Qiskit SPSA Optimizer

Detta verktyg möjliggör SPSA-baserad optimering för parameteriserade kvantslingor inom Qiskit-ramverket. Det tar en problemdefinition, en kostfunktion och SPSA-hyperparametrar för att utföra stokastiska gradientliknande uppdateringar med två objektivutvärderingar per iteration. Arbetssättet är utformat för forskare och utvecklare som behöver robust optimering under brus utan explicita gradientberäkningar. Huvudkonceptet är att perturbera parametervektorn i slumpmässiga ±1-riktningar, uppskatta gradienten från skillnaden i objektivvärden, och uppdatera parametrarna med ett skalat steg. Genom flera iterationer erhåller användaren en trajektori av kostnader och parametervektorer som möjliggör analys av konvergensbeteende och motstånd mot brus. Verktyget stöder att ange gränser, adaptiva uppdateringsregler och valfri logging för benchmarking över problemstorlekar. Mottagare inkluderar kvantalgoritmutvecklare, utbildare som demonstrerar variational optimering och forskare som jämför SPSA med alternativa optimerare. Unikhet ligger i nära integration med Qiskit-liknande arbetsflöden, reproducerbara hyperparameternkonfigurationer och tydlig separation mellan kärn-SPSA-logik och problem-specifika objektivdefinitioner. Kärnfunktioner inkluderar konfigurerbar problemdimension, initiala parametrar, två-utvärderingar-per-iter gradientuppskattning och en historiklogg för efteranalys. Användningsfall omfattar hyperparametertur, jämförande studier av stokastiska optimerare och utbildningsdemonstrationer av SPSA på brusiga simulators eller riktiga enheter. Verktyget betonar domänspecifik kontroll över optimeringsdynamik, med explicit hantering av ogiltiga utvärderingar, konvergenströsklar och parameterbegränsningar för att hålla experimenten hanterbara. Exempel inkluderar toning av en variational krets för ett toy-Hamiltonian, att jämföra SPSA mot Adam i en bullerfördröjd emulator, eller att undervisa hur hyperparametrar påverkar konvergenshastighet och stabilitet.