[論文レビュー] Practical Black Box Hamiltonian Learning

Andi Gu, Łukasz Cincio+1 more|arXiv (Cornell University)|Jun 30, 2022

Quantum many-body systems被引用数 6

ひとこと要約

この論文は、導出推定と正確な誤差境界を活用することで、ハミルトニアン局所性 $k$ に関するスケーリングを改善する実用的なブラックボックスハミルトニアン学習プロトコルを提示する。これにより、ユニタリーやギブス状態のダイナミクスにおける最適なハイパーパrameter（例えば、時間発展演算時間や温度）の選定が可能となり、繰り返し共役作用素のノルムに関する改善された理論的境界のおかげで、クエリコストを著しく削減した80量子ビットのシミュレーションが実現された。

ABSTRACT

We study the problem of learning the parameters for the Hamiltonian of a quantum many-body system, given limited access to the system. In this work, we build upon recent approaches to Hamiltonian learning via derivative estimation. We propose a protocol that improves the scaling dependence of prior works, particularly with respect to parameters relating to the structure of the Hamiltonian (e.g., its locality $k$). Furthermore, by deriving exact bounds on the performance of our protocol, we are able to provide a precise numerical prescription for theoretically optimal settings of hyperparameters in our learning protocol, such as the maximum evolution time (when learning with unitary dynamics) or minimum temperature (when learning with Gibbs states). Thanks to these improvements, our protocol is practical for large problems: we demonstrate this with a numerical simulation of our protocol on an 80-qubit system.

研究の動機と目的

• 限られた古典的アクセスの下で、量子多体系のハミルトニアンを効率的に学習する課題に対処すること。
• ハミルトニアン局所性 $k$ や系サイズへの依存性の改善により、従来の方法の指数的リソーススケーリングを克服すること。
• 繰り返し共役作用素ノルムから導出された正確な誤差境界を用いて、理論的に最適なハイパーパrameter設定（例：時間発展演算時間、温度）を提供すること。
• 厳密な性能境界とクエリ最適化を通じて、ハミルトニアン学習を大規模系（例：80量子ビット）に実用的に応用可能にするための基盤を提供すること。
• 信頼できるシミュレータを介する量子チャネルを除いた、古典的相互作用下でのハミルトニアン学習のフレームワークを確立すること。これにより、実験的実現可能性を保証する。

提案手法

• プロトコルは、時間発展演算状態 $\rho(t) = e^{-iHt}\rho_0 e^{iHt}$ やギブス状態 $\rho(\beta) = e^{-\beta H}/\Tr(e^{-\beta H})$ に対する古典的アクセスを用い、$t$ や $\beta$ を制御し、局所的観測量 $O$ を測定する。
• ユニタリーや熱的状態の両方に対して、期待値 $\Tr(O\rho(x))$ を関数 $f_{\text{SPAM}}(x)$ として定義し、微分に基づく学習を可能にする。
• 相互作用グラフの平均次数 $\overline{\mathscr{D}}$ を用いて、繰り返し共役作用素 $\| [H^m, P] \|$ のノルムに対する正確な境界を導出する。これにより、従来の過大評価を伴う $\mathscr{D}$ の代わりに、より精密な評価が可能となる。
• 2つの最適化問題を定式化する：1つは最適な時間発展演算時間 $A$ と時間ステップ数 $L$ を選択することでモデリング誤差を最小化するもの、もう1つは信号強度に応じて時間ステップごとに測定を割り当てることでノイズ誤差を最小化するもの。
• ラグランジュ乗数を用いて最適なクエリ割り当てを導出し、$N_\ell \propto \sqrt{c_\ell}$ の関係が得られる。ここで $c_\ell$ はチェビシェフ多項式の項と信号分散に依存する。
• 理論的誤差境界は $\overline{\mathscr{D}}$ に対して線形に依存し、数値シミュレーションでは $\mathscr{D}$ を $\overline{\mathscr{D}}$ に置き換えることで、クエリ数に $\gtrsim (\mathscr{D}/\overline{\mathscr{D}})^2$ の要因で性能向上が確認された。

実験結果

リサーチクエスチョン

• RQ1 ハミルトニアン局所性 $k$ に関するスケーリングを改善することで、大規模系に対するハミルトニアン学習を実用的に行えるか？
• RQ2 理論的誤差境界をどのように厳密化すれば、時間発展演算時間や温度の正確で最適なハイパーパrameter選定が可能になるか？
• RQ3 最悪ケースの相互作用次数 $\mathscr{D}$ を平均次数 $\overline{\mathscr{D}}$ に置き換えることで、アルゴリズムの性能とクエリ効率にどのような影響が生じるか？
• RQ4 ノイズ誤差の推定を最小化するために、測定リソースを時間ステップ間でどのように最適に割り当てられるか？
• RQ5 理論的境界と実測誤差の一致度が、$\mathscr{D}$ ではなく $\overline{\mathscr{D}}$ を用いることでどの程度向上するか？

主な発見

• 最悪ケースの次数 $\mathscr{D}$ を平均次数 $\overline{\mathscr{D}}$ に置き換えることで、必要なクエリ数が著しく削減され、性能向上要因が $\gtrsim (\mathscr{D}/\overline{\mathscr{D}})^2$ に達した。
• 数値的シミュレーションにより、$\overline{\mathscr{D}}$ を用いたヒューリスティック境界が、繰り返し共役作用素の実測ノルムと非常に近い値を示し、実用的応用における妥当性が裏付けられた。
• 理論的モデリング誤差境界は $\overline{\mathscr{D}}$ に対して線形に依存し、$\overline{\mathscr{D}}$ を用いた場合、理論とシミュレーションの間で強い一致が確認された。
• $N_\ell \propto \sqrt{c_\ell}$ による最適な測定割り当てにより、ノイズ誤差が低減され、学習の忠実度が向上した。導出された式は閉形式の解を提供する。
• 本手法により、80量子ビットのハミルトニアン学習が成功裏に実行され、古典的アクセス制約下での大規模量子系への実用的応用が示された。
• 繰り返し共役作用素ノルムの正確な境界の使用により、理論的に最適な時間発展演算時間 $A$ と逆温度 $\beta$ の選定が可能となり、モデリング誤差とノイズ誤差の両方を最小化した。