[논문 리뷰] A Partially Random Trotter Algorithm for Quantum Hamiltonian Simulations

Shi Jin, Xiantao Li|arXiv (Cornell University)|2021. 09. 16.

Quantum Computing Algorithms and Architecture참고 문헌 41인용 수 4

한 줄 요약

이 논문은 큰 진폭의 해밀토니안 항을 결정적으로 처리하고 나머지 항들을 확률적으로 샘플링하는 하이브리드 트로터-수즈키 알고리즘을 제안한다. 연산자 분할에서 발생하는 편향과 랜덤 샘플링에서 발생하는 분산을 균형 잡음으로써, 순수하게 결정적이거나 순수하게 랜덤한 방법보다 더 낮은 평균 제곱 오차를 달성하며, 이론적 오차 한계와 게이트 수 추정치는 수치적으로 검증된다.

ABSTRACT

Given the Hamiltonian, the evaluation of unitary operators has been at the heart of many quantum algorithms. Motivated by existing deterministic and random methods, we present a hybrid approach, where Hamiltonians with large amplitude are evaluated at each time step, while the remaining terms are evaluated at random. The bound for the mean square error is obtained, together with a concentration bound. The mean square error consists of a variance term and a bias term, arising respectively from the random sampling of the Hamiltonian terms and the operator splitting error. Leveraging on the bias/variance trade-off, the error can be minimized by balancing the two. The concentration bound provides an estimate on the number of gates. The estimates are verified by using numerical experiments on classical computers.

연구 동기 및 목표

• 대규모 양자 해밀토니안에 대한 완전히 결정적인 트로터-수즈키 방법에서 높은 게이트 수와 오차 문제를 해결하기 위해.
• 큰 진폭 항들을 랜덤 평가에서 제외하여 랜덤 샘플링 방법의 분산을 줄이기 위해.
• 하이브리드 양자 시뮬레이션에서 편향-분산 트레이드오프를 반영하는 평균 제곱 오차에 대한 이론적 프레임워크를 수립하기 위해.
• 목표 정확도를 달성하기 위해 필요한 게이트 수를 추정하기 위한 농도 경계를 유도하기 위해.
• 양자 스핀 체인에서의 수치 시뮬레이션을 통해 오차 모델과 성능 향상을 검증하기 위해.

제안 방법

• 해밀토니안은 두 그룹으로 분할된다: 큰 진폭 항들은 표준 트로터 분할을 통해 결정적으로 처리되고, 작은 항들은 랜덤 샘플링을 통해 확률적으로 처리된다.
• 알고리즘은 각 시간 단계에서 주로 결정적 진화를 수행하는 주요 항들과 나머지 항들을 랜덤으로 선택하는 하이브리드 트로터 단위를 사용한다.
• 오차 분석은 평균 제곱 오차를 연산자 분할에서 발생하는 편향 항과 랜덤 샘플링에서 발생하는 분산 항으로 분해하며, 표준 통계적 편향-분산 트레이드오프를 따르는 방식이다.
• 필요한 게이트 수를 목표 오차 확률을 고도로 확보할 수 있도록 추정하기 위해 농도 부등식을 도출한다.
• 이 방법은 유니폼 샘플링과 중요도 샘플링을 포함한 다양한 랜덤 샘플링 전략을 유연하게 허용하며, 후자는 분산 감소에서 더 낮은 분산을 보여주어 우월함을 입증한다.
• 헤이젠베르크 스핀 체인에서의 수치 실험을 통해 이론적 오차 한계가 검증되었으며, 순수 결정적 또는 순수 랜덤 접근 방식보다 더 높은 정확도를 보여준다.

실험 결과

연구 질문

• RQ1 큰 진폭의 해밀토니안 항을 결정적으로 처리하고 작은 항들을 확률적으로 처리하는 하이브리드 접근 방식이 양자 해밀토니안 역학의 전체 시뮬레이션 오차를 줄일 수 있는가?
• RQ2 하이브리드 알고리즘의 평균 제곱 오차는 편향과 분산 성분으로 어떻게 분해되며, 이러한 분해는 성능 최적화에 활용될 수 있는가?
• RQ3 전체 오차를 최소화하기 위해 해밀토니안 항들을 결정적 처리와 확률적 처리로 나누는 최적의 분할은 무엇인가?
• RQ4 균일 샘플링과 중요도 샘플링과 같은 다양한 샘플링 전략은 하이브리드 알고리즘의 분산과 게이트 수에 어떤 영향을 미치는가?
• RQ5 주어진 정확도를 고도로 확보할 수 있도록 하기 위해 필요한 양자 게이트 수를 추정하기 위한 농도 경계를 도출할 수 있는가?

주요 결과

• n=12 및 2^12 게이트에서 헤이젠베르크 체인에서 하이브리드 알고리즘이 순수 결정적 또는 순수 랜덤 트로터 방법보다 더 낮은 평균 제곱 오차를 달성한다.
• 랜덤 항에 대해 중요도 샘플링을 사용할 경우 균일 샘플링보다 더 낮은 분산과 높은 정확도를 보이며, 분산 감소에서의 우월성을 확인한다.
• 평균 제곱 오차는 명확한 편향-분산 트레이드오프를 보이며, 두 오차 성분이 균형을 이루는 지점에서 최적의 성능을 달성한다.
• 이론적 오차 한계는 수치적으로 검증되었으며, 다양한 시스템 크기와 게이트 수에서 관측된 평균 제곱 오차와 양호한 일치를 보인다.
• 랜덤 샘플링에 대해 배치 크기 K=4 또는 K=8를 사용할 경우 K=1과 유사한 성능을 보이며, 단일 시간 단계에서 다수의 랜덤 항을 사용해도 정확도에 상당한 손실 없이 적용 가능함을 시사한다.
• 최적의 해밀토니안 항 분할(즉, 결정적 처리와 확률적 처리의 경계 설정)은 계수의 크기가 급격히 감소하는 지점 근처에서 발생하지만, 이를 체계적으로 도출하는 방법은 아직 열려 있는 과제이다.