Estimativa adaptativa de observáveis ​​quânticos

Estimativa adaptativa de observáveis ​​quânticos

Carimbo de data / hora: 26 de janeiro de 2023 8h26

Ariel Shlosberg1,2, Andrew J. Jena3,4, Priyanka Mukhopadhyay3,4, Jan F. Haase3,5,6, Félix Leditzky3,4,7,8e Luca Dellantonio3,5,9

1JILA, Universidade do Colorado e Instituto Nacional de Padrões e Tecnologia, Boulder, CO 80309, EUA
2Departamento de Física, Universidade do Colorado, Boulder, CO 80309, EUA
3Institute for Quantum Computing, University of Waterloo, Waterloo, ON N2L 3G1, Canadá
4Departamento de Combinatória e Otimização, Universidade de Waterloo, Waterloo, ON N2L 3G1, Canadá
5Departamento de Física e Astronomia, Universidade de Waterloo, Waterloo, ON N2L 3G1, Canadá
6Instituto de Física Teórica e IQST, Universität Ulm, D-89069 Ulm, Alemanha
7Departamento de Matemática e IQUIST, Universidade de Illinois Urbana-Champaign, Urbana, IL 61801, EUA
8Perimeter Institute for Theoretical Physics, Waterloo, ON N2L 2Y5, Canadá
9Departamento de Física e Astronomia, Universidade de Exeter, Stocker Road, Exeter EX4 4QL, Reino Unido

Acha este artigo interessante ou deseja discutir? Scite ou deixe um comentário no SciRate.

Sumário

A estimativa precisa de observáveis ​​quânticos é uma tarefa crítica na ciência. Com o progresso no hardware, a medição de um sistema quântico se tornará cada vez mais exigente, especialmente para protocolos variacionais que exigem amostragem extensa. Aqui, apresentamos um esquema de medição que modifica adaptativamente o estimador com base em dados obtidos anteriormente. Nosso algoritmo, que chamamos de AEQuO, monitora continuamente tanto a média estimada quanto o erro associado do observável considerado, e determina a próxima etapa de medição com base nesta informação. Permitimos relações de sobreposição e de comutação não bit a bit nos subconjuntos de operadores Pauli que são testados simultaneamente, maximizando assim a quantidade de informações coletadas. AEQuO vem em duas variantes: um algoritmo ganancioso de preenchimento de balde com bom desempenho para instâncias de problemas pequenos e um algoritmo baseado em aprendizado de máquina com escalonamento mais favorável para instâncias maiores. A configuração de medição determinada por essas sub-rotinas é posteriormente pós-processada para diminuir o erro no estimador. Testamos nosso protocolo em hamiltonianos químicos, para os quais o AEQuO fornece estimativas de erro que melhoram todos os métodos de última geração com base em várias técnicas de agrupamento ou medições aleatórias, reduzindo significativamente o número de medições em aplicações quânticas atuais e futuras.

Estimativa adaptativa de observáveis ​​quânticos PlatoBlockchain Data Intelligence. Pesquisa vertical. Ai.

Imagem em destaque: Esquema do AEqUO, nosso algoritmo de medição. Um O observável é dado como entrada e representado através de um gráfico ponderado, a partir do qual é possível recuperar a média e o erro do estimador. Depois de encontrar o clique do gráfico, correspondente às partes mensuráveis ​​​​simultaneamente de O, os disparos são alocados por meio das sub-rotinas Machine Learning (ML) ou Bucket Filling (BF). Quando o orçamento de medição se esgota, o pós-processamento é aplicado e os valores finais das estimativas de média e erro são obtidos.

Resumo popular

Os sistemas quânticos, ao contrário dos clássicos, são irreversivelmente destruídos cada vez que são medidos. Isto tem implicações profundas quando se deseja extrair informações de um sistema quântico. Por exemplo, quando se deve estimar o valor médio de um observável, muitas vezes é necessário repetir todo o experimento várias vezes. Dependendo da estratégia de medição empregada, os requisitos para atingir a mesma precisão variam consideravelmente. Neste trabalho, propomos uma nova abordagem que reduz consideravelmente os recursos do hardware. Nossa estratégia é adaptativa, no sentido de que aprendemos e melhoramos a alocação de medições enquanto os dados são adquiridos. Além disso, permite estimar a média e o erro que afetam o observável desejado ao mesmo tempo. Em comparação com outras abordagens de última geração, demonstramos uma melhoria consistente e considerável na precisão da estimativa quando nosso protocolo é empregado.

► dados BibTeX

► Referências

[1] PW Shor “Algoritmos para computação quântica: logaritmos discretos e fatoração” Anais do 35º Simpósio Anual sobre Fundamentos da Ciência da Computação 124-134 (1994).
https: / / doi.org/ 10.1109 / SFCS.1994.365700

[2] Michael A. Nielsen e Issaac L. Chuang “Computação Quântica e Informação Quântica” Cambridge University Press (2010).
https: / / doi.org/ 10.1017 / CBO9780511976667

[3] Antonio Acín, Immanuel Bloch, Harry Buhrman, Tommaso Calarco, Christopher Eichler, Jens Eisert, Daniel Esteve, Nicolas Gisin, Steffen J Glaser, Fedor Jelezko, Stefan Kuhr, Maciej Lewenstein, Max F Riedel, Piet O Schmidt, Rob Thew, Andreas Wallraff , Ian Walmsley e Frank K Wilhelm, “O roteiro das tecnologias quânticas: uma visão da comunidade europeia” New Journal of Physics 20, 080201 (2018).
https: / / doi.org/ 10.1088 / 1367-2630 / aad1ea
arXiv: 1712.03773

[4] John Preskill “Computação Quântica na era NISQ e além” Quantum 2, 79 (2018).
https:/​/​doi.org/​10.22331/​q-2018-08-06-79
arXiv: 1801.00862

[5] IM Georgescu, S. Ashhab e Franco Nori, “Simulação quântica” Reviews of Modern Physics 86, 153–185 (2014).
https: / / doi.org/ 10.1103 / RevModPhys.86.153
arXiv: 1308.6253

[6] Mari Carmen Banuls, Rainer Blatt, Jacopo Catani, Alessio Celi, Juan Ignacio Cirac, Marcello Dalmonte, Leonardo Fallani, Karl Jansen, Maciej Lewenstein e Simone Montangero, “Simulando teorias de calibre de rede em tecnologias quânticas” The European Physical Journal D 74, 1 –42 (2020).
https: / / doi.org/ 10.1140 / epjd / e2020-100571-8
arXiv: 1911.00003

[7] Jan F. Haase, Luca Dellantonio, Alessio Celi, Danny Paulson, Angus Kan, Karl Jansen e Christine A Muschik, “Uma abordagem eficiente de recursos para simulações quânticas e clássicas de teorias de calibre em física de partículas” Quantum 5, 393 (2021).
https:/​/​doi.org/​10.22331/​q-2021-02-04-393
arXiv: 2006.14160

[8] Danny Paulson, Luca Dellantonio, Jan F. Haase, Alessio Celi, Angus Kan, Andrew Jena, Christian Kokail, Rick van Bijnen, Karl Jansen, Peter Zoller e Christine A. Muschik, “Simulando efeitos 2D em teorias de medidor de rede em um quantum Computador” PRX Quantum 2, 030334 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030334
arXiv: 2008.09252

[9] Yudong Cao, Jonathan Romero, Jonathan P. Olson, Matthias Degroote, Peter D. Johnson, Mária Kieferová, Ian D. Kivlichan, Tim Menke, Borja Peropadre, Nicolas PD Sawaya, Sukin Sim, Libor Veis e Alán Aspuru-Guzik, “ Química Quântica na Era da Computação Quântica” Chemical Reviews 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803
arXiv: 1812.09976

[10] John Preskill “Computação quântica 40 anos depois” pré-impressão arXiv (2021).
https://​/​doi.org/​10.48550/​arXiv.2106.10522
arXiv: 2106.10522

[11] Heinz-Peter Breuerand Francesco Petruccione “A teoria dos sistemas quânticos abertos” Oxford University Press on Demand (2002).
https: / / doi.org/ 10.1093 / acprof: oso / 9780199213900.001.0001

[12] Y. Cao, J. Romero e A. Aspuru-Guzik, “Potencial da computação quântica para descoberta de medicamentos” IBM Journal of Research and Development 62, 6:1–6:20 (2018).
https://​/​doi.org/​10.1147/​JRD.2018.2888987

[13] WM Itano, JC Bergquist, JJ Bollinger, JM Gilligan, DJ Heinzen, FL Moore, MG Raizen e DJ Wineland, “Ruído de projeção quântica: flutuações populacionais em sistemas de dois níveis” Physical Review A 47, 3554–3570 (1993).
https: / / doi.org/ 10.1103 / PhysRevA.47.3554

[14] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan e Lukasz Cincio, “Algoritmos quânticos variacionais” Nature Reviews Physics 3, 625–644 (2021) .
https:/​/​doi.org/​10.1038/​s42254-021-00348-9
arXiv: 2012.09265

[15] RR Ferguson, L. Dellantonio, A. Al Balushi, K. Jansen, W. Dür e CA Muschik, “Measurement-Based Variational Quantum Eigensolver” Physical Review Letters 126, 220501 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.126.220501
arXiv: 2010.13940

[16] Andrew Jena, Scott Genin e Michele Mosca, “Pauli Partitioning with Respect to Gate Sets” pré-impressão arXiv (2019).
https://​/​doi.org/​10.48550/​arXiv.1907.07859
arXiv: 1907.07859

[17] Jarrod R. McClean, Jonathan Romero, Ryan Babbush e Alán Aspuru-Guzik, “A teoria dos algoritmos quânticos-clássicos híbridos variacionais” New Journal of Physics 18, 023023 (2016).
https:/​/​doi.org/​10.1088/​1367-2630/​18/​2/​023023
arXiv: 1509.04279

[18] Vladyslav Verteletskyi, Tzu-Ching Yen e Artur F. Izmaylov, “Otimização de medição no autosolver quântico variacional usando uma cobertura de clique mínima” The Journal of Chemical Physics 152, 124114 (2020).
https: / / doi.org/ 10.1063 / 1.5141458
arXiv: 1907.03358

[19] Andrew Arrasmith, Lukasz Cincio, Rolando D. Somma e Patrick J. Coles, “Operator Sampling for Shot-frugal Optimization in Variational Algorithms” pré-impressão arXiv (2020).
https://​/​doi.org/​10.48550/​arXiv.2004.06252
arXiv: 2004.06252

[20] Ophelia Crawford, Barnaby van Straaten, Daochen Wang, Thomas Parks, Earl Campbell e Stephen Brierley, “Medição quântica eficiente de operadores Pauli na presença de erro de amostragem finito” Quantum 5, 385 (2021).
https:/​/​doi.org/​10.22331/​q-2021-01-20-385
arXiv: 1908.06942

[21] Hsin-Yuan Huang, Richard Kueng e John Preskill, “Estimativa eficiente de observáveis ​​de Pauli por desrandomização” Physical Review Letters 127, 030503 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.127.030503
arXiv: 2103.07510

[22] Giacomo Torlai, Guglielmo Mazzola, Giuseppe Carleo e Antonio Mezzacapo, “Medição precisa de observáveis ​​quânticos com estimadores de redes neurais” Physical Review Research 2, 022060 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.022060
arXiv: 1910.07596

[23] Stefan Hillmich, Charles Hadfield, Rudy Raymond, Antonio Mezzacapo e Robert Wille, “Diagramas de decisão para medições quânticas com circuitos rasos” 2021 Conferência Internacional IEEE sobre Computação e Engenharia Quântica (QCE) 24–34 (2021).
https: / / doi.org/ 10.1109 / QCE52317.2021.00018

[24] Hsin-Yuan Huang, Richard Kueng e John Preskill, “Prevendo muitas propriedades de um sistema quântico a partir de poucas medições” Nature Physics 16, 1050–1057 (2020).
https:/​/​doi.org/​10.1038/​s41567-020-0932-7
arXiv: 2002.08953

[25] Charles Hadfield, Sergey Bravyi, Rudy Raymond e Antonio Mezzacapo, “Medições de hamiltonianos quânticos com sombras clássicas localmente tendenciosas” Communications in Mathematical Physics 391, 951–967 (2022).
https:/​/​doi.org/​10.1007/​s00220-022-04343-8

[26] Charles Hadfield “Adaptive Pauli Shadows for Energy Estimation” pré-impressão arXiv (2021).
https://​/​doi.org/​10.48550/​arXiv.2105.12207
arXiv: 2105.12207

[27] Bujiao Wu, Jinzhao Sun, Qi Huang e Xiao Yuan, “Medição de agrupamento sobreposto: uma estrutura unificada para medir estados quânticos” pré-impressão arXiv (2021).
https://​/​doi.org/​10.48550/​arXiv.2105.13091
arXiv: 2105.13091

[28] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami e Yuya O. Nakagawa, “Estimativa do valor esperado quântico por amostragem de base computacional” Phys. Rev. 4, 033173 (2022).
https: / / doi.org/ 10.1103 / PhysRevResearch.4.033173

[29] Pranav Gokhale, Olivia Angiuli, Yongshan Ding, Kaiwen Gui, Teague Tomesh, Martin Suchara, Margaret Martonosi e Frederic T. Chong, “Minimizing State Preparations in Variational Quantum Eigensolver by Partitioning into Commuting Families” pré-impressão arXiv (2019).
https://​/​doi.org/​10.48550/​arXiv.1907.13623
arXiv: 1907.13623

[30] Ikko Hamamura e Takashi Imamichi “Avaliação eficiente de observáveis ​​quânticos usando medições emaranhadas” npj Quantum Information 6, 1–8 (2020).
https:/​/​doi.org/​10.1038/​s41534-020-0284-2

[31] Tzu-Ching Yen, Vladyslav Verteletskyi e Artur F. Izmaylov, “Medindo todos os operadores compatíveis em uma série de medições de Qubit único usando transformações unitárias” Journal of Chemical Theory and Computation 16, 2400–2409 (2020).
https: / / doi.org/ 10.1021 / acs.jctc.0c00008

[32] Artur F. Izmaylov, Tzu-Ching Yen, Robert A. Lang e Vladyslav Verteletskyi, “Abordagem de Particionamento Unitário para o Problema de Medição no Método Eigensolver Quântico Variacional” Journal of Chemical Theory and Computation 16, 190–195 (2020).
https: / / doi.org/ 10.1021 / acs.jctc.9b00791

[33] Cambyse Rouzé e Daniel Stilck França “Aprendendo sistemas quânticos de muitos corpos a partir de algumas cópias” pré-impressão arXiv (2021).
https://​/​doi.org/​10.48550/​arXiv.2107.03333
arXiv: 2107.03333

[34] Andrew J. Jena e Ariel Shlosberg “Otimização de medição VQE (repositório GitHub)” https:/​/​github.com/​AndrewJena/​VQE_measurement_optimization (2021).
https://​/​github.com/​AndrewJena/​VQE_measurement_optimization

[35] Scott Aaronson e Daniel Gottesman “Simulação melhorada de circuitos estabilizadores” Physical Review A 70, 052328 (2004).
https: / / doi.org/ 10.1103 / PhysRevA.70.052328

[36] Coen Bronand Joep Kerbosch “Algoritmo 457: encontrando todos os cliques de um gráfico não direcionado” Communications of the ACM 16, 575–577 (1973).
https: / / doi.org/ 10.1145 / 362342.362367

[37] Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest e Clifford Stein, “Introdução aos algoritmos” MIT press (2009).

[38] Stephan Hoyer, Jascha Sohl-Dickstein e Sam Greydanus, “A reparametrização neural melhora a otimização estrutural” NeurIPS 2019 Deep Inverse Workshop (2019).
https://​/​doi.org/​10.48550/​arXiv.1909.04240
arXiv: 1909.04240

[39] Herbert Robbins e Sutton Monro “Um método de aproximação estocástica” The Annals of Mathematical Statistics 400–407 (1951).
https: / / doi.org/ 10.1214 / aoms / 1177729586

[40] Diederik P. Kingma e Jimmy Ba “Adam: A Method for Stochastic Optimization” 3ª Conferência Internacional sobre Representações de Aprendizagem (2015).
https://​/​doi.org/​10.48550/​arXiv.1412.6980
arXiv: 1412.6980

[41] Stephen Wright e Jorge Nocedal “Otimização Numérica” Springer Science 35, 7 (1999).

[42] Philip E. Gilland Walter Murray “Métodos quase-Newton para otimização irrestrita” IMA Journal of Applied Mathematics 9, 91–108 (1972).
https://​/​doi.org/​10.1093/​imamat/​9.1.91

[43] Chigozie Nwankpa, Winifred Ijomah, Anthony Gachagan e Stephen Marshall, “Funções de ativação: comparação de tendências na prática e pesquisa para aprendizagem profunda” pré-impressão arXiv (2018).
https://​/​doi.org/​10.48550/​arXiv.1811.03378
arXiv: 1811.03378

[44] Fabian HL Essler, Holger Frahm, Frank Göhmann, Andreas Klümper e Vladimir E Korepin, “O modelo unidimensional de Hubbard” Cambridge University Press (2005).

[45] Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang e Philip S. Yu, “Uma pesquisa abrangente sobre redes neurais de grafos” Transações IEEE em redes neurais e sistemas de aprendizagem 32, 4–24 (2021).
https://​/​doi.org/​10.1109/​TNNLS.2020.2978386
arXiv: 1901.00596

[46] JF Haase, PJ Vetter, T. Unden, A. Smirne, J. Rosskopf, B. Naydenov, A. Stacey, F. Jelezko, MB Plenio e SF Huelga, “Não-Markovianidade Controlável para um Spin Qubit em Diamante” Físico Cartas de Revisão 121, 060401 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.060401
arXiv: 1802.00819

[47] Nicholas C. Rubin, Ryan Babbush e Jarrod McClean, “Aplicação de restrições marginais fermiônicas a algoritmos quânticos híbridos” New Journal of Physics 20, 053020 (2018).
https: / / doi.org/ 10.1088 / 1367-2630 / aab919
arXiv: 1801.03524

[48] John Kruschke “Fazendo análise de dados bayesiana: um tutorial com R, JAGS e Stan” Academic Press (2014).
https:/​/​doi.org/​10.1016/​B978-0-12-405888-0.09999-2

[49] Andrew Gelman, John B. Carlin, Hal S. Stern e Donald B. Rubin, “Análise de dados bayesianos” Chapman Hall/CRC (1995).

[50] Paolo Fornasini “A incerteza nas medições físicas: uma introdução à análise de dados no laboratório de física” Springer (2008).
https:/​/​doi.org/​10.1007/​978-0-387-78650-6

[51] Roger A. Horn e Charles R. Johnson “Análise matricial” Cambridge University Press (2012).

[52] JW Moon e L. Moser “Sobre cliques em gráficos” Israel Journal of Mathematics 3, 23–28 (1965).
https: / / doi.org/ 10.1007 / BF02760024

[53] Dong C. Liu e Jorge Nocedal “Sobre o método BFGS de memória limitada para otimização em larga escala” Programação matemática 45, 503–528 (1989).
https: / / doi.org/ 10.1007 / BF01589116

Citado por

[1] Andreas Elben, Steven T. Flammia, Hsin-Yuan Huang, Richard Kueng, John Preskill, Benoît Vermersch e Peter Zoller, “A caixa de ferramentas de medição aleatória”, Nature Reviews Física 5 1, 9 (2023).

[2] Zachary Pierce Bansingh, Tzu-Ching Yen, Peter D. Johnson e Artur F. Izmaylov, “Sobrecarga de fidelidade para medições não locais em algoritmos quânticos variacionais”, arXiv: 2205.07113, (2022).

[3] Masaya Kohda, Ryosuke Imai, Keita Kanno, Kosuke Mitarai, Wataru Mizukami e Yuya O. Nakagawa, “Quantum expectation-value estimation by computational based sampling”, Pesquisa de Revisão Física 4 3, 033173 (2022).

[4] Bujiao Wu, Jinzhao Sun, Qi Huang e Xiao Yuan, “Medição de agrupamento sobreposto: uma estrutura unificada para medir estados quânticos”, arXiv: 2105.13091, (2021).

[5] Tzu-Ching Yen, Aadithya Ganeshram e Artur F. Izmaylov, “Melhorias determinísticas de medições quânticas com agrupamento de operadores compatíveis, transformações não locais e estimativas de covariância”, arXiv: 2201.01471, (2022).

[6] Bojia Duan e Chang-Yu Hsieh, “Carregamento de dados baseado em Hamilton com circuitos quânticos rasos”, Revisão Física A 106 5, 052422 (2022).

[7] Daniel Miller, Laurin E. Fischer, Igor O. Sokolov, Panagiotis Kl. Barkoutsos e Ivano Tavernelli, “Circuitos de diagonalização adaptados ao hardware”, arXiv: 2203.03646, (2022).

[8] Francisco Escudero, David Fernández-Fernández, Gabriel Jaumà, Guillermo F. ​​Peñas e Luciano Pereira, “Medições emaranhadas eficientes de hardware para algoritmos quânticos variacionais”, arXiv: 2202.06979, (2022).

[9] William Kirby, Mario Motta e Antonio Mezzacapo, “Método de Lanczos exato e eficiente em um computador quântico”, arXiv: 2208.00567, (2022).

[10] Lane G. Gunderman, “Transformando coleções de operadores Pauli em coleções equivalentes de operadores Pauli sobre registros mínimos”, arXiv: 2206.13040, (2022).

[11] Andrew Jena, Scott N. Genin e Michele Mosca, “Otimização da medição variacional-quântica-eigensolver particionando operadores de Pauli usando portas Clifford multiqubit em hardware quântico ruidoso de escala intermediária”, Revisão Física A 106 4, 042443 (2022).

[12] Alexander Gresch e Martin Kliesch, “Estimativa de energia eficiente garantida de hamiltonianos quânticos de muitos corpos usando ShadowGrouping”, arXiv: 2301.03385, (2023).

As citações acima são de SAO / NASA ADS (última atualização com êxito 2023-01-26 13:33:05). A lista pode estar incompleta, pois nem todos os editores fornecem dados de citação adequados e completos.

Não foi possível buscar Dados citados por referência cruzada durante a última tentativa 2023-01-26 13:33:03: Não foi possível buscar os dados citados por 10.22331 / q-2023-01-26-906 do Crossref. Isso é normal se o DOI foi registrado recentemente.

Este artigo é publicado na Quantum sob o Atribuição 4.0 do Creative Commons Internacional (CC BY 4.0) licença. Os direitos autorais permanecem com os detentores originais, como os autores ou suas instituições.

Carimbo de hora:

Mais de Diário Quântico