学习笔记《Variational Quantum State Eigensolver》

本文链接：https://blog.csdn.net/qq_34571312/article/details/129297149

文章介绍了VQSE算法，一种用于学习量子态最大特征值和门序列的方法。通过变分法定义代价函数，不断优化参数以最小化误差。详细阐述了代价函数的意义，包括估计特征值和特征向量的误差。实验结果对比了全局、局部和适定性代价函数在不同量子比特数下的性能，显示了适应性哈密顿量在高精度要求时的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

$C(\theta) \equiv \left\langle H \right\rangle = Tr\left\lbrack HV(\theta)\rho V^{\dagger}(\theta) \right\rbrack$

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 $\left\{ E_{k} \right\}$ 和 $\left\{e_{k} \right\}$ （其中 $e_{k} = e_{k}^{1}\cdots e_{k}^{n}$ ， $𝑘=1,⋯,2^𝑛$ ）。此外，假设本征能量是非负的，并且按照递增顺序排列，即 $E_{k} \leq E_{k + 1}$ . $𝑉(\theta)$ 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 $\overset{\sim}{\rho} = V(\theta)\rho V^{\dagger}(\theta)$ ，则

$C(\theta) = {\sum_{k = 1}^{2^{n}}{E_{k}p_{k} = E \cdot P,~}}$ , $p_{k} = \left\langle e_{k} \middle| \overset{\sim}{\rho} \middle| e_{k} \right\rangle$

其中， $\left( E_{1},E_{2},\cdots \right)$ 以及 $\left( p_{1},p_{2},\cdots \right)$ .

标记令 $\mathbf{\lambda} = \left( \lambda_{1},\lambda_{2},\cdots \right)$ 为 $\rho$ 的特征值，且 $\rho$ 和 $\overset{\sim}{\rho}$ 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 $\lambda≻𝑝$ 且有序向量的点积是一个Schur凹函数，则有
$\mathbf{C}\left( \mathbf{\theta} \right) = \mathbf{E} \cdot \mathbf{p} \geq \mathbf{E} \cdot \mathbf{\lambda} = {\sum_{\mathbf{k}}{\mathbf{E}_{\mathbf{k}}\mathbf{\lambda}_{\mathbf{k}}}}$
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

在这里插入图片描述

2.代价函数的意义

记 $\{ | {\overset{\sim}{\lambda}}_{i}\rangle \}_{i = 1}^{m}$ 和其相关联的 ${\overset{\sim}{\lambda}}_{i}$ 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：
$\varepsilon_{\lambda} \equiv {\sum_{i = 1}^{m}\left( {\lambda_{i} - {\overset{\sim}{\lambda}}_{i}} \right)^{2}}$
$\varepsilon_{v} \equiv {\sum_{i = 1}^{m}\left\langle \delta_{i} \middle| \delta_{i} \right\rangle}$
其中， $\left| \left. \delta_{i} \right\rangle \right. = \rho\left| \left. {\overset{\sim}{\lambda}}_{i} \right\rangle \right. - {\overset{\sim}{\lambda}}_{i}\left| \left. {\overset{\sim}{\lambda}}_{i} \right\rangle \right.$ .这里 $\left\langle \delta_{i} \middle| \delta_{i} \right\rangle$ 量化了 $\rho\left| \left. {\overset{\sim}{\lambda}}_{i} \right\rangle \right.$ 正交于 $\left| \left. {\overset{\sim}{\lambda}}_{i} \right\rangle \right.$ 的分量。
在这里插入图片描述

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 $\mathbf{\rho} = {\sum_{{k}}{{\lambda}_{{k}}| \mathbf{\lambda}_{{k}}\rangle \langle \mathbf{\lambda}_{{k}} |}}$ ，且满足特征值降序排列，即对任意 $𝑘=1,⋯,𝑟𝑎𝑛𝑘(\rho)$ ，满足 ${\lambda}_{{k}} \geq {\lambda}_{{k} + 1}$ 且对于 $\geq𝑟𝑎𝑛𝑘(\rho)$ ，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
$\left( {t,\theta} \right) \equiv \left\langle {H(t)} \right\rangle = Tr\lbrack H(t)\overset{\sim}{\rho} \rbrack$

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
$\theta_{opt} = {\arg{\min\limits_{\theta}{C(1,\theta)}}}$

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 $\left\{ \left| \left. z_{i} \right\rangle \right. \right\}$ 下进行测量，从而得到𝜌的特征值。令 ${\Pr( z_{i} )} = \langle z_{i} | \overset{\sim}{\rho} | z_{i} \rangle = {\overset{\sim}{\lambda}}_{i}$ 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 $𝑧_𝑖\in𝑍$ ，则可以通过先作用再作用 $X^{z_{1}^{i}} \otimes X^{z_{2}^{i}} \otimes \cdots\bigotimes X^{z_{n}^{i}}$ 再作用 $V\left( \theta_{opt} \right)^{+}$ 在 $\left| \left. 0 \right\rangle \right.^{\otimes n}$ 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。
${\overset{\sim}{\lambda}}_{i}\rangle = V\left( \theta_{opt} \right)^{+}\left| \left. z_{i} \right\rangle \right.$
$\left| \left. z_{i} \right\rangle \right. = X^{z_{1}^{i}} \otimes X^{z_{2}^{i}} \otimes \cdots\bigotimes X^{z_{n}^{i}}\left| \left. 0 \right\rangle \right.^{\otimes n}$

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。
在这里插入图片描述
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 $\frac{1}{\epsilon_{\lambda}}$ 。当n=4时，由图中可以得到在 $\frac{1}{\epsilon_{\lambda}}$ 小于 $10^8$ 时，局部和适定性哈密顿性能相同，但当 $\frac{1}{\epsilon_{\lambda}}$ 大于 $10^8$ 时，局部测量最好。当n=6和8时，随着 $\frac{1}{\epsilon_{\lambda}}$ 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 $|\psi\rangle$ ，则VQSE可以用于再纯化𝜌和 $|\psi\rangle$ 。
这是因为当𝑉(𝜃)的电路深度很浅时，可以通过比较𝜌和 $|\psi\rangle$ 的保真度来得到噪音的态𝜎和 $|\psi\rangle$ 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。