Hybrid quantum-classical variational algorithms are one of the most propitious implementations of quantum computing on near-term devices, offering classical machine-learning support to quantum scale solution spaces. However, numerous studies have demonstrated that the rate at which this space grows in qubit number could preclude learning in deep quantum circuits, a phenomenon known as barren plateaus. In this work, we implicate random entanglement, i.e., entanglement that is formed due to state evolution with random unitaries, as a source of barren plateaus and characterize them in terms of many-body entanglement dynamics, detailing their formation as a function of system size, circuit depth, and circuit connectivity. Using this comprehension of entanglement, we propose and demonstrate a number of barren plateau ameliorating techniques, including initial partitioning of cost function and non-cost function registers, meta-learning of low-entanglement circuit initializations, selective inter-register interaction, entanglement regularization, the addition of Langevin noise, and rotation into preferred cost function eigenbases. We find that entanglement limiting, both automatic and engineered, is a hallmark of high-accuracy training and emphasize that, because learning is an iterative organization process whereas barren plateaus are a consequence of randomization, they are not necessarily unavoidable or inescapable. Our work forms both a theoretical characterization and a practical toolbox; first defining barren plateaus in terms of random entanglement and then employing this expertise to strategically combat them.

中文翻译：

---

纠缠设计的贫瘠高原缓解措施

混合量子经典变分算法是近期设备上量子计算最有利的实现之一，为量子尺度解决方案空间提供经典机器学习支持。然而，大量研究表明，这个空间在量子比特数方面的增长速度可能会阻止在深度量子电路中学习，这种现象被称为贫瘠高原。在这项工作中，我们暗示随机纠缠，即由于状态演化与随机幺正而形成的纠缠，作为贫瘠高原的来源，并根据多体纠缠动力学对其进行表征，详细说明它们的形成是系统大小的函数、电路深度和电路连通性。使用对纠缠的这种理解，我们提出并展示了许多贫瘠高原改善技术，包括成本函数和非成本函数寄存器的初始划分、低纠缠电路初始化的元学习、选择性寄存器间交互、纠缠正则化、朗之万噪声的添加以及到首选成本函数特征库的旋转。我们发现自动和工程纠缠限制是高精度训练的标志，并强调，因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。低纠缠电路初始化的元学习、选择性寄存器间交互、纠缠正则化、朗之万噪声的添加以及旋转到首选成本函数特征库。我们发现自动和工程纠缠限制是高精度训练的标志，并强调，因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。低纠缠电路初始化的元学习、选择性寄存器间交互、纠缠正则化、朗之万噪声的添加以及旋转到首选成本函数特征库。我们发现自动和工程纠缠限制是高精度训练的标志，并强调，因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。添加 Langevin 噪声，并旋转到首选成本函数特征库。我们发现自动和工程纠缠限制是高精度训练的标志，并强调，因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。添加 Langevin 噪声，并旋转到首选成本函数特征库。我们发现自动和工程纠缠限制是高精度训练的标志，并强调，因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。因为学习是一个迭代的组织过程，而贫瘠的高原是随机化的结果，它们不一定是不可避免或不可避免的。我们的工作既形成了理论表征，又形成了实用工具箱；首先根据随机纠缠来定义贫瘠高原，然后利用这种专业知识来战略性地对抗它们。