julián gacón1,2, Christa Zoufal1,3, Giuseppe Carleo2y Stefan Woerner1
1IBM Quantum, IBM Research - Zúrich, CH-8803 Rüschlikon, Suiza
2Instituto de Física, École Polytechnique Fédérale de Lausanne (EPFL), CH-1015 Lausanne, Suiza
3Instituto de Física Teórica, ETH Zurich, CH-8092 Zürich, Suiza
¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.
Resumen
La matriz de información de Quantum Fisher (QFIM) es una métrica central en algoritmos prometedores, como el descenso del gradiente natural cuántico y la evolución del tiempo imaginario cuántico variable. Sin embargo, calcular el QFIM completo para un modelo con parámetros $ d $ es computacionalmente costoso y generalmente requiere evaluaciones de función $ mathcal {O} (d ^ 2) $. Para remediar estos costos crecientes en espacios de parámetros de alta dimensión, proponemos el uso de técnicas de aproximación estocástica de perturbación simultánea para aproximar el QFIM a un costo constante. Presentamos el algoritmo resultante y lo aplicamos con éxito para preparar estados fundamentales hamiltonianos y entrenar máquinas de Boltzmann cuánticas variables.
► datos BibTeX
► referencias
[1] 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/ciencia.1113479.
https: / / doi.org/ 10.1126 / science.1113479
[2] Alberto Peruzzo et al. Un solucionador de valores propios variacionales en un procesador cuántico fotónico. Nature Communications, 5: 4213, julio de 2014. 10.1038/ncomms5213.
https: / / doi.org/ 10.1038 / ncomms5213
[3] Mari Carmen Bañuls et al. Simulación de teorías de calibre de red dentro de tecnologías cuánticas. European Physical Journal D, 74 (8): 165, agosto de 2020. 10.1140/epjd/e2020-100571-8.
https: / / doi.org/ 10.1140 / epjd / e2020-100571-8
[4] Alejandro Perdomo-Ortiz, Neil Dickson, Marshall Drew-Brook, Geordie Rose y Alán Aspuru-Guzik. Encontrar conformaciones de baja energía de modelos de proteínas reticulares mediante recocido cuántico. Scientific Reports, 2: 571, agosto de 2012. 10.1038/srep00571.
https: / / doi.org/ 10.1038 / srep00571
[5] Mark Fingerhuth, Tomáš Babej y Christopher Ing. Un operador alternativo cuántico ansatz con restricciones duras y blandas para el plegamiento de proteínas reticulares. arXiv, octubre de 2018. URL https://arxiv.org/abs/1810.13411.
arXiv: 1810.13411
[6] Anton Robert, Panagiotis Kl. Barkoutsos, Stefan Woerner e Ivano Tavernelli. Algoritmo cuántico eficiente en recursos para el plegamiento de proteínas. npj Quantum Information, 7 (1): 38, febrero de 2021. ISSN 2056-6387. 10.1038/s41534-021-00368-4.
https://doi.org/10.1038/s41534-021-00368-4
[7] Edward Farhi, Jeffrey Goldstone y Sam Gutmann. Un algoritmo de optimización aproximada cuántica. arXiv, noviembre de 2014. URL https://arxiv.org/abs/1411.4028.
arXiv: 1411.4028
[8] Austin Gilliam, Stefan Woerner y Constantin Gonciulea. Búsqueda adaptativa de Grover para optimización binaria polinómica restringida. arXiv, diciembre de 2019. URL https://arxiv.org/abs/1912.04088. 10.22331/q-2021-04-08-428.
https://doi.org/10.22331/q-2021-04-08-428
arXiv: 1912.04088
[9] Lee Braine, Daniel J. Egger, Jennifer Glick y Stefan Woerner. Algoritmos Cuánticos para Optimización Binaria Mixta aplicados a la Liquidación de Transacciones. arXiv, octubre de 2019. URL https://arxiv.org/abs/1910.05788. 10.1109/TQE.2021.3063635.
https: / / doi.org/ 10.1109 / TQE.2021.3063635
arXiv: 1910.05788
[10] J. Gacon, C. Zoufal y S. Woerner. Optimización basada en simulación mejorada por Quantum. En 2020 IEEE International Conference on Quantum Computing and Engineering (QCE), páginas 47–55, 2020. 10.1109/QCE49297.2020.00017.
https: / / doi.org/ 10.1109 / QCE49297.2020.00017
[11] DJ Egger et al. Computación cuántica para finanzas: estado del arte y perspectivas de futuro. IEEE Transactions on Quantum Engineering, 1: 1–24, 2020. 10.1109/TQE.2020.3030314.
https: / / doi.org/ 10.1109 / TQE.2020.3030314
[12] JS Otterbach et al. Aprendizaje automático no supervisado en una computadora cuántica híbrida. arXiv, diciembre de 2017. URL https://arxiv.org/abs/1712.05771.
arXiv: 1712.05771
[13] Vojtěch Havlíček et al. Aprendizaje supervisado con espacios de funciones mejorados cuánticamente. Nature, 567 (7747): 209–212, marzo de 2019. 10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2
[14] María Schuld. Los modelos de aprendizaje automático cuántico son métodos kernel. arXiv, enero de 2021. URL https://arxiv.org/abs/2101.11020.
arXiv: 2101.11020
[15] Nikolaj Moll et al. Optimización cuántica utilizando algoritmos variacionales en dispositivos cuánticos a corto plazo. Quantum Science and Technology, 3 (3): 030503, julio de 2018. 10.1088/2058-9565/aab822.
https: / / doi.org/ 10.1088 / 2058-9565 / aab822
[16] Sam McArdle et al. Simulación cuántica variacional basada en ansatz de la evolución del tiempo imaginario. npj Quantum Information, 5 (1), septiembre de 2019. ISSN 2056-6387. 10.1038/s41534-019-0187-2.
https://doi.org/10.1038/s41534-019-0187-2
[17] Xiao Yuan, Suguru Endo, Qi Zhao, Ying Li y Simon C. Benjamin. Teoría de la simulación cuántica variacional. Quantum, 3: 191, octubre de 2019. ISSN 2521-327X. 10.22331/q-2019-10-07-191.
https://doi.org/10.22331/q-2019-10-07-191
[18] Christa Zoufal, Aurélien Lucchi y Stefan Woerner. Máquinas cuánticas variacionales de Boltzmann. Inteligencia de máquina cuántica, 3: 7, 2020. ISSN 2524-4914. 10.1007/s42484-020-00033-7.
https://doi.org/10.1007/s42484-020-00033-7
[19] Taku Matsui. Mecánica estadística cuántica y semigrupo de Feller. Comunicaciones de probabilidad cuántica, 1998. 10.1142/9789812816054_0004.
https: / / doi.org/ 10.1142 / 9789812816054_0004
[20] Masoud Khalkhali y Matilde Marcolli. Una invitación a la geometría no conmutativa. Científico mundial, 2008. 10.1142/6422.
https: / / doi.org/ 10.1142 / 6422
[21] J. Eisert, M. Friesdorf y C. Gogolin. Sistemas cuánticos de muchos cuerpos fuera de equilibrio. Física de la naturaleza, 11 (2), 2015. 10.1038/nphys3215.
https: / / doi.org/ 10.1038 / nphys3215
[22] Fernando GSL Brandão et al. Quantum SDP Solvers: grandes aceleraciones, optimización y aplicaciones para el aprendizaje cuántico. arXiv, 2017. URL https://arxiv.org/abs/1710.02581.
arXiv: 1710.02581
[23] Mohammad H. Amin, Evgeny Andriyash, Jason Rolfe, Bohdan Kulchytskyy y Roger Melko. Máquina cuántica de Boltzmann. física Rev. X, 8, 2018. 10.1103/PhysRevX.8.021050.
https: / / doi.org/ 10.1103 / PhysRevX.8.021050
[24] James Stokes, Josh Izaac, Nathan Killoran y Giuseppe Carleo. Gradiente natural cuántico. Quantum, 4: 269, mayo de 2020. ISSN 2521-327X. 10.22331/q-2020-05-25-269.
https://doi.org/10.22331/q-2020-05-25-269
[25] S. Amari y SC Douglas. ¿Por qué gradiente natural? En Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing de 1998, ICASSP '98 (Cat. No.98CH36181), volumen 2, páginas 1213–1216 vol.2, 1998. 10.1109/ICASSP.1998.675489.
https: / / doi.org/ 10.1109 / ICASSP.1998.675489
[26] JC Spall. Aproximación estocástica multivariante utilizando una aproximación de gradiente de perturbación simultánea. IEEE Transactions on Automatic Control, 37 (3): 332–341, 1992. 10.1109/9.119632.
https: / / doi.org/ 10.1109 / 9.119632
[27] Lingyao Meng y James C. Spall. Cálculo eficiente de la matriz de información de Fisher en el algoritmo em. En 2017 51.ª Conferencia Anual sobre Ciencias y Sistemas de la Información (CISS), páginas 1 a 6, 2017. 10.1109/CISS.2017.7926126.
https: / / doi.org/ 10.1109 / CISS.2017.7926126
[28] A. Cauchy. Método general para la resolución de sistemas de ecuaciones simultáneas. CR Acad. ciencia París, 25: 536–538, 1847. 10.1017/cbo9780511702396.063.
https: / / doi.org/ 10.1017 / cbo9780511702396.063
[29] JC Spall. Optimización estocástica acelerada de segundo orden utilizando solo mediciones de funciones. En Proceedings of the 36th IEEE Conference on Decision and Control, volumen 2, páginas 1417–1424 vol.2, diciembre de 1997. 10.1109/CDC.1997.657661. ISSN: 0191-2216.
https: / / doi.org/ 10.1109 / CDC.1997.657661
[30] Yuan Yao, Pierre Cussenot, Alex Vigneron y Filippo M. Miatto. Optimización de gradiente natural para circuitos ópticos cuánticos. arXiv, junio de 2021. URL https://arxiv.org/abs/2106.13660.
arXiv: 2106.13660
[31] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac y Nathan Killoran. Evaluación de gradientes analíticos en hardware cuántico. física Rev. A, 99 (3): 032331, marzo de 2019. 10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[32] Johanes Jakob Meyer. Información de Fisher en aplicaciones cuánticas ruidosas de escala intermedia. Quantum, 5: 539, septiembre de 2021. ISSN 2521-327X. 10.22331/q-2021-09-09-539.
https://doi.org/10.22331/q-2021-09-09-539
[33] Andrea Mari, Thomas R. Bromley y Nathan Killoran. Estimación del gradiente y derivadas de orden superior en hardware cuántico. física Rev. A, 103 (1): 012405, enero de 2021. 10.1103/PhysRevA.103.012405.
https: / / doi.org/ 10.1103 / PhysRevA.103.012405
[34] Harry Buhrman, Richard Cleve, John Watrous y Ronald de Wolf. Huella digital cuántica. física Rev. Lett., 87 (16): 167902, septiembre de 2001. 10.1103/PhysRevLett.87.167902.
https: / / doi.org/ 10.1103 / PhysRevLett.87.167902
[35] Lukasz Cincio, Yiğit Subaşı, Andrew T. Sornborger y Patrick J. Coles. Aprendizaje del algoritmo cuántico para la superposición de estados. arXiv, noviembre de 2018. URL http://arxiv.org/abs/1803.04114. 10.1088/1367-2630/aae94a.
https: / / doi.org/ 10.1088 / 1367-2630 / aae94a
arXiv: 1803.04114
[36] A. Elben, B. Vermersch, CF Roos y P. Zoller. Correlaciones estadísticas entre mediciones localmente aleatorias: una caja de herramientas para investigar el entrelazamiento en estados cuánticos de muchos cuerpos. física Rev. A, 99 (5), mayo de 2019. 10.1103/PhysRevA.99.052323.
https: / / doi.org/ 10.1103 / PhysRevA.99.052323
[37] Kristan Temme, Tobias J. Osborne, Karl Gerd H. Vollbrecht, David Poulin y Frank Verstraete. Muestreo de metrópolis cuánticas. Naturaleza, 471, 2011. 10.1038/nature09770.
https: / / doi.org/ 10.1038 / nature09770
[38] Man-Hong Yung y Alan Aspuru-Guzik. Un algoritmo de Metrópolis cuántico-cuántico. Actas de la Academia Nacional de Ciencias, 109 (3), 2012. 10.1073/pnas.1111758109.
https: / / doi.org/ 10.1073 / pnas.1111758109
[39] David Poulin y Pawel Wocjan. Muestreo del estado térmico cuántico de Gibbs y evaluación de funciones de partición con una computadora cuántica. física Rev. Lett., 103 (22), 2009. 10.1103/PhysRevLett.103.220502.
https: / / doi.org/ 10.1103 / PhysRevLett.103.220502
[40] Mario Motta y et al. Determinación de estados propios y estados térmicos en una computadora cuántica utilizando la evolución del tiempo imaginario cuántico. Física de la naturaleza, 16 (2), 2020. 10.1038/s41567-019-0704-4.
https://doi.org/10.1038/s41567-019-0704-4
[41] Fernando GSL Brandão y Michael J. Kastoryano. La longitud de correlación finita implica una preparación eficiente de los estados térmicos cuánticos. Comunicaciones en Física Matemática, 365 (1), 2019. 10.1007/s00220-018-3150-8.
https://doi.org/10.1007/s00220-018-3150-8
[42] Michael J. Kastoryano y Fernando GSL Brandão. Muestreadores cuánticos de Gibbs: el caso de los desplazamientos. Comunicaciones en Física Matemática, 344 (3), 2016. 10.1007/s00220-016-2641-8.
https://doi.org/10.1007/s00220-016-2641-8
[43] Jingxiang Wu y Timothy H. Hsieh. Simulación cuántica térmica variacional a través de estados dobles de termocampo. física Rev. Lett., 123 (22), 2019. 10.1103/PhysRevLett.123.220502.
https: / / doi.org/ 10.1103 / PhysRevLett.123.220502
[44] Anirban Chowdhury, Guang Hao Low y Nathan Wiebe. Un algoritmo cuántico variacional para preparar estados cuánticos de Gibbs. arXiv, 2020. URL https://arxiv.org/abs/2002.00055.
arXiv: 2002.00055
[45] AD McLachlan. Una solución variacional de la ecuación de Schrödinger dependiente del tiempo. Física Molecular, 8 (1), 1964. 10.1080/00268976400100041.
https: / / doi.org/ 10.1080 / 00268976400100041
[46] Héctor Abraham et al. Qiskit: un marco de código abierto para la computación cuántica. 2019. 10.5281/zenodo.2562110.
https: / / doi.org/ 10.5281 / zenodo.2562110
[47] IBM Quantum, 2021. URL https:///quantum-computing.ibm.com/services/docs/services/runtime/.
https: / / quantum-computing.ibm.com/ services / docs / services / runtime /
[48] Sergey Bravyi, Jay M. Gambetta, Antonio Mezzacapo y Kristan Temme. Disminución de qubits para simular hamiltonianos fermiónicos. arXiv, 2017. URL https://arxiv.org/abs/1701.08213.
arXiv: 1701.08213
[49] Abhinav Kandala et al. Eigensolver cuántico variacional eficiente en hardware para moléculas pequeñas e imanes cuánticos. Nature, 549 (7671): 242–246, septiembre de 2017. 10.1038/nature23879.
https: / / doi.org/ 10.1038 / nature23879
[50] Abhinav Kandala, Kristan Temme, Antonio D. Corcoles, Antonio Mezzacapo, Jerry M. Chow y Jay M. Gambetta. La mitigación de errores amplía el alcance computacional de un procesador cuántico ruidoso. Nature, 567 (7749): 491–495, marzo de 2019. 10.1038/s41586-019-1040-7.
https://doi.org/10.1038/s41586-019-1040-7
[51] Jonas M. Kübler, Andrew Arrasmith, Lukasz Cincio y Patrick J. Coles. Un optimizador adaptativo para algoritmos variacionales frugales de medición. Quantum, 4: 263, mayo de 2020. ISSN 2521-327X. 10.22331/q-2020-05-11-263.
https://doi.org/10.22331/q-2020-05-11-263
Citado por
[1] Tobias Haug, Kishor Bharti y MS Kim, "Capacidad y geometría cuántica de circuitos cuánticos parametrizados", arXiv: 2102.01659.
[2] Johannes Jakob Meyer, "Información de Fisher en aplicaciones cuánticas ruidosas de escala intermedia", arXiv: 2103.15191.
[3] Tobias Haug y MS Kim, "Entrenamiento óptimo de algoritmos cuánticos variacionales sin mesetas estériles", arXiv: 2104.14543.
[4] Tobias Haug y MS Kim, "Circuito cuántico parametrizado natural", arXiv: 2107.14063.
[5] Martin Larocca, Nathan Ju, Diego García-Martín, Patrick J. Coles y M. Cerezo, “Teoría de la sobreparametrización en redes neuronales cuánticas”, arXiv: 2109.11676.
[6] Christa Zoufal, David Sutter y Stefan Woerner, "Límites de error para la evolución del tiempo cuántico variable", arXiv: 2108.00022.
[7] Anna Lopatnikova y Minh-Ngoc Tran, "Gradiente natural cuántico para bayes variables", arXiv: 2106.05807.
Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2021-10-23 12:31:38). 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 2021-10-23 12:31:36).
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.
PlatoAi. Web3 reinventado. Inteligencia de datos ampliada.
Haga clic aquí para acceder.
Fuente: https://quantum-journal.org/papers/q-2021-10-20-567/
