren plateau problem. In this thesis, we attempt to account for these problems by using learning to optimize, which aims to train an optimizer that learns the properties of the loss landscape for the given problem, possibly resulting in a performance improvement. We experiment with optimizers that optimize the parameters using information gained by dynamic mode decomposition alongside the gradients of the loss.