Qiskit SPSA Optimizer

Cet outil permet l’optimisation basée sur SPSA pour des circuits quantiques paramétrés dans le cadre Qiskit. Il prend une définition de problème, une fonction coût et des hyperparamètres SPSA pour effectuer des mises à jour de type gradient stochastique via deux évaluations de l’objectif par itération. Le flux de travail s’adresse aux chercheurs et développeurs nécessitant une optimisation robuste en présence de bruit, sans calculs de gradient explicites. Le concept central est de perturber le vecteur de paramètres dans des directions aléatoires ±1, d’estimer le gradient à partir de la différence des valeurs de l’objectif et de mettre à jour les paramètres avec une étape mise à l’échelle. Au fil des itérations, l’utilisateur obtient une trajectoire des coûts et des vecteurs de paramètres, permettant d’analyser la convergence et la robustesse au bruit. L’outil supporte l’imposition de limites, des règles de mise à jour adaptatives et un enregistrement optionnel pour faciliter les benchmarks selon la taille du problème. Les bénéficiaires incluent les développeurs d’algorithmes quantiques, les enseignants démontrant l’optimisation variationnelle et les chercheurs comparant SPSA à d’autres optimiseurs. Sa valeur réside dans l’intégration étroite avec les flux de travail de type Qiskit, des configurations d’hyperparamètres reproductibles et une séparation nette entre la logique SPSA et les définitions objectives spécifiques au problème. Les fonctionnalités clés incluent une dimension de problème configurable, des paramètres initiaux, une estimation du gradient en deux évaluations par itération et un historique pour l’analyse Post, etc. Les cas d’usage couvrent les balayages d’hyperparamètres, les études comparatives des optimiseurs stochastiques et les démonstrations pédagogiques de SPSA sur des simulateurs bruyants ou des dispositifs réels. L’outil met l’accent sur le contrôle de la dynamique d’optimisation, avec la gestion explicite des évaluations invalides, les seuils de convergence et les bornes des paramètres pour maintenir des expériences ordonnées. Exemples : affiner un circuit variationnel pour un Hamiltonien toy, benchmark SPSA contre Adam dans un émulateur bruité, ou démontrer l’impact des hyperparamètres sur la vitesse et la stabilité de convergence.