[論文レビュー] Quantum algorithms for computing observables of nonlinear partial differential equations

Shi Jin, Nana Liu|arXiv (Cornell University)|Feb 16, 2022

Model Reduction and Neural Networks被引用数 15

ひとこと要約

本稿では、レベルセット法を用いて非線形偏微分方程式（PDE）を線形PDEに写像することにより、ハミルトニアン・ジャコビ型やスカラー双曲型PDEなどの非線形PDEの物理的観測量を正確に計算する量子アルゴリズムを提示する。この手法により、初期データの数 $M$ に依存しない量子優位性が達成され、次元および誤差において指数的高速化が可能であり、$M$ にかかわらず1回の量子計算でアンサンブル平均を計算可能である。本手法は正確で、時間的に全域的に有効であり、HHLによる行列逆行列化を活用して得られる線形系を効率的に量子的に解くことができる。

ABSTRACT

We construct quantum algorithms to compute physical observables of nonlinear PDEs with M initial data. Based on an exact mapping between nonlinear and linear PDEs using the level set method, these new quantum algorithms for nonlinear Hamilton-Jacobi and scalar hyperbolic PDEs can be performed with a computational cost that is independent of M, for arbitrary nonlinearity. Depending on the details of the initial data, it can also display up to exponential advantage in both the dimension of the PDE and the error in computing its observables. For general nonlinear PDEs, quantum advantage with respect to M is possible in the large M limit.

研究の動機と目的

• 任意の非線形性と複数の初期データを有する非線形PDEの物理的観測量を計算する量子アルゴリズムの開発。
• 非線形性の増大に伴い性能が著しく低下するか、誤差を導入する近似線形化手法の限界を克服すること。
• 初期データの数 $M$ に依存しない計算コストにおける量子優位性の達成。
• 1回の量子シミュレーションで $M$ 個の初期条件のアンサンブル平均を効率的に計算すること。
• 非線形PDEの正確で、時間的に全域にわたる量子シミュレーションのフレームワークを確立すること。線形表現を用い、切断や近似なしに実現。

提案手法

• レベルセット形式を用いて、$(d+1)$次元の非線形PDEを最大で$(2d+1)$次元の線形輸送PDEに写像し、物理的情報を正確に保持する。
• 初期データ $M$ 個のシナリオを解く問題を、高次元線形PDEにおける1つの初期データに還元し、1回の量子計算でアンサンブル観測量を計算可能にする。
• 安定な有限差分スキームを用いて線形PDEを離散化し、安定性条件 $Drac{ riangle t}{h} \leq 1$ を満たすことで数値的安定性を確保する。
• 離散化された系を巨大なスパース行列 $\mathcal{K}_{\text{ODE}}$ として表現し、HHLに基づく量子行列逆行列化に適したエルミート行列 $\mathcal{M}_{\text{ODE}}$ に変換する。
• HHLアルゴリズムを適用して $\mathcal{M}_{\text{ODE}}$ を逆行列化し、条件数 $\kappa \lesssim DNT$ およびスパarsity $s \sim D$ の線形系を量子的に高速に解く。
• 離散化解 $\Phi_{n,\boldsymbol{j}}$ を用いて量子期待値による物理的観測量の推定を行い、誤差が $\epsilon_c \leq C(Dh)^{1/3}$ で抑えられることを保証する。

実験結果

リサーチクエスチョン

• RQ1 近似や切断に依存しない非線形PDEの量子アルゴリズムは、計算的優位性を達成できるか？
• RQ2 初期データ構成 $M$ 個の観測量を、$M$ に依存しないコストで計算可能か？
• RQ3 レベルセット法により、情報損失なしに非線形PDEを正確かつ時間的に全域にわたる線形表現に写像可能か？
• RQ4 本手法を用いることで、非線形PDE観測量の次元および誤差において、達成可能な量子高速化はどの程度か？
• RQ5 得られる線形系に対してHHLベースの行列逆行列化を適用しても、次元の増加にかかわらず量子優位性が維持可能か？

主な発見

• 提案された量子アルゴリズムは、初期データの数 $M$ に依存しない計算コストを達成し、1回の量子計算で $M$ 個の初期条件のアンサンブル平均を効率的に計算可能である。
• ハミルトニアン・ジャコビ型やスカラー双曲型方程式を含む特定の非線形PDEクラスにおいて、空間次元および誤差許容度の両方で指数的量子高速化が達成される。
• レベルセット写像により、非線形PDEが最大$(2d+1)$次元の線形PDEに変換され、近似や切断なしに正確に表現される。
• 物理的観測量の推定誤差は $\epsilon_c \leq C(Dh)^{1/3}$ で抑えられ、$h$ は空間グリッドサイズ、$D$ は空間次元数である。
• 量子高速化の鍵たる行列逆行列化ステップは、条件数 $\kappa \lesssim DNT$ およびスパarsity $s \sim D$ のエルミート行列 $\mathcal{M}_{\text{ODE}}$ を用いたHHLにより実装され、量子優位性が維持される。
• 本手法は時間的に全域にわたって有効であり、任意の非線形性に対して物理的忠実性を保持する。これは、カルメン線形化や他の近似手法の限界を克服する。