Bỏ qua tới nội dung chính

Hướng dẫn học chủ đề

Thuật toán lượng tử biến phân và học máy lượng tử

Nâng caokhoảng 60 giờ7 bước

VQE và QAOA, mạch tham số và học máy lượng tử, hiện tượng barren plateau, các kỹ thuật giảm thiểu lỗi (ZNE, PEC) cho phần cứng NISQ và ứng dụng trong hóa học lượng tử; kèm cái nhìn tỉnh táo về chỗ nào có và chưa có lợi thế thực sự.

Bắt đầu học

Bạn sẽ học được gì

  • Mô tả vòng lặp lai lượng tử – cổ điển, chọn ansatz, hàm mất mát và bộ tối ưu chịu được nhiễu thống kê
  • Cài đặt VQE cho phân tử H₂, biến Hamiltonian thành tổng chuỗi Pauli và đánh giá sai số so với độ chính xác hóa học
  • Cài đặt QAOA cho MaxCut, phân tích tỉ số xấp xỉ theo số lớp p và so với thuật toán cổ điển
  • Tính đạo hàm của mạch bằng quy tắc dịch tham số và giải thích nguyên nhân, hệ quả của barren plateau
  • Mã hóa dữ liệu cổ điển vào trạng thái lượng tử, huấn luyện mô hình mạch biến phân và kernel lượng tử trên tập dữ liệu nhỏ
  • Áp dụng ZNE và hiệu chỉnh lỗi đọc, ước lượng chi phí shot của các kỹ thuật giảm thiểu lỗi
  • Đánh giá có phê phán một tuyên bố lợi thế của học máy lượng tử bằng đường cơ sở cổ điển

Nên học trước

Giới thiệu

Thuật toán lượng tử biến phân và học máy lượng tử là cách ngành cố gắng dùng máy lượng tử nhiều nhiễu, chưa sửa lỗi (thời kỳ NISQ): một mạch lượng tử ngắn có tham số chuẩn bị trạng thái, máy cổ điển đọc kết quả đo và điều chỉnh tham số, lặp lại tới khi hội tụ. Chủ đề đi qua VQE, QAOA, cách lấy đạo hàm của mạch, hiện tượng barren plateau, mã hóa dữ liệu và mô hình học máy lượng tử, các kỹ thuật giảm thiểu lỗi — cùng một cái nhìn tỉnh táo về chỗ nào có và chưa có lợi thế thật.

Vòng lặp lai lượng tử – cổ điển

Mọi thuật toán biến phân có ba phần: ansatz (mạch tham số U(θ)), hàm mất mát (thường là giá trị kỳ vọng của một toán tử quan sát, ước lượng bằng nhiều shot) và bộ tối ưu cổ điển (gradient descent, Adam, SPSA, COBYLA). Vì mỗi giá trị hàm mất mát là một ước lượng thống kê, bộ tối ưu phải chịu được nhiễu; muốn sai số cỡ ε cần cỡ 1/ε² shot cho mỗi lần đánh giá.

VQE: năng lượng trạng thái cơ bản

Nguyên lý biến phân bảo đảm ⟨ψ(θ)|H|ψ(θ)⟩ ≥ E₀ với mọi θ, nên cực tiểu hóa giá trị kỳ vọng cho một cận trên của năng lượng cơ bản. Hamiltonian phân tử được biến đổi thành tổng các chuỗi Pauli (qua ánh xạ Jordan–Wigner hoặc tương tự); mỗi nhóm chuỗi giao hoán được đo riêng. Ví dụ kinh điển: phân tử H₂ ở cơ sở tối thiểu STO-3G cần 4 qubit, năng lượng cơ bản khoảng −1,137 Hartree ở khoảng cách liên nhân 0,74 Å; "độ chính xác hóa học" là khoảng 1,6 mili-Hartree. Với phân tử lớn, số chuỗi Pauli và số shot tăng rất nhanh, và theo lý thuyết độ phức tạp, bài toán tổng quát là khó ngay cả với máy lượng tử — nên VQE chỉ hữu ích nếu ansatz và trạng thái ban đầu khai thác được cấu trúc của phân tử.

QAOA: tối ưu tổ hợp

QAOA xen kẽ p lớp: một lớp tiến hóa theo Hamiltonian chi phí (mã hóa bài toán như MaxCut) và một lớp trộn. Với p = 1 trên đồ thị 3-chính quy, QAOA bảo đảm tỉ số xấp xỉ khoảng 0,69 cho MaxCut, thấp hơn 0,878 của thuật toán cổ điển Goemans – Williamson. Tăng p có thể cải thiện nhưng tăng độ sâu mạch và khó tối ưu. Đến nay chưa có bằng chứng thuyết phục rằng QAOA trên phần cứng nhiễu vượt được các bộ giải cổ điển tốt nhất cho bài toán thực tế.

Đạo hàm và barren plateau

Với cổng dạng exp(−iθP/2) (P là chuỗi Pauli), quy tắc dịch tham số cho đạo hàm chính xác từ hai lần đánh giá mạch tại θ ± π/2 — đạo hàm được đo trên chính phần cứng. Nhưng với mạch ngẫu nhiên đủ sâu hoặc hàm mất mát toàn cục, phương sai của gradient giảm theo hàm mũ của số qubit (barren plateau): mặt mất mát gần như phẳng, cần số shot hàm mũ để biết đi hướng nào. Nhiễu phần cứng cũng gây ra hiện tượng tương tự. Thiết kế ansatz có cấu trúc, hàm mất mát cục bộ và khởi tạo tốt là cách giảm nhẹ; một số kết quả gần đây còn cho thấy mô hình tránh được barren plateau thường cũng mô phỏng được bằng máy cổ điển.

Học máy lượng tử

Dữ liệu cổ điển phải được mã hóa vào trạng thái lượng tử (mã hóa góc, mã hóa biên độ…); chi phí nạp dữ liệu thường xóa bỏ lợi thế. Mô hình học máy lượng tử có hai dạng chính: mạch biến phân như một mô hình học, và phương pháp kernel lượng tử — mạch tính độ tương tự giữa hai điểm dữ liệu. Nhiều tuyên bố tăng tốc hàm mũ ban đầu đã bị "khử lượng tử hóa" bằng thuật toán cổ điển mới; lợi thế có cơ sở nhất hiện nay là với dữ liệu vốn là lượng tử (trạng thái sinh ra từ cảm biến hay mô phỏng lượng tử).

Giảm thiểu lỗi

Không sửa lỗi nhưng giảm sai lệch của giá trị kỳ vọng: ZNE chạy mạch ở vài mức nhiễu được khuếch đại có chủ đích rồi ngoại suy về nhiễu bằng 0; PEC biểu diễn phép toán lý tưởng như tổ hợp có trọng số âm của các phép toán nhiễu, đổi lại số shot tăng theo hàm mũ của kích thước mạch; cùng hiệu chỉnh lỗi đọc. Chi phí này giới hạn quy mô bài toán giải được.

Nên học thế nào

Sách chính của Schuld và Petruccione, chương phương pháp tính toán lượng tử của Hidary cho VQE và QAOA, cùng tài liệu PennyLane, Qiskit. Nếu chưa có nền học máy, học khóa Học máy trên trang trước. Luôn so với một đường cơ sở cổ điển mạnh.

Chủ đề cần Lập trình lượng tử, Thuật toán lượng tử, tối ưu hóa và học máy.

Giáo trình & sách tham khảo

Xem tất cả trong tab Sách

Giáo trình chính

Machine Learning with Quantum Computers

Maria Schuld, Francesco Petruccione · 2021

Có phíNâng caoTiếng Anh324 trang

Vì sao chọn: Giáo trình học máy lượng tử của Maria Schuld và Francesco Petruccione (Springer, bản 2021): nền học máy và tính toán lượng tử, mã hóa dữ liệu, mạch biến phân như mô hình học, phương pháp kernel, học máy chịu lỗi, cách tiếp cận dựa trên mô hình Ising và thảo luận thận trọng về lợi thế lượng tử. Sách trả phí.

Nên đọc: Chương 1–9

Các bước học

Đăng nhập để đánh dấu các bước đã hoàn thành.

  1. Bước 1: Nền học máy và tối ưu cho mô hình tham số

    khoảng 8 giờ

    Ôn học có giám sát, hàm mất mát, gradient descent, Adam, quá khớp và kiểm định; tối ưu không lồi và phương pháp không dùng đạo hàm (COBYLA, SPSA). Có thể dùng khóa Học máy trên trang. Bài tập: tối ưu hàm Rosenbrock có thêm nhiễu Gauss vào giá trị hàm bằng gradient descent, Adam và SPSA; vẽ tốc độ hội tụ theo mức nhiễu để thấy vì sao thuật toán biến phân cần bộ tối ưu chịu nhiễu.

  2. Bước 2: VQE: năng lượng trạng thái cơ bản của phân tử

    khoảng 12 giờ

    Học nguyên lý biến phân, ansatz hiệu quả phần cứng và UCCSD, ánh xạ Jordan–Wigner, nhóm các chuỗi Pauli giao hoán để đo. Bài tập: với Hamiltonian H₂ ở cơ sở STO-3G (lấy từ thư viện hóa học lượng tử của PennyLane hoặc Qiskit), cài đặt VQE, vẽ đường năng lượng theo khoảng cách liên nhân từ 0,3 tới 2,5 Å và so với chéo hóa chính xác; kiểm tra năng lượng khoảng −1,137 Hartree ở 0,74 Å; ước lượng số shot cần để sai số nhỏ hơn 1,6 mili-Hartree.

  3. Bước 3: QAOA và tối ưu tổ hợp

    khoảng 9 giờ

    Học mô hình Ising của bài toán tổ hợp, QAOA, ủ lượng tử ở mức ý tưởng. Bài tập: cài đặt QAOA cho MaxCut trên đồ thị 3-chính quy 8 đỉnh với p = 1, 2, 3; vẽ mặt hàm mất mát theo (γ, β) với p = 1; so tỉ số xấp xỉ đạt được với nghiệm vét cạn và với thuật toán Goemans – Williamson (dùng thư viện tối ưu lồi); ghi số CNOT sau biên dịch cho từng p.

  4. Bước 4: Đạo hàm của mạch và barren plateau

    khoảng 8 giờ

    Học mạch biến phân như mô hình học, quy tắc dịch tham số, đạo hàm bậc cao và barren plateau. Bài tập PennyLane: kiểm tra quy tắc dịch tham số với sai phân hữu hạn; với ansatz ngẫu nhiên độ sâu cố định, vẽ phương sai của một thành phần gradient theo số qubit từ 2 tới 12 cho hàm mất mát toàn cục và cục bộ; mô tả kết quả trên thang logarit.

  5. Bước 5: Mã hóa dữ liệu, mô hình biến phân và kernel lượng tử

    khoảng 10 giờ

    Học các cách mã hóa dữ liệu, sức biểu diễn của mô hình lượng tử và phương pháp kernel. Bài tập: trên một tập dữ liệu hai chiều nhỏ (ví dụ hai vòng tròn lồng nhau), huấn luyện bộ phân loại mạch biến phân và máy vectơ hỗ trợ dùng kernel lượng tử; so với máy vectơ hỗ trợ dùng kernel RBF cổ điển cùng quy trình kiểm định chéo; báo cáo độ chính xác, thời gian và số shot.

  6. Bước 6: Giảm thiểu lỗi: ZNE, PEC và hiệu chỉnh lỗi đọc

    khoảng 7 giờ

    Học ZNE (gấp cổng, ngoại suy tuyến tính và Richardson), PEC và hiệu chỉnh lỗi đọc; đọc tài liệu giảm thiểu lỗi của Qiskit hoặc thư viện mã nguồn mở Mitiq. Bài tập: trên mô phỏng có nhiễu khử phân cực, tính năng lượng VQE của H₂ với tham số tối ưu đã tìm, áp dụng ZNE với hệ số khuếch đại 1, 3, 5 và so sai số, phương sai trước và sau; ước lượng số shot PEC cần khi nhiễu mỗi cổng là 1 % và mạch có 20 cổng hai qubit.

  7. Bước 7: Dự án: đánh giá lợi thế và học máy lượng tử chịu lỗi

    khoảng 6 giờ

    Đọc về học máy lượng tử chịu lỗi và các lập luận về lợi thế lượng tử tiềm năng. Dự án: chọn một bài báo hoặc bản tin tuyên bố lợi thế của VQE, QAOA hay học máy lượng tử; tái lập ở quy mô nhỏ, dựng đường cơ sở cổ điển mạnh, và viết báo cáo ba trang về điều kiện để lợi thế (nếu có) còn đứng vững khi tính chi phí shot, giảm thiểu lỗi và nạp dữ liệu.

Khái niệm chính

Thuật toán lượng tử biến phân
Thuật toán lai trong đó mạch lượng tử tham số U(θ) chuẩn bị trạng thái, phép đo cho giá trị hàm mất mát và bộ tối ưu cổ điển cập nhật θ; mạch ngắn nên hợp với phần cứng NISQ, nhưng không có bảo đảm hội tụ tới nghiệm tối ưu.
Ansatz
Cấu trúc mạch tham số được chọn trước: ansatz hiệu quả phần cứng (lớp cổng quay và cổng vướng víu lượng tử theo sơ đồ kết nối) hoặc ansatz có cơ sở vật lý (UCCSD trong hóa học); lựa chọn quyết định độ biểu diễn và độ dễ huấn luyện.
Nguyên lý biến phân
Với mọi trạng thái chuẩn hóa |ψ⟩, giá trị kỳ vọng ⟨ψ|H|ψ⟩ không nhỏ hơn năng lượng cơ bản E₀; cực tiểu hóa trên họ trạng thái của ansatz cho một cận trên của E₀.
VQE
Variational Quantum Eigensolver: tìm năng lượng cơ bản của Hamiltonian (thường là phân tử) bằng cực tiểu hóa giá trị kỳ vọng trên ansatz; Hamiltonian được viết thành tổng chuỗi Pauli, mỗi nhóm giao hoán đo trong một cơ sở.
Ánh xạ Jordan–Wigner
Cách biểu diễn toán tử fermion (electron trong phân tử) bằng chuỗi Pauli trên qubit, mỗi orbital spin ứng với một qubit; giữ đúng tính phản giao hoán nhưng tạo chuỗi Pauli dài, nên có các ánh xạ thay thế như Bravyi–Kitaev.
QAOA
Quantum Approximate Optimization Algorithm: xen kẽ p lớp tiến hóa theo Hamiltonian chi phí và Hamiltonian trộn với 2p tham số; với p = 1 trên đồ thị 3-chính quy bảo đảm tỉ số xấp xỉ khoảng 0,69 cho MaxCut, thấp hơn 0,878 của Goemans – Williamson.
Quy tắc dịch tham số
Với cổng exp(−iθP/2), P là chuỗi Pauli, đạo hàm của giá trị kỳ vọng theo θ bằng nửa hiệu của hai giá trị kỳ vọng tại θ + π/2 và θ − π/2; cho gradient chính xác (chỉ có sai số shot) đo được trên phần cứng.
Barren plateau
Hiện tượng phương sai của gradient giảm theo hàm mũ của số qubit với mạch tham số ngẫu nhiên đủ sâu, hàm mất mát toàn cục hoặc nhiễu mạnh; khi đó cần số shot hàm mũ để huấn luyện, nên thiết kế ansatz và hàm mất mát là then chốt.
Mã hóa dữ liệu
Cách đưa vectơ dữ liệu cổ điển vào trạng thái lượng tử: mã hóa góc (mỗi đặc trưng là góc quay), mã hóa biên độ (2ⁿ số trên n qubit nhưng mạch chuẩn bị nói chung sâu); chi phí mã hóa thường quyết định có lợi thế hay không.
Kernel lượng tử
Hàm độ tương tự k(x, x′) = |⟨φ(x)|φ(x′)⟩|² tính bằng mạch mã hóa dữ liệu, dùng trong máy vectơ hỗ trợ cổ điển; có lợi thế chứng minh được chỉ cho một số bài toán được dựng riêng.
Khử lượng tử hóa
Việc tìm thuật toán cổ điển đạt hiệu năng tương tự một thuật toán học máy lượng tử khi có cùng kiểu truy cập dữ liệu; nhiều tuyên bố tăng tốc hàm mũ ban đầu (ví dụ hệ gợi ý) đã bị thu hẹp theo cách này.
ZNE
Zero-Noise Extrapolation: chạy cùng mạch ở vài mức nhiễu khuếch đại có chủ đích (ví dụ gấp cổng G thành G G† G) rồi ngoại suy giá trị kỳ vọng về nhiễu bằng 0; rẻ nhưng không có bảo đảm và làm tăng phương sai.
PEC
Probabilistic Error Cancellation: viết phép toán lý tưởng thành tổ hợp tựa xác suất (có hệ số âm) của các phép toán nhiễu đã đặc trưng, lấy mẫu để ước lượng không chệch; số shot cần tăng theo hàm mũ của tổng nhiễu trong mạch.

Học xong để làm gì

  • Tính năng lượng phân tử nhỏ và thử nghiệm phương pháp hóa học lượng tử trên phần cứng thật
  • Thử nghiệm tối ưu tổ hợp (MaxCut, lập lịch nhỏ) và so sánh với bộ giải cổ điển
  • Nghiên cứu mô hình học máy lượng tử cho dữ liệu sinh ra từ hệ lượng tử
  • Áp dụng giảm thiểu lỗi để lấy giá trị kỳ vọng đáng tin hơn từ phần cứng NISQ
  • Thẩm định dự án, đề xuất ứng dụng lượng tử trong doanh nghiệp bằng đường cơ sở cổ điển

Câu hỏi thường gặp

VQE và QAOA đã cho lợi thế thực tế chưa?

Chưa có bằng chứng thuyết phục. Các thí nghiệm đến nay giải được những bài toán mà máy cổ điển cũng giải dễ dàng; ở quy mô lớn hơn, nhiễu, số shot, barren plateau và chi phí giảm thiểu lỗi đều tăng nhanh. Đây là lĩnh vực nghiên cứu mở, nên học để hiểu và đánh giá, không nên kỳ vọng lợi thế ngay.

Học máy lượng tử có thay thế học sâu không?

Theo hiểu biết hiện nay thì không. Lợi thế chứng minh được chỉ có với những bài toán được dựng riêng hoặc với dữ liệu vốn là lượng tử; với dữ liệu cổ điển thông thường, chi phí mã hóa dữ liệu và các thuật toán khử lượng tử hóa thường xóa bỏ lợi thế.

Tôi cần nền học máy và tối ưu đến mức nào?

Cần gradient descent và các biến thể, hàm mất mát, quá khớp và kiểm định chéo, máy vectơ hỗ trợ và kernel; về tối ưu cần hiểu tối ưu không lồi, cực tiểu địa phương và phương pháp không dùng đạo hàm. Khóa Học máy trên trang và chủ đề Tối ưu hóa của lộ trình Toán học đủ cho phần này.

Có cần mua sách không?

Sách của Schuld và Petruccione và sách của Hidary là sách trả phí. Tài liệu và bài hướng dẫn của PennyLane, các khóa Variational algorithm design và Quantum machine learning trên IBM Quantum Learning miễn phí và đủ để làm hết các bài thực hành.

60 giờ có đủ không?

Đủ để cài đặt VQE, QAOA, một mô hình học máy lượng tử và một kỹ thuật giảm thiểu lỗi ở quy mô nhỏ, và đọc có phê phán tài liệu nghiên cứu. Một học phần chuyên đề tương đương cần khoảng 120–150 giờ với dự án nghiên cứu.

Chọn nguồn tự học

Đọc một giáo trình học máy lượng tử viết bởi nhóm nghiên cứu trong ngành, kết hợp tài liệu PennyLane/Qiskit về thuật toán biến phân; tự cài đặt VQE cho một phân tử nhỏ và so sánh với lời giải cổ điển.