量子计算论文精讲 | 量子机器学习训练的Koopman加速

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

内容简介

相关论文

论文复现代码

01 Koopman Operator线性化的简单示例

02 如何利用Koopman Operator来刻画新的系统？

03 对量子机器学习训练的加速

04 复现结果

---

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

点击查看原文