Simulación cuántica Monte Carlo resistente a errores del tiempo imaginario

Simulación cuántica Monte Carlo resistente a errores del tiempo imaginario

Marca de tiempo: 9 de febrero de 2023 8:39 AM

Mingxia Huo1 y Ying Li2

1Departamento de Física y Laboratorio Clave de Beijing para la Ciencia de Interfaz y Compuestos Magneto-Fotoeléctricos, Escuela de Matemáticas y Física, Universidad de Ciencia y Tecnología de Beijing, Beijing 100083, China
2Escuela de Graduados de la Academia China de Ingeniería Física, Beijing 100193, China

¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.

Resumen

Calcular las propiedades del estado fundamental de los sistemas cuánticos de muchos cuerpos es una aplicación prometedora del hardware cuántico a corto plazo con un impacto potencial en muchos campos. La estimación de fase cuántica de algoritmo convencional utiliza circuitos profundos y requiere tecnologías tolerantes a fallas. Muchos algoritmos de simulación cuántica desarrollados recientemente funcionan de manera inexacta y variable para explotar circuitos poco profundos. En este trabajo, combinamos Monte Carlo cuántico con computación cuántica y proponemos un algoritmo para simular la evolución en tiempo imaginario y resolver el problema del estado fundamental. Al muestrear el operador de evolución en tiempo real con un tiempo de evolución aleatorio según una distribución de Cauchy-Lorentz modificada, podemos calcular el valor esperado de un observable en la evolución en tiempo imaginario. Nuestro algoritmo se acerca a la solución exacta dada una profundidad de circuito que aumenta polilogarítmicamente con la precisión deseada. En comparación con la estimación de fase cuántica, el número de paso de Trotter, es decir, la profundidad del circuito, puede ser miles de veces menor para lograr la misma precisión en la energía del estado fundamental. Verificamos la resistencia a los errores de trotterización causados ​​por la profundidad finita del circuito en la simulación numérica de varios modelos. Los resultados muestran que la simulación cuántica Monte Carlo es prometedora incluso sin una computadora cuántica totalmente tolerante a fallas.

Error-resilient Monte Carlo quantum simulation of imaginary time PlatoBlockchain Data Intelligence. Vertical Search. Ai.

► datos BibTeX

► referencias

[ 1 ] Richard P. Feynman. Simulando física con computadoras. Intern. J. Teoría. Phys., 21 (6-7): 467–488, junio de 1982. 10.1007/bf02650179.
https: / / doi.org/ 10.1007 / bf02650179

[ 2 ] Seth Lloyd. Simuladores cuánticos universales. Science, 273 (5278): 1073–1078, agosto de 1996. 10.1126/​science.273.5278.1073.
https: / / doi.org/ 10.1126 / science.273.5278.1073

[ 3 ] J. Carlson, S. Gandolfi, F. Pederiva, Steven C. Pieper, R. Schiavilla, KE Schmidt y RB Wiringa. Métodos cuánticos de monte carlo para la física nuclear. Rev.Mod. Phys., 87 (3): 1067–1118, septiembre de 2015. 10.1103/revmodphys.87.1067.
https: / / doi.org/ 10.1103 / revmodphys.87.1067

[ 4 ] BL Hammond, WA Lester y PJ Reynolds. Métodos Monte Carlo en Química Cuántica Ab Initio. WORLD SCIENTIFIC, marzo de 1994. 10.1142/1170.
https: / / doi.org/ 10.1142 / 1170

[ 5 ] WMC Foulkes, L. Mitas, RJ Needs y G. Rajagopal. Simulaciones cuánticas de monte carlo de sólidos. Rev.Mod. Phys., 73 (1): 33–83, enero de 2001. 10.1103/revmodphys.73.33.
https: / / doi.org/ 10.1103 / revmodphys.73.33

[ 6 ] U. Schollwöck. El grupo de renormalización de matriz de densidad. Rev.Mod. Phys., 77 (1): 259–315, abril de 2005. 10.1103/revmodphys.77.259.
https: / / doi.org/ 10.1103 / revmodphys.77.259

[ 7 ] Daniel S. Abrams y Seth Lloyd. Algoritmo cuántico que proporciona un aumento exponencial de la velocidad para encontrar valores propios y vectores propios. física Rev. Lett., 83 (24): 5162–5165, diciembre de 1999. 10.1103/physrevlett.83.5162.
https: / / doi.org/ 10.1103 / physrevlett.83.5162

[ 8 ] Alan Aspuru-Guzik, Anthony D. Dutoi, Peter J. Love y Martin Head-Gordon. Computación cuántica simulada de energías moleculares. Science, 309 (5741): 1704–1707, septiembre de 2005. 10.1126/​science.1113479.
https: / / doi.org/ 10.1126 / science.1113479

[ 9 ] Dave Wecker, Bela Bauer, Bryan K. Clark, Matthew B. Hastings y Matthias Troyer. Estimaciones de recuento de puertas para realizar química cuántica en pequeñas computadoras cuánticas. física Rev. A, 90 (2): 022305, agosto de 2014. 10.1103/physreva.90.022305.
https: / / doi.org/ 10.1103 / physreva.90.022305

[ 10 ] Markus Reiher, Nathan Wiebe, Krysta M. Svore, Dave Wecker y Matthias Troyer. Esclarecer los mecanismos de reacción en las computadoras cuánticas. proc. nacional Academia Sci., 114 (29): 7555–7560, julio de 2017. 10.1073/​pnas.1619152114.
https: / / doi.org/ 10.1073 / pnas.1619152114

[ 11 ] Ryan Babbush, Craig Gidney, Dominic W. Berry, Nathan Wiebe, Jarrod McClean, Alexandru Paler, Austin Fowler y Hartmut Neven. Codificación de espectros electrónicos en circuitos cuánticos con complejidad t lineal. física Rev. X, 8 (4): 041015, octubre de 2018. 10.1103/physrevx.8.041015.
https: / / doi.org/ 10.1103 / physrevx.8.041015

[ 12 ] Emanuel Knill, Raymond Laflamme y Wojciech H. Zurek. Computación cuántica resiliente. Science, 279 (5349): 342–345, enero de 1998. 10.1126/​science.279.5349.342.
https: / / doi.org/ 10.1126 / science.279.5349.342

[ 13 ] Austin G. Fowler, Matteo Mariantoni, John M. Martinis y Andrew N. Cleland. Códigos de superficie: hacia la computación cuántica práctica a gran escala. física Rev. A, 86 (3): 032324, septiembre de 2012. 10.1103/physreva.86.032324.
https: / / doi.org/ 10.1103 / physreva.86.032324

[ 14 ] Juan Preskill. Computación cuántica en la era NISQ y más allá. Quantum, 2: 79, agosto de 2018. 10.22331/q-2018-08-06-79.
https:/​/​doi.org/​10.22331/​q-2018-08-06-79

[ 15 ] Alberto Peruzzo, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J. Love, Alán Aspuru-Guzik y Jeremy L. O'Brien. Un solucionador de valores propios variacionales en un procesador cuántico fotónico. Nat. Commun., 5 (1), julio de 2014. 10.1038/ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213

[ 16 ] Dave Wecker, Matthew B. Hastings y Matthias Troyer. Progreso hacia algoritmos variacionales cuánticos prácticos. física Rev. A, 92 (4): 042303, octubre de 2015. 10.1103/physreva.92.042303.
https: / / doi.org/ 10.1103 / physreva.92.042303

[ 17 ] Sam McArdle, Tyson Jones, Suguru Endo, Ying Li, Simon C. Benjamin y Xiao Yuan. Simulación cuántica variacional basada en ansatz de la evolución del tiempo imaginario. npj Quantum Inf., 5 (1), septiembre de 2019. 10.1038/​s41534-019-0187-2.
https:/​/​doi.org/​10.1038/​s41534-019-0187-2

[ 18 ] Mario Motta, Chong Sun, Adrian TK Tan, Matthew J. O'Rourke, Erika Ye, Austin J. Minnich, Fernando GSL Brandão y Garnet Kin-Lic Chan. Determinación de estados propios y estados térmicos en una computadora cuántica utilizando la evolución del tiempo imaginario cuántico. Nature Physics, 16 (2): 205–210, noviembre de 2019. 10.1038/​s41567-019-0704-4.
https:/​/​doi.org/​10.1038/​s41567-019-0704-4

[ 19 ] Sheng-Hsuan Lin, Rohit Dilip, Andrew G. Green, Adam Smith y Frank Pollmann. Evolución en tiempo real e imaginario con circuitos cuánticos comprimidos. PRX Quantum, 2 (1): 010342, marzo de 2021. 10.1103/​prxquantum.2.010342.
https: / / doi.org/ 10.1103 / prxquantum.2.010342

[ 20 ] William J. Huggins, Bryan A. O'Gorman, Nicholas C. Rubin, David R. Reichman, Ryan Babbush y Joonho Lee. Imparcialización cuántica fermiónica de monte carlo con una computadora cuántica. Nature, 603 (7901): 416–420, marzo de 2022. 10.1038/​s41586-021-04351-z.
https: / / doi.org/ 10.1038 / s41586-021-04351-z

[ 21 ] Andrei Alexandru, Gökçe Başar, Paulo F. Bedaque, Sohan Vartak y Neill C. Warrington. Estudio de Monte carlo de la dinámica en tiempo real en la red. física Rev. Lett., 117 (8): 081602, agosto de 2016. 10.1103/physrevlett.117.081602.
https: / / doi.org/ 10.1103 / physrevlett.117.081602

[ 22 ] Guifre Vidal. Simulación eficiente de sistemas cuánticos unidimensionales de muchos cuerpos. física Rev. Lett., 93 (4): 040502, julio de 2004. 10.1103/physrevlett.93.040502.
https: / / doi.org/ 10.1103 / physrevlett.93.040502

[ 23 ] Mecha GC. Propiedades de las funciones de onda de bethe-salpeter. física Rev., 96 (4): 1124–1134, noviembre de 1954. 10.1103/physrev.96.1124.
https: / / doi.org/ 10.1103 / physrev.96.1124

[ 24 ] Tong Liu, Jin-Guo Liu y Heng Fan. Puerta probabilística no unitaria en evolución temporal imaginaria. Información cuántica Proceso., 20 (6), jun 2021. 10.1007/​s11128-021-03145-6.
https:/​/​doi.org/​10.1007/​s11128-021-03145-6

[ 25 ] F. Turro, A. Roggero, V. Amitrano, P. Luchi, KA Wendt, JL Dubois, S. Quaglioni y F. Pederiva. Propagación en tiempo imaginario en un chip cuántico. física Rev. A, 105 (2): 022440, febrero de 2022. 10.1103/physreva.105.022440.
https: / / doi.org/ 10.1103 / physreva.105.022440

[ 26 ] Yongdan Yang, Bing-Nan Lu y Ying Li. Monte carlo cuántico acelerado con error mitigado en una computadora cuántica ruidosa. PRX Quantum, 2 (4): 040361, diciembre de 2021. 10.1103/​prxquantum.2.040361.
https: / / doi.org/ 10.1103 / prxquantum.2.040361

[ 27 ] DFB ten Haaf, HJM van Bemmel, JMJ van Leeuwen, W. van Saarloos y DM Ceperley. Prueba de un límite superior en monte carlo de nodo fijo para fermiones de celosía. física Rev. B, 51 (19): 13039–13045, mayo de 1995. 10.1103/physrevb.51.13039.
https: / / doi.org/ 10.1103 / physrevb.51.13039

[ 28 ] Mario Motta y Shiwei Zhang. Cálculos ab initio de sistemas moleculares por el método de monte carlo cuántico de campo auxiliar. Cálculo de ALAMBRES. mol. Sci., 8 (5), mayo de 2018. 10.1002/​wcms.1364.
https: / / doi.org/ 10.1002 / wcms.1364

[ 29 ] Joonho Lee, Dominic W. Berry, Craig Gidney, William J. Huggins, Jarrod R. McClean, Nathan Wiebe y Ryan Babbush. Cálculos cuánticos aún más eficientes de la química a través de la hipercontracción del tensor. PRX Quantum, 2 (3): 030305, julio de 2021. 10.1103/​prxquantum.2.030305.
https: / / doi.org/ 10.1103 / prxquantum.2.030305

[ 30 ] Artur K. Ekert, Carolina Moura Alves, Daniel KL Oi, Michał Horodecki, Paweł Horodecki y LC Kwek. Estimaciones directas de funcionales lineales y no lineales de un estado cuántico. física Rev. Lett., 88 (21): 217901, mayo de 2002. 10.1103/physrevlett.88.217901.
https: / / doi.org/ 10.1103 / physrevlett.88.217901

[ 31 ] Sirui Lu, Mari Carmen Bañuls, and J. Ignacio Cirac. Algoritmos de simulación cuántica a energías finitas. PRX Quantum, 2 (2): 020321, mayo de 2021. 10.1103/​prxquantum.2.020321.
https: / / doi.org/ 10.1103 / prxquantum.2.020321

[ 32 ] Thomas E. O'Brien, Stefano Polla, Nicholas C. Rubin, William J. Huggins, Sam McArdle, Sergio Boixo, Jarrod R. McClean y Ryan Babbush. Mitigación de errores a través de la estimación de fase verificada. PRX Quantum, 2 (2): 020317, mayo de 2021. 10.1103/​prxquantum.2.020317.
https: / / doi.org/ 10.1103 / prxquantum.2.020317

[ 33 ] Michael A. Nielsen e Isaac L. Chuang. Computación Cuántica e Información Cuántica. Cambridge University Press, junio de 2012. 10.1017/cbo9780511976667.
https: / / doi.org/ 10.1017 / cbo9780511976667

[ 34 ] Dominic W. Berry, Graeme Ahokas, Richard Cleve y Barry C. Sanders. Algoritmos cuánticos eficientes para simular hamiltonianos dispersos. Com. Matemáticas. Phys., 270 (2): 359–371, diciembre de 2006. 10.1007/​s00220-006-0150-x.
https: / / doi.org/ 10.1007 / s00220-006-0150-x

[ 35 ] Nathan Wiebe, Dominic Berry, Peter Hoyer y Barry C Sanders. Descomposiciones de orden superior de operadores exponenciales ordenados. J. física. R: Matemáticas. Theor., 43 (6): 065203, enero de 2010. 10.1088/1751-8113/43/6/065203.
https:/​/​doi.org/​10.1088/​1751-8113/​43/​6/​065203

[ 36 ] Andrew M. Childs y Nathan Wiebe. Simulación hamiltoniana mediante combinaciones lineales de operaciones unitarias. Información cuántica Comput., 12 (11 y 12): 901–924, noviembre de 2012. 10.26421/​qic12.11-12-1.
https: / / doi.org/ 10.26421 / qic12.11-12-1

[ 37 ] Dominic W. Berry, Andrew M. Childs, Richard Cleve, Robin Kothari y Rolando D. Somma. Simulación de la dinámica hamiltoniana con una serie de Taylor truncada. física Rev. Lett., 114 (9): 090502, marzo de 2015. 10.1103/physrevlett.114.090502.
https: / / doi.org/ 10.1103 / physrevlett.114.090502

[ 38 ] Guang Hao Low e Isaac L. Chuang. Simulación hamiltoniana óptima mediante procesamiento cuántico de señales. física Rev. Lett., 118 (1): 010501, enero de 2017. 10.1103/physrevlett.118.010501.
https: / / doi.org/ 10.1103 / physrevlett.118.010501

[ 39 ] Conde Campbell. Compilador aleatorio para simulación hamiltoniana rápida. física Rev. Lett., 123 (7): 070503, agosto de 2019. 10.1103/physrevlett.123.070503.
https: / / doi.org/ 10.1103 / physrevlett.123.070503

[ 40 ] Andrew M. Childs, Aaron Ostrander y Yuan Su. Simulación cuántica más rápida por aleatorización. Quantum, 3: 182, septiembre de 2019. 10.22331/q-2019-09-02-182.
https:/​/​doi.org/​10.22331/​q-2019-09-02-182

[ 41 ] Paul K. Faehrmann, Mark Steudtner, Richard Kueng, Maria Kieferova y Jens Eisert. Aleatorización de fórmulas multiproducto para simulación hamiltoniana. Quantum, 6: 806, septiembre de 2022. ISSN 2521-327X. 10.22331/​q-2022-09-19-806. URL https:/​/​doi.org/​10.22331/​q-2022-09-19-806.
https:/​/​doi.org/​10.22331/​q-2022-09-19-806

[ 42 ] Richard Meister, Simon C. Benjamin y Earl T. Campbell. Adaptación de truncamientos de términos para cálculos de estructuras electrónicas utilizando una combinación lineal de unitarios. Quantum, 6: 637, febrero de 2022. 10.22331/q-2022-02-02-637.
https:/​/​doi.org/​10.22331/​q-2022-02-02-637

[ 43 ] Jarrod R. McClean, Mollie E. Kimchi-Schwartz, Jonathan Carter y Wibe A. de Jong. Jerarquía híbrida cuántica-clásica para mitigación de decoherencia y determinación de estados excitados. física Rev. A, 95 (4): 042308, abril de 2017. 10.1103/physreva.95.042308.
https: / / doi.org/ 10.1103 / physreva.95.042308

[ 44 ] Robert M. Parrish y Peter L. McMahon. Diagonalización del filtro cuántico: Descomposición propia cuántica sin estimación de fase cuántica completa. Septiembre de 2019. https:/​/​arxiv.org/​abs/​1909.08925.
arXiv: 1909.08925

[ 45 ] Nicholas H. Stair, Renke Huang y Francesco A. Evangelista. Un algoritmo krylov cuántico de referencia múltiple para electrones fuertemente correlacionados. J. Chem. Theory Comput., 16 (4): 2236–2245, febrero de 2020. 10.1021/​acs.jctc.9b01125.
https: / / doi.org/ 10.1021 / acs.jctc.9b01125

[ 46 ] Ethan N. Epperly, Lin Lin y Yuji Nakatsukasa. Una teoría de la diagonalización del subespacio cuántico. SIAM Journal on Matrix Analysis and Applications, 43 (3): 1263–1290, agosto de 2022. 10.1137/21m145954x.
https://​/​doi.org/​10.1137/​21m145954x

[ 47 ] Thomas E O'Brien, Brian Tarasinski y Barbara M Terhal. Estimación de fase cuántica de valores propios múltiples para experimentos a pequeña escala (ruidosos). New J. Phys., 21 (2): 023022, febrero de 2019. 10.1088/​1367-2630/​aafb8e.
https: / / doi.org/ 10.1088 / 1367-2630 / aafb8e

[ 48 ] Rolando D Somma. Estimación de valores propios cuánticos mediante análisis de series temporales. New J. Phys., 21 (12): 123025, diciembre de 2019. 10.1088/1367-2630/ab5c60.
https:/​/​doi.org/​10.1088/​1367-2630/​ab5c60

[ 49 ] A.Roggero. Estimación de la densidad espectral con la transformada integral gaussiana. física Rev. A, 102 (2): 022409, agosto de 2020. 10.1103/physreva.102.022409.
https: / / doi.org/ 10.1103 / physreva.102.022409

[ 50 ] AE Russo, KM Rudinger, BCA Morrison y AD Baczewski. Evaluación de diferencias de energía en una computadora cuántica con estimación de fase robusta. física Rev. Lett., 126 (21): 210501, mayo de 2021. 10.1103/physrevlett.126.210501.
https: / / doi.org/ 10.1103 / physrevlett.126.210501

[ 51 ] Kianna Wan, Mario Berta y Earl T. Campbell. Algoritmo cuántico aleatorizado para la estimación de fase estadística. física Rev. Lett., 129 (3): 030503, julio de 2022. 10.1103/physrevlett.129.030503.
https: / / doi.org/ 10.1103 / physrevlett.129.030503

[ 52 ] Yuan Liu, Minsik Cho y Brenda Rubenstein. Ab initio temperatura finita campo auxiliar cuántico monte carlo. Journal of Chemical Theory and Computation, 14 (9): 4722–4732, agosto de 2018. 10.1021/acs.jctc.8b00569.
https: / / doi.org/ 10.1021 / acs.jctc.8b00569

[ 53 ] Yuan-Yao He, Mingpu Qin, Hao Shi, Zhong-Yi Lu y Shiwei Zhang. Monte carlo cuántico de campo auxiliar de temperatura finita: restricción autoconsistente y enfoque sistemático para bajas temperaturas. Revisión física B, 99 (4): 045108, enero de 2019. 10.1103/physrevb.99.045108.
https: / / doi.org/ 10.1103 / physrevb.99.045108

[ 54 ] Tyson Jones y Simon Benjamín. QuESTlink: Mathematica potenciada por un emulador cuántico optimizado por hardware. Ciencia Cuántica. Technol., 5 (3): 034012, mayo de 2020. 10.1088/2058-9565/ab8506.
https: / / doi.org/ 10.1088 / 2058-9565 / ab8506

[ 55 ] G. Ortiz, JE Gubernatis, E. Knill y R. Laflamme. Algoritmos cuánticos para simulaciones fermiónicas. física Rev. A, 64 (2): 022319, julio de 2001. 10.1103/physreva.64.022319.
https: / / doi.org/ 10.1103 / physreva.64.022319

[ 56 ] https://​/​qiskit.org/​documentation/​nature/​.
https:/​/​qiskit.org/​documentation/​nature/​

Citado por

[1] Keisuke Matsumoto, Yuta Shingu, Suguru Endo, Shiro Kawabata, Shohei Watabe, Tetsuro Nikuni, Hideaki Hakoshima y Yuichiro Matsuzaki, “Cálculo de la función de partición de Gibbs con evolución temporal imaginaria en computadoras cuánticas a corto plazo”, Revista japonesa de física aplicada 61 4, 042002 (2022).

[2] Yu-Rong Shu, Shao-Kai Jian y Shuai Yin, “Dinámica de desequilibrio del punto crítico cuántico desconfinado en el tiempo imaginario”, Cartas de revisión física 128 2, 020601 (2022).

[3] Pei Zeng, Jinzhao Sun y Xiao Yuan, “Enfriamiento algorítmico cuántico universal en una computadora cuántica”, arXiv: 2109.15304, (2021).

[4] Yifei Huang, Yuguo Shao, Weiluo Ren, Jinzhao Sun y Dingshun Lv, “Evolución en tiempo imaginario cuántico eficiente mediante evolución en tiempo real a la deriva: un enfoque con baja complejidad de puerta y medición”, arXiv: 2203.11112, (2022).

[5] Yukun Zhang, Yifei Huang, Jinzhao Sun, Dingshun Lv y Xiao Yuan, “Quantum Computing Quantum Monte Carlo”, arXiv: 2206.10431, (2022).

[6] Zongkang Zhang, Anbang Wang, Xiaosi Xu y Ying Li, “Diagonalización del subespacio Krylov cuántico de medición eficiente”, arXiv: 2301.13353, (2023).

[7] Qingxing Xie, Yi Song y Yan Zhao, “Potencia del operador senoidal hamiltoniano para estimar las energías de estado propio en computadoras cuánticas”, arXiv: 2209.14801, (2022).

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-02-12 02:00:46). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.

On Servicio citado por Crossref no se encontraron datos sobre las obras citadas (último intento 2023-02-12 02:00:44).

Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.

Sello de tiempo:

Mas de Diario cuántico