49. الگوریتم‌های واریاسیونال کوانتومی
49.1محاسبهٔ دورگهٔ کلاسیک-کوانتومی
معماری: حلقهٔ کلاسیک بیرونی پارامترهای θ را نگه می‌دارد؛ حلقهٔ کوانتومی درونی مدار پارامتری V(θ) را اجرا و برآوردها (انرژی، مقدار انتظاری) را برمی‌گرداند؛ بهینه‌ساز کلاسیک θ را به‌روز می‌کند؛ تا همگرایی تکرار. منطق (حدود ۲۰۱۷–۲۰۲۱، عصر NISQ): مدار کم‌عمق از نویز جان سالم؛ اصول واریاسیون به برآوردهای ناقص معنا می‌دهد. همین معماری بازنگری‌شده‌ترین ایدهٔ حوزه هم هست: نتایج آموزش‌پذیری ۲۰۲۲–۲۰۲۵ (49.6) و تحلیل‌های مقیاس نویز نشان دادند نسخهٔ ماه‌عسل مقیاس نمی‌شود و پیشنهادهای جدیِ بازمانده ساختار مسئله-آگاه دارند و فزایندهً سخت‌افزار تصحیح-خطاشده را فرض می‌کنند. حلقه را به‌هرحال بیاموزید: API ورودیِ بیشتر آزمایش‌های نزدیک‌مدت — و بیشتر درس‌های آموختهٔ حوزه — است.
49.2مدارهای پارامتری
طراحی آنساتز صنعت است. خانواده‌ها: سخت‌افزار-کارا (دروازه‌های بومی چیده‌شده بر حسب توپولوژی — کم‌ترین هزینهٔ ترنسپایل، بیش‌ترین ریسک آموزش‌پذیری)، مسئله-الهام‌گرفته (UCCSD برای شیمی — برانگیختگی‌های موجه فیزیکی؛ لایه‌های متناوب هزینه/میکسر QAOA — پیوند اثبات‌شده با تحول آدیاباتیک) و تقارن-حفظ‌کننده (آنساتزهای محدود به زیرفضای مرتبط فیزیکی — پارامتر کمتر، بدون نشت). شمار پارامتر: هر بُعدی است که بهینه‌ساز باید بکاود؛ آنساتزهای سخت‌افزار-کارا روی ۲۰ کیوبیت به‌طور روتین ۱۰۰+ زاویه دارند. تنش طراحی مثلثی است — بیانگری، آموزش‌پذیری، تاب‌آوری نویز — و هر آنساتز منتشرشده نقطه‌ای در آن است. آزمایش‌هایتان مثلث را حسی می‌فهمانند، نه حفظی.
49.3حلقه‌های بهینه‌سازی
نیمهٔ کلاسیک، درست انجام‌شده: برآوردهای تصادفی (هر ارزیابی انرژی آزمایش نمونه‌گیری با نویز شات است — انضباط 16.10)، قاعدهٔ تغییر-پارامتر برای گرادیان‌ها (∂E/∂θ = [E(θ+π/2) − E(θ−π/2)]/2 — دقیق روی احتمال دروازه، دو ارزیابی به‌ازای هر پارامتر به‌ازای هر مشاهده‌پذیر) و بهینه‌سازها: SPSA (بی‌گرادیان، نویز-تاب، ابزار کار NISQ)، COBYLA، Adam با گرادیان تغییر-پارامتر (پرهزینهٔ شات اما قوی)، واریانت‌های گرادیان طبیعی. مهندسی حلقه اکثرِ VQE در عمل است: بودجهٔ شات به‌ازای تکرار، دسته‌بندی تغییر-پارامتر روی جمله‌ها، معیارهای همگرایی که نویز آماری را می‌شناسند (VQEای «همگراشده» که درون خطاهایش حرکت کرده هرگز همگرا نشده). حلقه را یک بار، ساده، پیاده کنید پیش از استفاده از کتابخانه — بیماری‌های (49.6) از پشت انتزاعات کتابخانه نامرئی‌اند.
49.4VQE
حل‌گر ویژهای واریاسیونال، مشخصاً: آنساتز V(θ)، هامیلتونی H = Σ hₖPₖ از 48.6، کمینه‌سازی E(θ) = Σ hₖ⟨Pₖ⟩_θ، کمینه به‌عنوان کران بالایی انرژی پایه. اجرای متعارف — H₂ با آنساتز کاهش‌یافتهٔ ۱-کیوبیتی — در ~۲۰ تکرار روی شبیه‌ساز لپ‌تاپ همگرا و با FCI تا 10⁻³ هارتری می‌خواند؛ hello-world حوزه است و همین هفته باید اجرایش کنید. واقعیت‌های مقیاس: هزینهٔ اندازه‌گیری با شمار جمله‌های پائولی رشد می‌کند (صدها-هزاران برای مولکول‌های کوچک؛ ترفندهای گروه‌بندی/جمله-جابه‌جا (48.6، 49.9) ثابت‌ها را کمک می‌کند)؛ عمق آنساتز با اندازهٔ سیستم؛ و نویز E(θ) را به مقداری هم‌مرتب سیگنال بایاس می‌کند. VQE الگوریتمی فوق‌العاده آموزنده است که داستان مقیاسش ناتمام است.
49.5QAOA
الگوریتم واریاسیونال برای بهینه‌سازی ترکیباتی: تابع هزینه (MaxCut، انتخاب پرتفوی، زمان‌بندی) را به‌عنوان هامیلتونی قطری C کد کنید؛ لایه‌های متناوب e^(−iγₖC) e^(−iβₖB) با میکسر B = ΣXᵢ؛ زاویه‌ها را بهینه کنید (2p پارامتر برای عمق p)؛ از حالت نهایی نمونه بگیرید و پس‌گزینید. ساختار شایستهٔ درک: p → ∞ تحول آدیاباتیک را بازیابی می‌کند (بهینهٔ تضمینی)؛ p متناهی فقط برای موارد خاص تضمین تقریب دارد (MaxCut با p=1 روی گراف ۳-منظم: 0.6924)؛ و رقیب‌های کلاسیک قوی‌ند — الگوریتم‌های کوانتومی-الهام و ابتکارهای ساده (تپش شبیه‌سازی‌شده، 0.878 گومنز–ویلیامسون برای MaxCut) خطی گذاشته‌اند که QAOAِ p-متناهی در مقیاس نزده. درس مهندسیِ QAOA قابل‌انتقال است: کامپایل هامیلتونی هزینه (به سبک 48.6)، راهبردهای زاویه و تحلیل توزیع. درس صداقت هم قابل‌انتقال.
49.6فلات‌های بایرانی
نتیجه‌ای که حوزه را بازآرایی کرد (مک‌کلین و همکاران ۲۰۱۸، با دنباله‌های بی‌رحم ۲۰۲۱–۲۰۲۴): برای بسیاری از آنساتزهای طبیعی، واریانس گرادیان در شمار کیوبیت نمایی محو می‌شود — چشم‌انداز تابع زیان تقریباً همه‌جا تخت است، بهینه‌سازی حدس‌زدن است و اثر با عمق، درهم‌تنیدگی، توابع هزینهٔ سراسری و — نتایج ۲۰۲۳–۲۴ — با خودِ نویز بدتر می‌شود (فلات‌های نویز-اندوخته حتی برای آنساتزهای آموزش‌پذیر ظاهر می‌شوند و تا وقتی خطای سخت‌افزار ناصفر می‌ماند می‌مانند). تشخیص‌های قابل‌اجرا: در n=4, 8, 12 آموزش بدهید، واریانس گرادیان را رسم کنید، سقوطش را ببینید. رفع‌های شاهددار: توابع هزینهٔ محلی، آنساتز کم‌عمق/مسئله-آگاه، آموزش لایه-به-لایه، مقداردهی نزدیک یکانی، زیرفضاهای تقارن-حفظ‌کننده. قرائت صادقانه: آموزش واریاسیونال در مقیاس مسئلهٔ باز پژوهشی است نه خط‌لولهٔ حل‌شده — حقیقتی که پیش از هر جلسهٔ «AI کوانتومی» خوب است بدانید.
49.7انتخاب بهینه‌ساز
بهینه‌ساز را به رژیم نویز منطبق کنید. نویز شات بالا، پارامتر زیاد: SPSA (دو ارزیابی به‌ازای گام مستقل از بُعد؛ اندازه‌های اختلال کالیبره؛ اثباتاً تاب‌آور به نویز ضربی). نویز کم، پارامتر کم: تغییر-پارامتر + خانوادهٔ BFGS (همگرایی محلی سریع). ناپیوستگی/بودجهٔ محدود: نلدر–مید (شکننده، اما خط پایه‌ای که همه می‌شناسند). رژیم فلات: هیچ چیز کلاسیک چشم‌انداز تخت را درست نمی‌کند — اول آنساتز را درست کنید (49.6)، بعد انتخاب کنید. حلقهٔ عملی: ۳ بهینه‌ساز × ۵ بذر × بودجهٔ همگرایی‌تان روی *شبیه‌ساز*، انتخاب بر حسب انرژی نهایی میانه و ساعت-دیواری، و پیش‌ثبتی انتخاب پیش از اجرای سخت‌افزاری. انتخاب بهینه‌ساز محل ملاقات آمار، مهندسی نرم‌افزار و فیزیک کوانتومی است؛ به‌عنوان آزمایشش بگیرید نه سلیقه.
49.8نویز
آنچه نویز با الگوریتم‌های واریاسیونال می‌کند، دقیقاً: هر مقدار انتظاری را بایاس می‌کند (برآورد انرژی به مقدار O(ε·عمق·‖H‖) جابه‌جا — کافی برای بلعیدن سیگنال دقت-شیمیایی)، چشم‌اندازها را بازآرایی می‌کند (فلات نویزی، کمینه‌های کاذبی که بهینه‌سازها را می‌گیرند) و تضمین واریاسیون را می‌شکند (کمینهٔ اندازه‌گیری‌شده ممکن است زیر انرژی پایهٔ واقعی بنشیند — نشانهٔ کلاسیک اجرای بی‌رفع). پاددارها به ترتیب هزینه: سرکوب خطا (جداسازی پویا، ترنسپایل برای نویز — بخش دوازدهم)، رفع خطا (ZNE، PEC — فصل ۳۱؛ سربار ۱۰–۱۰۰۰ برابر در شات) و تصحیح خطا (رژیم را عوض می‌کند — الگوریتم‌های واریاسیونال روی کیوبیت منطقی ادبیاتی متفاوت و امیدوارکننده‌ترند). انضباط گزارش‌دهی: هرگز نتیجهٔ واریاسیونال بدون کف نویزش منتشر نکنید — همان آزمایش روی شبیه‌ساز ایده‌آل خودِ کف است.
49.9سربار اندازه‌گیری
قاتل خاموش. برآورد E(θ) = Σₖ hₖ⟨Pₖ⟩ نیازمند برآورد هر جمله است؛ با M جمله و تلورانس δ به‌ازای جمله، شمار شات به‌صورت (Σ|hₖ|/δ)² می‌رشد — برای مولکول‌های واقعی، 10⁶ تا 10⁸ شات به‌ازای ارزیابی انرژی، ضربدر صدها تکرار بهینه‌ساز. رفع‌ها، هرکدام با مهندسی واقعی پشتش: گروه‌بندی (جمله‌های پائولی جابه‌جا در یک پایه اندازه‌گیری شوند — دسته‌بندی کلاسیک، چرخش کوانتومی؛ M را به ~√M گروه می‌رساند)، سایه‌های کلاسیک (هم‌جوار فصل ۴۷: اندازه‌گیری‌های تک‌پایهٔ تصادفی که مشاهده‌پذیرهای زیاد را بازسازی می‌کنند — قابل‌انتقال‌ترین ایدهٔ دههٔ ۲۰۲۰) و انتخاب تطبیقی جمله (نمونه‌گیری وزن-واریانس). گروه‌بندی را برای هامیلتونی ۱۰-کیوبیتی پیاده و کاهش را اندازه بگیرید — آزمایشی مشخص، رضایت‌بخش و درجهٔ رزومه که به‌علاوه یاد می‌دهد چرا اندازه‌گیری، نه دروازه، غالباً هزینهٔ واقعی واریاسیونال را می‌گذارد.