张量网络编程学习笔记（2）：量化多体纠缠门与搭建ADQC

Sauvignon.

已于 2023-07-19 08:11:58 修改

阅读量121

点赞数 1

分类专栏：张量网络编程学习笔记1（ADQC部分）文章标签：学习笔记量子计算 pytorch

于 2023-07-15 17:01:18 首次发布

本文链接：https://blog.csdn.net/weixin_47134520/article/details/131736917

版权

张量网络编程学习笔记1（ADQC部分）专栏收录该内容

12 篇文章 1 订阅

订阅专栏

本章内容是用PyTorch与TN_tutorial 的 Library 搭建VQC（量子变分线路）实例

原教程参照：https://www.bilibili.com/video/BV1vM4y1f7SL/?spm_id_from=333.788&vd_source=639a487e5982bc90bdd8a70273532142

最终解释权归首都师范大学的冉仕举老师所有：

https://space.bilibili.com/401005433

* 演化门和多体门：

* 一个qbit，演化门能让它一直单独地演化下去，与其它qbits不发生任何纠缠

* 目前我们能做的工作仅仅是参数化单体门，至于多体纠缠部分用非参数化门实现

* 为了囊括更多多体纠缠门，我们换个编码思路：可以考虑在两个qbits之间建立优化参数矩阵

* 理论细节可以参照：https://journals.aps.org/pra/abstract/10.1103/PhysRevA.104.042601

* 何为隐门(Latent Gates)

* 首先作为幺正演化算符的G(m)其幺正性并不容易初始化，以及优化更新过程中一路保持

* 于是先定义V(m),整体参数作为2**num_entangled x 2**num_entangled 规模的张量，

* 演化结果、保真度用G(m), 更新与优化用V(m),对应以上图示的 $\widehat{G}$ 和 $\widetilde{G}$

* 编码样例与思路：

* 准备量子态，门演化的实例，依然是Tensor_pure_state，act_single_gate：

num_qubits, num_gates = 3, 4
psi_target = tc.randn((2**num_qubits, ), dtype=tc.complex128)
psi_target /= psi_target.norm()

* 存储隐门，开一个4个一组的list：

V = [tc.randn((4, 4), dtype=tc.complex128,
              requires_grad=True) for _ in range(num_gates)]
optimizer = Adam(V, lr=lr)

* 不打断反向传播链，V -- U，扔掉奇异谱：

for t in range(it_time):
    # 从隐门生成幺正门
    U = list()
    for x in V:
        P, S, Q = tc.linalg.svd(x)
        U.append(P.mm(Q))
    # 建立初态|000>
    psi = qs.state_all_up(n_qubit=3, d=2)
    psi = qs.TensorPureState(psi)
    # 作用各个量子门
    psi.act_single_gate(U[0], [0, 1])
    psi.act_single_gate(U[1], [1, 2])
    psi.act_single_gate(U[2], [0, 1])
    psi.act_single_gate(U[3], [1, 2])

* 还是把 V 整组作为参数进行梯度下降，非保真度的 $1-<\varphi *|\varphi >$ 计算如此：

    loss = 1 - psi.tensor.conj().flatten().dot(
        psi_target).norm()
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

* 完整代码：

import torch as tc
import matplotlib.pylab as plt
import LibraryQ.QuantumState as qs
from torch.optim import Adam


lr, it_time = 1e-3, 2048  # 初始学习率与迭代总次数

print('随机生成目标态')
num_qubits, num_gates = 3, 4
psi_target = tc.randn((2**num_qubits, ), dtype=tc.complex128)
psi_target /= psi_target.norm()

print('初始化4个隐门并建立优化器')
V = [tc.randn((4, 4), dtype=tc.complex128,
              requires_grad=True) for _ in range(num_gates)]
optimizer = Adam(V, lr=lr)

loss_rec = tc.zeros(it_time, )
print('开始优化')
for t in range(it_time):
    # 从隐门生成幺正门
    U = list()
    for x in V:
        P, S, Q = tc.linalg.svd(x)
        U.append(P.mm(Q))
    # 建立初态|000>
    psi = qs.state_all_up(n_qubit=3, d=2)
    psi = qs.TensorPureState(psi)
    # 作用各个量子门
    psi.act_single_gate(U[0], [0, 1])
    psi.act_single_gate(U[1], [1, 2])
    psi.act_single_gate(U[2], [0, 1])
    psi.act_single_gate(U[3], [1, 2])

    loss = 1 - psi.tensor.conj().flatten().dot(
        psi_target).norm()
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()
    loss_rec[t] = loss.item()
    if t % 20 == 19:
        print('第%d次迭代，loss = %g' % (t, loss.item()))

plt.plot(loss_rec)
plt.xlabel('iteration time')
plt.ylabel('loss')
plt.show()

*效果对比：

目标态：(两个子程序生成的一个给两者共享)

psi_target = tc.tensor([-0.2682+0.0988j, -0.0066-0.0570j, -0.2828-0.0667j,  0.0020-0.4100j,
         0.0517+0.1907j,  0.0315+0.3045j,  0.6354+0.1356j, -0.2015-0.2588j],
       dtype=tc.complex128)

基于量子门实体线路的参数化：