[論文レビュー] Randomizing multi-product formulas for improved Hamiltonian simulation.

Paul K. Faehrmann, Mark Steudtner+3 more|arXiv (Cornell University)|Jan 19, 2021

Quantum Computing Algorithms and Architecture参考文献 39被引用数 9

ひとこと要約

本稿では、ランダム化コンpilingと高次の多積分公式を組み合わせることで、無作為なアモニチュード増幅を必要としない量子ハミルトニアンシミュレーションのランダム化フレームワークを提案する。その結果、回路の深さが著しく削減され、シミュレーション誤差は指数的に減少する。これは、近位量子デバイスにとって極めて適したものである。

ABSTRACT

Quantum simulation suggests a path forward for the efficient simulation of problems in condensed-matter physics, quantum chemistry and materials science. While the majority of quantum simulation algorithms is deterministic, a recent surge of ideas has shown that randomization can greatly benefit algorithmic performance. In this work, we introduce a scheme for quantum simulation that unites the advantages of randomized compiling and higher-order multi-product formulas as they are used in linear-combination-of-unitaries (LCU) algorithms. In doing so, we propose a framework of randomized sampling that could prove useful for programmable quantum simulators and present two new algorithms tailored to it. Our framework greatly reduces the circuit depth by circumventing the need for oblivious amplitude amplification required by standard LCU methods, rendering it especially useful for near-term quantum computing. Our algorithms achieve a simulation error that shrinks exponentially with the circuit depth. To corroborate their functioning, we prove rigorous performance bounds as well as the concentration of the randomized sampling procedure. We also discuss examples at hand of a Hamiltonian comprising pairwise anticommuting terms.

研究の動機と目的

• 量子ハミルトニアンシミュレーションの既存の線形結合ユニタリ（LCU）手法における高い回路深さとリソースの過剰なオーバーヘッドに対処すること。
• ランダム化コンpilingと高次の多積分公式を統合することで、アルゴリズムの性能を向上させること。
• 現在のLCUベースの手法における主要なボトルネックである無作為なアモニチュード増幅への依存度を低減するフレームワークを開発すること。
• 回路深さを最小限に抑えつつ、低いシミュレーション誤差を維持することで、近位量子デバイスにおける実用的な量子シミュレーションを可能にすること。
• ランダムサンプリング手順における性能の境界と集中性の保証を明確にすること。

提案手法

• マルチプロダクトフォーミュラのランダムサンプリングを採用し、決定的LUC構成を確率的代替に置き換える。
• 高次のマルチプロダクトフォーミュラを活用して収束速度を向上させ、シミュレーション誤差を低減する。
• ランダム化コンpilingを統合することで、実装を簡素化し、回路深さを削減する。
• 設計上、無作為なアモニチュード増幅を回避することで、リソース要件を顕著に低減する。
• 確率的サンプリング手順を形式化し、証明された集中性の境界を有する。
• 理論的分析により、誤差スケーリングと収束速度を含む、厳密な性能保証を確立する。

実験結果

リサーチクエスチョン

• RQ1 マルチプロダクトフォーミュラのランダムサンプリングは、正確性を損なわずに回路深さを低減できるか？
• RQ2 ランダム化コンpilingと高次のマルチプロダクトフォーミュラの統合は、シミュレーション誤差とリソースオーバーヘッドにどのように影響するか？
• RQ3 LCUベースのシミュレーションフレームワークにおいて、無作為なアモニチュード増幅の必要性をどの程度まで排除できるか？
• RQ4 ハミルトニアンシミュレーションの文脈において、ランダムサンプリング手順の集中性の性質は何か？
• RQ5 ペアワイズに反可換な項を持つハミルトニアンについて、提案されたフレームワークはシミュレーション誤差と回路深さの観点でどのようにスケーリングするか？

主な発見

• 提案されたフレームワークは、標準的なLCU手法における主要なボトルネックである無作為なアモニチュード増幅の必要性を排除することで、回路深さを削減する。
• シミュレーション誤差は回路深さが増加するにつれて指数的に減少し、浅い回路でも高精度な結果を得られる。
• ランダムサンプリング手順は強い集中性を示し、複数回の実行においても信頼性があり、予測可能な性能を発揮する。
• 厳密な性能境界が確立され、この手法の理論的頑健性が裏付けられる。
• 具体的な例を通じて、ペアワイズに反可換な項から構成されるハミルトニアンに対して、このフレームワークは特に効果的であることが示された。
• 精度、深さ、リソース効率のバランスを取ることで、近位量子シミュレーションの実用的道筋を提供する。