[論文レビュー] A framework for engineering quantum likelihood functions for expectation estimation

Dax Enshan Koh, Guoming Wang+2 more|arXiv (Cornell University)|Jun 16, 2020

Quantum Computing Algorithms and Architecture参考文献 16被引用数 6

ひとこと要約

この論文は、量子期待値推定における事後分散を最小化するための量子尤度関数（ELFs）を設計するフレームワークを紹介する。パラメータ付き量子回路から解析的に尤度関数を導出し、調整可能なパラメータを最適化することで、量子観測量におけるベイズ推論の精度が向上する。

ABSTRACT

We develop a framework for characterizing and analyzing engineered likelihood functions (ELFs), which play an important role in the task of estimating the expectation values of quantum observables. These ELFs are obtained by choosing tunable parameters in a parametrized quantum circuit that minimize the expected posterior variance of an estimated parameter. We derive analytical expressions for the likelihood functions arising from certain classes of quantum circuits and use these expressions to pick optimal ELF tunable parameters. Finally, we show applications of ELFs in the Bayesian inference framework.

研究の動機と目的

• パラメータの不確実性下での正確な量子期待値推定の課題に対処すること。
• 期待事後分散を最小化する尤度関数を体系的に設計する手法を開発すること。
• パラメータ付き量子回路における調整可能なパラメータを最適化することで、量子メトロロジーにおける改善されたベイズ推論を可能にすること。
• 特定の量子回路クラスにおける尤度関数の解析的表現を提供し、パラメータ最適化を支援すること。
• 量子回路設計と統計的推論の間のギャップを埋め、頑健な量子測定結果を実現すること。

提案手法

• パラメータ付き量子回路における調整可能なパラメータを含む、期待値推定問題をベイズ推論タスクとして定式化する。
• 特定のクラスの量子回路から生じる尤度関数の解析的表現を導出し、閉形式での最適化を可能にする。
• 推定された観測量パラメータの期待事後分散を最小化するように調整可能なパラメータを最適化する。
• 導出された尤度関数をベイズ推論フレームワーク内に適用し、推定精度を向上させる。
• 変分量子回路構造を用いて尤度関数をパラメータ化し、効率的な最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 期待値推定における事後分散を最小化するように、量子尤度関数を体系的に設計する方法は何か？
• RQ2 パラメータ付き量子回路の特定のクラスに対して、尤度関数がどのような解析的形を取るか？
• RQ3 量子回路内のどの調整可能なパラメータが、ベイズ推定における最適な事後分散低減に寄与するか？
• RQ4 提案されたフレームワークは、標準的手法と比較して、量子観測量推定の正確性と頑健性をどのように向上させるか？
• RQ5 設計された尤度関数は、量子アプリケーションにおけるベイズ推論の性能をどのように向上させるか？

主な発見

• 特定の量子回路クラスに対して、尤度関数の解析的導出が可能となり、精密な最適化が可能になる。
• 分散最小化を通じて最適な調整可能なパラメータが同定され、パラメータ推定における事後不確実性が顕著に低減される。
• ベイズフレームワーク内での尤度関数の体系的設計により、期待値推定の精度が向上する。
• 導出された尤度関数は、期待事後分散を最小化するのに有効であることが示され、推定の信頼性が向上する。
• 改善された推論性能を通じて、量子メトロロジーおよび量子センシングにおける実用的応用が示された。