量子计算论文精讲 | 在变分量子算法中的利用对称性

最新推荐文章于 2024-09-13 16:27:15 发布

量子小Q

最新推荐文章于 2024-09-13 16:27:15 发布

阅读量910

点赞数 22

分类专栏：量子计算论文精讲文章标签：量子计算算法

本文链接：https://blog.csdn.net/2401_83053014/article/details/136287692

版权

量子计算论文精讲专栏收录该内容

15 篇文章 6 订阅

订阅专栏

点击查看原文

分享人：吕楚凡电子科技大学博士研究生

内容简介：

目前，变分量子算法由于其在含噪声中等规模量子设备上的适应性和实用性而备受关注，其中主要包括变分量子本征求解器和若干量子机器学习应用。然而，由于量子系统在物理实现上的复杂性，这些算法在实际运行时始终面临量子噪声和有限的量子资源等挑战。在物理学中，对称性对于我们理解和简化复杂系统起到了非常重要的作用。而对称性在机器学习中也得到了广泛应用。本次，将介绍两篇文章，其中第一篇文章主要关注在变分量子本征求解器中利用目标系统的对称性以简化量子电路和提升算法性能。第二篇文章则考虑到在量子机器学习的训练任务和训练数据中存在的对称性，比如图像分类中图片数据的平移旋转。

相关论文1

标题：Symmetry enhanced variational quantum spin eigensolver
作者：Chufan Lyu, Xusheng Xu, Man-Hong Yung, and Abolfazl Bayat

期刊：Quantum 7, 899 (2023)

相关论文2

标题：Exploiting Symmetry in Variational Quantum Machine Learning
作者：Johannes Jakob Meyer, Marian Mularski, Elies Gil-Fuster, Antonio Anna Mele, Francesco Arzani, Alissa Wilms, and Jens Eisert

期刊：PRX Quantum 4, 010328 (2023)

点击查看讲解视频

01 引言

在当前含噪声中等规模量子设备中，相干时间相对较短、初始化不完善、量子操作噪声和读出错误是具有代表性的几个问题。每个量子设备都会遇到其中一个或几个。对于变分量子算法的开发目的是在没有量子纠错的前提下，通过使用相对较短的量子电路来利用量子计算机的计算能力解决对于经典计算机来说较难的问题。其中，变分量子算法比较重要的应用包括变分量子本征求解器和量子机器学习。在量子硬件的限制下，变分量子算法的实现大多局限于小规模系统或某些特定问题。

对称性是物理学中最重要的概念之一，大多数物理系统存在着各种形式的对称性。而对于量子模拟，对称性已应用于误差缓解、量子态制备等领域。变分量子算法则同样能受益于对于对称性的利用。一般来说，在变分量子算法中结合对称性的方法有两种：

（1）设计变分量子电路使得其与目标对称性算子对易，随后通过选择合适的初始化电路令最终输出的量子态具有目标对称性；

（2）在变分量子算法的cost function中加入相应的惩罚项，即那些在输出端不具有目标对称性的量子态受到惩罚。

02 Symmetry enhanced variational quantum spin eigensolver

该文章探讨了对称性对于变分量子本征求解器的基态以及激发态制备的性能提升。他们展示了两种不同的对称性结合方案。一种为硬件对称保持，即通过电路设计包含所有目标对称性。结果表明这种方案在量子和经典资源方面都更高效。但是，设计一个能够集成所有对称性的电路是一般来说困难的。因此，第二种对称性方案，即混合对称保持，可能更实际。这种方案结合硬件对称性和cost fucntion中的惩罚项，以便在保持电路设计相较简单的同时利用更多的目标对称性。

海森堡哈密顿量含有若干对称性，因此将其作为例子可以很好的探讨对称性对于变分算法的性能提升。其形式为：

图1（来源：Quantum 7, 899 (2023))

在基态模拟任务中，首先使用了没有任何对称性的Hardware efficient ansatz，如图1(a)所示。虽然提出了两种对称性保持线路，其中有conserving ansatz保证演化中total spin的z component不变，线路如图1(c)所示。还有conserving ansatz包含了total spin对称性，线路如图1(d)所示。

图2（来源：Quantum 7, 899 (2023))

通过数值模拟结果可以发现，利用对称性在量子资源和经典资源上都更为高效。如图2所示，对于16个qubit的海森堡模型，使用5层conserving ansatz即可得到0.95以上的保真度。而5层的Hardware efficient ansatz，所包含的变分参数比对称性电路高，且保真度只能达到0.4左右。而15层的Hardware efficient ansatz在量子资源（这里指双量子比特门的数量）的占用上和conserving ansatz相同，但所需的经典资源（指变分参数的数量乘以收敛所需的优化步数）要多得多。

图3（来源：Quantum 7, 899 (2023))

而在激发态模拟上，利用对称性而获得的提升则更为明显。目前已有的激发态制备方案对于量子资源的要求的较高。该文章在选择Subspace-search变分量子本征求解器为激发态制备算法的基础上，对海森堡模型的前四个最低能级进行制备探讨对称性的作用。Subspace-search变分量子本征求解器通过使用一组相互正交的初始态（即，作为一个变分量子电路的输入。由于酉演化的特性，电路的末态仍然保持正交性。因此，通过优化以下cost function可以同时得到最低个能级的本征态：

其中。然而，这个算法在制备的本征态数量变大时，所需的量子资源也变得十分多。对于使用Hardware efficient ansatz，其数值模拟结果如图3所示。可以看到，由于海森堡模型的第一第二激发态简并度为3，所以不利用对称性的情况下想要得到前四个能级的本征态需要设。而第二激发态的结果并不理想。同时，随着电路层数的增加，所需的优化步数也变得很多。

通过利用基态和第三激发态具有的对称性和第一第二激发态不同这一特性，我们可以通过分别模拟不同的对称性子空间降低问题复杂度。如上表所示，两种对称性结合方案都能以高保真度近似海森堡最低四能级的本征态。可以发现，硬件对称性保持方案比混合对称性保持方案得到的保真度更高，尽管线路中的单量子比特旋转门更少。然而，这种方案对于初始态的制备要求更高，而混合对称性保持方案对于一般情况则要求更低，对于实际应用使用倾向性可能更高。

03 Exploiting Symmetry in Variational Quantum Machine Learning

图4（来源：PRX Quantum 4, 010328 (2023)）

该论文旨在利用数据中内在的对称性提高量子机器学习模型的性能。他们提出了一种构造变分量子电路的方法，使得电路在对称性输入或操作下输出结果不变。这一点是通过他们提出的门对称化过程实现的。对于任意量子门集合，对称化过程是通过twirling操作应用到集合中的所有量子门实现。而twirling操作是定义为：将量子门对于一个对称性群中所有对称性所对应的酉演化进行平均得到。例如说，对于一个门，有

最终得到的门有。一旦整个量子门集合都经过门对称化过程，就进行对称性量子电路的构造。而这一步是通过简单地将已有的ansatz中的门替换成所得到的对称化门实现的。这里再度用一个例子来说明。假设我们有数据点，而对于一个简单的分类任务，有

即坐标的交换（交换对称性）和两个坐标的同时符号反转不会改变结果（符号反转对称性）。若在这个训练任务中，我们使用的数据嵌入方式是

同时假设我们可用的量子门集合为

其中门下标表示门作用在具体哪个量子比特。那么，对于门，针对交换对称性进行门对称化操作，有

其余的量子门的对称化过程相似。我们可以看到和过程中都投影到同一个算子，因此可得针对交换对称性的对称化量子门集合

而对于符号反转对称性，有

这里利用了。上述计算对于相似，因为也有。因此可得针对交换对称性的对称化量子门集合

而两者结合可得

可以明显看到，利用对称性可以大幅精简可用的门操作。但同时，这也使得变分电路的表达性减弱。因此，在实际应用中，在对称化操作中获得的门操作精简和变分电路的表达性减弱，这两者之间的取舍始终要进行考量。

图5（来源：PRX Quantum 4, 010328 (2023)）

为了更多地展示对称化方法的性能，这里举出一个井字游戏的例子。我们需要训练一个量子机器学习模型，给出一局游戏，判断是圈赢还是叉赢。这一分类任务有一个非平凡的对称性群，即旋转板子并且围绕旋转轴移动棋子并不应该影响分类结果。如图五的最左边子图所示。假设我们将叉表示为，圆圈表示为，空白表示为，则这个33的棋盘就可转换为33的矩阵。而我们使用的数据嵌入方式如图5的encoding板块所示。得到的对称化门操作也是针对这个旋转对称性给出。对于单量子比特门，我们选择使用。而对称化操作则如图五所示，单量子比特比特门需同时作用在所有等价（根据旋转对称性）的量子比特上，比如所有标记为绿色方块的量子比特。这些同时作用的单量子比特门共享同一组参数。而对于所选择的纠缠量子门也是一样的。通过这样我们得到了可用的对称化量子门集合。

图6（来源：PRX Quantum 4, 010328 (2023)）

在数值模拟时，比较了对称化的模型和非对称化模型在训练集和测试集的分类正确率。非对称化的模型是在对称化模型的基础上取消了共享参数的限制。因此，它会有更多的训练参数，且变分电路的表达性也会更高。图6展示了对称化模型和非对称化模型的分类正确率差。可以看到，对称化模型在训练集上的表现比非对称化模型要稍差。但是，其泛化能力，体现在其测试集上的正确率，要比非对称化模型明显强。这也符合之前的分析，即使用对称性会使得电路的表达性降低。但同时也使得其在训练集和测试集上的取得的表现相似，这表明在电路表达性上的取舍比较好。