欢迎大家关注量子计算HiQ公众号
分享人:王帅康 复旦大学 硕士研究生
目录
02 如何利用Koopman Operator来刻画新的系统?
内容简介
与经典机器学习类似,在量子机器学习的VQE方法中,我们同样需要借助梯度类算法(如梯度下降,Adam等)来调节参数以优化哈密顿量对应的能量值。然而与经典机器学习不同的是,在量子计算中,梯度的获取依赖于测量,而测量是一个相对昂贵的计算开销,因此,我们希望通过不依赖梯度的方法来加速VQE算法的学习过程。Koopman算子是动力系统领域的线性化手段。这里,我们将参数的训练过程视为动力系统中的演化轨迹,并希望借助Koopman算子理论对演化轨迹进行预测。利用MindSpore Quantum框架,我们便捷地实现了上述加速训练过程。
相关论文
标题:Koopman Operator learning for Accelerating Quantum Optimization and Machine Learning
作者:Di Luo, Jiayu Shen, Rumen Dangovski, Marin Soljačić
arXiv: 2211.01365(2022年11月2号)
论文复现代码
代码链接:https://gitee.com/mindspore/mindquantum/tree/research/paper_recurrence/2023/01_whisky98
点击下方链接观看视频:
https://www.koushare.com/lives/room/638149
01 Koopman Operator线性化的简单示例
Koopman Operator是一个线性化的工具,可以通过以下例子了解:
假设有一个动力系统,
当f表示一个矩阵,这个动力系统的演化可以用谱分解的方式得到,在实际问题中,我们碰到的动力系统大部分都是非线性的,所以我们关注的问题是否存在
,使得:
将非线性的动力系统转化成线性的动力系统,再通过线性的工具分析,而Koopman Operator是一个线性化的工具,我们再通过以下例子证明:
考虑一个两个变量的动力系统:
对动力系统做一个变换,引入一个变量
做变换
可以得到:
for
可以发现三个变量的动力系统变成了线性的动力系统,
考虑离散的动力系统:
其中
是状态空间上的演化规则。当时间t是离散的,上式即为:
定义观测函数
,可以认为g是一种状态空间的观测方式,本文使用
代表这样的函数构成函数空间。Koopman Operator
是作用在
上的动力系统的演化规则,即
的定义如下,对于任意的x,有:
对于离散的动力系统,即为:
经由Koopman Operator,我们可以将原先的动力系统
转化为新的动力系统
。
当
是线性的函数空间时,可以验证,无论
是不是线性的,Koopman Operator
都是线性的:
02 如何利用Koopman Operator来刻画新的系统?
当选定观测向量g(.)时,我们便可以在时间t=0,1,2….,m时采集数据,得到数据矩阵
如下:
考虑优化问题
对于该问题,我们有显式解
得到K后,我们可以对其作谱分解,有:
进一步,可以借此刻画状态的演变:
03 对量子机器学习训练的加速
Koopman Operator加速的过程不只适用于量子机器学习,对一般的迭代法也是适用的。在量子机器学习上做一次梯度下降,需要通过测量来得到相应的数值,代价比做一个真实的机器学习梯度下降的代价要大很多,而Koopman Operator的整个学习过程不需要用到梯度的信息,只用之前的参数序列,所以Koopman Operator的适用性比较强。
下图是对量子机器学习训练加速的过程:
来源:arXiv:2211.01365
实验结果
从上图可以看出用Koopman Operator加速是非常快的。
04 复现结果
在本次代码复现中,主要完成两个生成器,
(1)给定一个参数的初始点,产生一个n步优化器下降序列,
(2)输入一个序列,可以返回Koopman Operator迭代的初始点
来源:arXiv:2211.01365
“raw'曲线代表fulL_vqe,可以发现dmd类方法对训练过程有明显的加速效果。在实验中我们设定每走十步便对参数序列做一次Koopman学习,选取新的选代初始点, 图中可以明显发现与dmd方法相关的两条曲线每走十步都会有一次跌落式下降, 且sw_dmd比dmd下降得更快。
扫码查看论文复现代码
· End ·
期待您成为新时代的开源贡献者
加入MindSpore Quantum的开发者行列,携手推进量子计算新发展!
长按下方二维码加入MindSpore Quantum项目↓
MindSpore Quantum官方资料
Gitee社区:https://gitee.com/mindspore/mindquantum
HiQ官网:https://hiq.huaweicloud.com/tutorial
MindSpore官网:https://www.mindspore.cn/mindquantum/docs/zh-CN/r0.8/index.html