[論文レビュー] Shallow shadows: Expectation estimation using low-depth random Clifford circuits
本稿では、ランダムなパウリ回路とランダムなクリフォード回路の間を補間する深さ調節型の乱択測定スキームを導入し、低深さ回路を用いた効率的かつ実験的に実現可能な量子状態性質の推定を可能にする。この手法は、パウリ観測量および低結合次元行列積演算子観測量の期待値推定に対して、キュービット数に対して対数的深さスケーリングを満たす厳密な性能保証を達成する。
We provide practical and powerful schemes for learning many properties of an unknown n-qubit quantum state using a sparing number of copies of the state. Specifically, we present a depth-modulated randomized measurement scheme that interpolates between two known classical shadows schemes based on random Pauli measurements and random Clifford measurements. These can be seen within our scheme as the special cases of zero and infinite depth, respectively. We focus on the regime where depth scales logarithmically in n and provide evidence that this retains the desirable properties of both extremal schemes whilst, in contrast to the random Clifford scheme, also being experimentally feasible. We present methods for two key tasks; estimating expectation values of certain observables from generated classical shadows and, computing upper bounds on the depth-modulated shadow norm, thus providing rigorous guarantees on the accuracy of the output estimates. We consider observables that can be written as a linear combination of poly(n) Paulis and observables that can be written as a low bond dimension matrix product operator. For the former class of observables both tasks are solved efficiently in n. For the latter class, we do not guarantee efficiency but present a method that works in practice; by variationally computing a heralded approximate inverses of a tensor network that can then be used for efficiently executing both these tasks.
研究の動機と目的
- 大規模な量子系に対して、サンプル効率と実験的実現可能性の両立を図る、古典的シャドウの実用的代替手法の開発。
- 既存の古典的シャドウの限界（ランダムパウリ：低深さだが高重み観測量ではスケーリングが悪い；ランダムクリフォード：高い性能だが実用的でない深さ）を克服するため、深さ調節型スキームを導入。
- O(poly(n))枚のコピーとO(log n)の回路深さで、多項式(n)個のパウリの線形結合および低結合次元行列積演算子の観測量の期待値を正確に推定可能にすること。
- 推定精度の理論的保証を提供するため、シャドウノルムに対する厳密な上界を導出すること。
提案手法
- 深さパラメータを調整可能な、ランダムパウリ（深さゼロ）とランダムクリフォード（無限大の深さ）の間を補間する乱択測定プロトコルを提案。
- キュービット数nに対して対数的スケーリングで深さが増加する低深さランダムクリフォード回路を用い、実験的実現可能性を確保しながら、完全なクリフォード回路の利点を保持。
- 低結合次元行列積演算子のための、テンソルネットワークに基づく変分的手法を用いて、便宜的な逆演算子をハーディング近似で計算し、多項式時間スケーリングの保証がないにもかかわらず実用的な推定を可能に。
- 移行行列フレームワークにおけるパスカウントの議論を用いて、深さ調節型シャドウノルムに対する厳密な上界を導出。高距離パス寄与の指数的減衰を活用。
- パス構成の重みベースの分解を適用し、深さdを超えるパスの寄与の和を幾何級数と指数的減衰推定で上界化。
- 観測量がサイズpの部分領域に支持され、p + 2d ≤ r log n を満たす場合、深さd = Θ(log n)で強い性能を維持できることを示し、スケーラビリティを保証。
実験結果
リサーチクエスチョン
- RQ1低回路深さの乱択測定スキームが、完全なランダムクリフォード回路と同等の精度とサンプル効率を維持できるか。
- RQ2浅い回路を用いた場合に、低結合次元行列積演算子クラスの観測量の推定誤差をどのように厳密に上界化できるか。
- RQ3大規模nに対して実験的に実現可能な深さスケーリングはどの程度で、完全なクリフォード回路と同等の性能を維持できるか。
- RQ4テンソルネットワーク技術を用いて、パウリクラスを超える観測量の期待値を、多項式時間スケーリングの保証がない状況でも効率的に推定できるか。
- RQ5乱択測定プロトコルにおいて、回路深さと推定精度のトレードオフはどのように定量的に特徴づけられるか。
主な発見
- 提案された深さ調節型スキームは、完全なランダムクリフォード回路と同等の性能を達成するが、O(log n)の回路深さで済むため、大規模系において実験的に実現可能である。
- 多項式(n)個のパウリの線形結合で表される観測量については、期待値推定とシャドウノルムの上界が両方ともnに関して効率的に計算可能である。
- 低結合次元行列積演算子については、実用的なテンソルネットワークベースのアプローチにより期待値推定が可能であるが、多項式時間スケーリングの保証はない。
- シャドウノルムの上界は、移行行列モデルにおけるパスカウントの議論により導出され、深さdを超えるパスの寄与が指数的に減衰することが示された。
- 観測量の支持がサイズpの領域に限定され、深さdがd ≥ (α log n + log(1/c)) / log(16/25) を満たす場合、完全なクリフォード結果に対する定数倍の近似が維持され、nが増加するにつれて誤差が減少する。
- 解析により、誤差上界におけるn依存係数をp + 2dに置き換えることで、観測量が局所的である場合により緊密な上界が得られ、局所的観測量のスケーラビリティが向上することが示された。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。