[論文レビュー] Hybrid Ground-State Quantum Algorithms based on Neural Schrödinger Forging

Paulin de Schoulepnikoff, Oriel Kiss+3 more|arXiv (Cornell University)|Jul 5, 2023

Quantum many-body systemsPhysics and Astronomy参考文献 53被引用数 3

ひとこと要約

本論文は、可変量子固有状態計算（VQE）ワークフローにおけるもつれ鋳造を高速化するために、自己回帰的ニューラルネットワークを用いたハイブリッド量子古典アルゴリズムを提案する。生成モデルによって最も関連性の高いビットストリングを学習することで、スチェドール状態の指数的合計を回避し、スケーラブルな基底状態エネルギー推定を可能にし、標準的なもつれ鋳造と比較して、より高い効率性と正確性を実現する。

ABSTRACT

Entanglement forging based variational algorithms leverage the bi-partition of quantum systems for addressing ground state problems. The primary limitation of these approaches lies in the exponential summation required over the numerous potential basis states, or bitstrings, when performing the Schmidt decomposition of the whole system. To overcome this challenge, we propose a new method for entanglement forging employing generative neural networks to identify the most pertinent bitstrings, eliminating the need for the exponential sum. Through empirical demonstrations on systems of increasing complexity, we show that the proposed algorithm achieves comparable or superior performance compared to the existing standard implementation of entanglement forging. Moreover, by controlling the amount of required resources, this scheme can be applied to larger, as well as non permutation invariant systems, where the latter constraint is associated with the Heisenberg forging procedure. We substantiate our findings through numerical simulations conducted on spins models exhibiting one-dimensional ring, two-dimensional triangular lattice topologies, and nuclear shell model configurations.

研究の動機と目的

• スチェドール分解におけるすべてのビットストリングの指数的合計に起因するもつれ鋳造のスケーラビリティのボトルネックを解消すること。
• スピンチェーン、三角格子、核殻モデルなどの、より大きなサイズで非置換不変性を示す量子系における基底状態エネルギー推定を可能にすること。
• ブルートフォースによる状態列挙をデータ効率の良いニューラル生成による関連基底状態の生成に置き換えることで、可変量子アルゴリズムにおける計算オーバーヘッドを低減すること。
• トレーニング可能なカットオフ機構による基底状態数の制御を通じて、VQE最適化のロバストネスと収束性を向上させること。

提案手法

• 本手法は、スチェドール分解において最も関連性の高いビットストリングの集合を生成する自己回帰的ニューラルネットワーク（ARNN）を用い、全指数的合計の必要性を排除する。
• ARNNは、スチェドール係数が大きいビットストリングの分布をモデル化するために、逆KLダイバージェンス、logcosh、またはMMD損失関数を用いて訓練される。
• カットオフ機構により生成されるビットストリングの数が制限され、リソース使用量の制御と過学習の防止が可能になる。
• 量子回路は、生成されたビットストリングを用いてVQEにより最適化され、スチェドール係数はネステロフの加速勾配降下法により更新される。
• アルゴリズムはハイブリッドトレーニング方式を採用しており、量子回路パラメータは10ステップごとにAdaBeliefを用いて更新され、同時にスチェドール係数とARNNも並列で更新される。
• 最終的な状態は、選択されたビットストリングからの最適化されたユニタリ行列とスチェドール係数を組み合わせることで、古典的に再構成される。

実験結果

リサーチクエスチョン

• RQ1 生成的ニューラルネットワークは、もつれ鋳造におけるすべてのビットストリングの指数的合計を効果的に置き換えることができるか、その結果としてスケーラビリティが向上するか？
• RQ2 神経的シュレーディンガー鋳造法は、標準的なもつれ鋳造と比較して、基底状態エネルギーの正確性とリソース効率性においてどのように性能を発揮するか？
• RQ3 本手法は、外部磁場がランダムなスピン系や核殻モデルのような置換不変性を示さない系に対しても、どの程度適用可能か？
• RQ4 ビットストリング数に対するトレーニング可能なカットオフの導入は、最適化プロセスにおける収束性の向上と過学習の低減に寄与するか？

主な発見

• 提案されたニューラルシュレーディンガー鋳造法は、基底状態エネルギーの推定値を、使用する基底状態数を減らしても、標準的なもつれ鋳造と同等またはそれ以上の精度で達成している。
• アルゴリズムは、一次元スピンチェーン、外部磁場がランダムな二次元三角格子、および核殻モデルに対しても基底状態エネルギーを効果的に計算でき、広範な適用可能性を示している。
• MMDまたはlogcosh損失関数を用いたARNNの使用は、特に不確実性が高い状態で、逆KLダイバージェンスに比べてより安定した学習と優れた一般化性能を実現している。
• 本手法は自然にカットオフ機構を組み込んでおり、必要な量子回路数を制限し、計算コストを著しく低減しながらも、正確性を損なわない。
• 数値シミュレーションの結果、スチェドール分解に顕著に寄与するのは通常上位7〜10個のビットストリングに限られ、神経的選択プロセスの効率性が裏付けられている。
• 最終的に生成されたビットストリングの集合は、最も重要なスチェドール係数とよく一致しており、最大の係数に対応するビットストリングがトレーニング中に最も頻繁にサンプリングされている。