学习笔记《Variational Quantum State Eigensolver》

---

前言

关于阅读《Variational Quantum State Eigensolver》（M. Cerezo, Kunal Sharma, Andrew Arrasmith, and Patrick J. Coles. “Variational Quantum State Eigensolver.” arXiv preprint arXiv:2004.01372 (2020).）的一些理解与推导

---

一、文章简介

1.文章主要内容

主要考虑的是矩阵为密度算子的情形。通过变分量子态特征提取器（Variational Quantum State Eigensolver，VQSE）来学习量子态𝜌的最大特征值和门序列V来制备相应的特征向量。

2.文章主要方法

变分量子态特征求解器（VQSE）通过在对角化和优化之间建议来定义代价函数𝐶(𝜃)=𝑇𝑟[𝐻𝑉(𝜃)𝜌𝑉^† (𝜃)]=𝑇𝑟(𝐻𝜌 ̃)来计算预测值和实际值之间的差距，然后不断优化参数𝜃，使代价函数𝐶(𝜃)最小化。从而使估计的特征值（特征向量）与实际特征值（特征向量）的误差随着优化的次数而逐渐减小。

二、VQSE算法中采用的代价函数

1.代价函数

$C(\theta )\equiv ⟨H⟩=Tr\left[HV(\theta )\rho V^{†}(\theta )\right]$

其中, $H$是一个 $n$ 量子比特的哈密顿量，且在标准基下是一个对角阵，其特征能量和相应的特征向量分别依次为 { E k } \left\{ E_{k} \right\} {Ek​}和 { e k } \left\{e_{k} \right\} {ek​}（其中$e_k=e_k^1\cdots e_k^n$，$k=1,\cdots ,2^n$）。此外，假设本征能量是非负的，并且按照递增顺序排列，即$E_k\le E_{k+1}$. $V(\theta )$是一个参数化门序列（酉矩阵，可以通过$V(\theta )$ 生成$\rho$的特征向量），令$\stackrel{\sim }{\rho }=V(\theta )\rho V^{†}(\theta )$，则

$C(\theta )={\sum }_{k=1}^{2^n}{E}_k{p}_k=E\cdot P,$,$p_k=⟨e_k\left|\stackrel{\sim }{\rho }\right|e_k⟩$

其中，$E=\left(E_1,E_2,\cdots \right)$以及$p=\left(p_1,p_2,\cdots \right)$.

标记令$\lambda =\left({\lambda }_1,{\lambda }_2,\cdots \right)$为$\rho$的特征值，且$\rho$和$\stackrel{\sim }{\rho }$拥有相同的特征值（下证）。由于厄米算子的特征值使其对角元素$\lambda \succ p$且有序向量的点积是一个Schur凹函数，则有
$\mathbf{C}\left(\theta \right)=\mathbf{E}\cdot \mathbf{p}\ge \mathbf{E}\cdot \lambda ={\sum }_{\mathbf{k}}{\mathbf{E}}_{\mathbf{k}}{\lambda }_{\mathbf{k}}$
因此，通过 $V(\theta )$将$\rho$的特征基映射到H的特征基可使得$C(\theta )$最小化。由于后者是标准基，因此该过程相当于对角化$\rho$。于是最小化$C(\theta )$和对角化$\rho$密切相关。

相关内容理解与推导

2.代价函数的意义

记 { ∣ λ ∼ i ⟩ } i = 1 m \{ | {\overset{\sim}{\lambda}}_{i}\rangle \}_{i = 1}^{m} {∣λ∼i​⟩}i=1m​和其相关联的${\stackrel{\sim }{\lambda }}_i$分别为估计的特征向量和特征值。定义特征值和特征向量的误差为：
${\epsilon }_{\lambda }\equiv {\sum }_{i=1}^m{\left({\lambda }_i-{\stackrel{\sim }{\lambda }}_i\right)}^2$
${\epsilon }_v\equiv {\sum }_{i=1}^m⟨{\delta }_i|{\delta }_i⟩$
其中，$|{\delta }_i⟩=\rho |{\stackrel{\sim }{\lambda }}_i⟩-{\stackrel{\sim }{\lambda }}_i|{\stackrel{\sim }{\lambda }}_i⟩$.这里$⟨{\delta }_i|{\delta }_i⟩$量化了$\rho |{\stackrel{\sim }{\lambda }}_i⟩$正交于$|{\stackrel{\sim }{\lambda }}_i⟩$的分量。

三.VQSE的理论基础及算法介绍

Input
一个 $n$量子比特的量子态 $\rho$，其中 $\rho ={\sum }_k{\lambda }_k|{\lambda }_k⟩⟨{\lambda }_k|$，且满足特征值降序排列，即对任意 $k=1,\cdots ,rank(\rho )$，满足 ${\lambda }_k\ge {\lambda }_{k+1}$且对于$k\ge rank(\rho )$，满足 Font metrics not found for font: .；一个整数$m$；一个初始化参数化酉矩阵$V(\theta )$。

Output
估计量子态 $\rho$ 的前$m$大特征值，其中 m≪2n，并返回可以从标准基出发生成量子态𝜌 的特征向量的门序列 V(θ).

---

VQSE算法电路图

图来源于文献 M. Cerezo, Kunal Sharma, Andrew Arrasmith, and Patrick J. Coles. “Variational Quantum State Eigensolver.” arXiv preprint arXiv:2004.01372 (2020)
VQSE 通过一个混合量子-经典优化循环来训练拟设𝑉(𝜃)的参数𝜃，这一循环中使用一个量子计算机来评估 VQSE 代价函数
$\left(t,\theta \right)\equiv ⟨H(t)⟩=Tr[H(t)\stackrel{\sim }{\rho }]$

𝐶(𝑡,𝜃)通过将𝑉(𝜃)作用于𝜌并在H(t)上测量得到。循环体中每次量子计算机通过给定的𝜃计算代价函数𝐶(𝑡,𝜃)的值，再由经典计算机确定新𝜃值进入下一循环。最终的全局最小值对应t=1，即
${\theta }_{opt}=\arg \underset{\theta }{\min }C(1,\theta )$

VQSE 的下一步是输出特征值。先作用门序列$V({\theta }_{opt})$，并在标准基 { ∣ z i ⟩ } \left\{ \left| \left. z_{i} \right\rangle \right. \right\} {∣zi​⟩}下进行测量，从而得到𝜌的特征值。令$\mathrm{Pr}(z_i)=⟨z_i|\stackrel{\sim }{\rho }|z_i⟩={\stackrel{\sim }{\lambda }}_i$为得到$z_i$的概率，则将前$m$大概率作为𝜌的前m大特征值。

VQSE的最后一步是输出特征向量。给定二进制串$z_i\in Z$，则可以通过先作用再作用$X^{z_1^i}\otimes X^{z_2^i}\otimes \cdots ⨂X^{z_n^i}$再作用$V{\left({\theta }_{opt}\right)}^{+}$在${|0⟩}^{\otimes n}$上来得到。特征向量存储在量子计算机上，我们可以通过采样来提取该信息。
$|{\stackrel{\sim }{\lambda }}_i⟩=V{\left({\theta }_{opt}\right)}^{+}|z_i⟩$
$|z_i⟩=X^{z_1^i}\otimes X^{z_2^i}\otimes \cdots ⨂X^{z_n^i}{|0⟩}^{\otimes n}$

四. 文章中的数值实验结果

文章比较了用全局代价函数$C_G(\theta )$，局部最优代价函数$C_L(\theta )$，以及适定性代价函数的结果。并且展示了用VQSE来估计$n=4,6,8$三种量子态的第6大特征值的三种代价函数比较结果图。

图来源于文献 M. Cerezo, Kunal Sharma, Andrew Arrasmith, and Patrick J. Coles. “Variational Quantum State Eigensolver.” arXiv preprint arXiv:2004.01372 (2020)

绝对误差为$\frac{1}{{ϵ}_{\lambda }}$ 。当n=4时，由图中可以得到在$\frac{1}{{ϵ}_{\lambda }}$ 小于$10^8$时，局部和适定性哈密顿性能相同，但当$\frac{1}{{ϵ}_{\lambda }}$大于$10^8$时，局部测量最好。当n=6和8时，随着$\frac{1}{{ϵ}_{\lambda }}$ 的增大，适应性哈密顿量表现最优。

由于现阶段量子计算机是有噪音的，所有制备态的电路得到的都是混合态𝜌。假定𝜌的最大特征值对应特征向量$|\psi ⟩$，则VQSE可以用于再纯化𝜌和$|\psi ⟩$。
这是因为当𝑉(𝜃)的电路深度很浅时，可以通过比较𝜌和$|\psi ⟩$的保真度来得到噪音的态𝜎和$|\psi ⟩$的更高保真度的估计，于是可以通过态制备电路为VQSE特征向量制备电路来降低误差。

---

总结

不正确的地方欢迎大家指出！！！