[논문 리뷰] Adaptive Pauli Shadows for Energy Estimation

Charles Hadfield|arXiv (Cornell University)|2021. 05. 25.

Quantum Computing Algorithms and Architecture참고 문헌 5인용 수 28

한 줄 요약

Adaptive Pauli Shadows (APS)는 로컬 편향된 클래식 셔도우에 소량의 고전 계산을 보강하여 양자 해밀턴의 에너지 추정을 개선하고, 인코딩 및 시스템 크기에 따라 기존 방법에 비해 경쟁력 있거나 더 우수한 정확도를 달성합니다.

ABSTRACT

Locally-biased classical shadows allow rapid estimation of energies of quantum Hamiltonians. Recently, derandomised classical shadows have emerged claiming to be even more accurate. This accuracy comes at a cost of introducing classical computing resources into the energy estimation procedure. This present note shows, by adding a fraction of this classical computing resource to the locally-biased classical shadows setting, that the modified algorithm, termed Adaptive Pauli Shadows is state-of-the-art for energy estimation.

연구 동기 및 목표

• 가변 양자 알고리즘에서 양자 해밀턴의 효율적인 에너지 추정을 동기 부여합니다.
• 로컬리 편향된 클래식 셔도우(LBCS)를 제어된 양의 고전 계산으로 확장합니다.
• 측정 선택을 최적화하기 위해 Adaptive Pauli Shadows (APS) 프레임워크를 개발합니다.
• 작은 분자 해밀턴과 일반 페르미언 인코딩에서 APS를 CS, LBCS 및 derandomized shadows와 비교 벤치마크합니다.

제안 방법

• 해밀토니언 H를 Pauli 합 H = sum_P alpha_P P로 표현합니다.
• 커버된 P들에 대해 Tr(P rho)를 추정하기 위해 Pauli 기저 B = tensor_i B_i의 측정을 사용합니다.
• 알고리즘 1: 각 Pauli 항 P에 대해 mu_P를 반복적으로 갱신하고 sum_P alpha_P mu_P를 에너지 추정으로 반환합니다.
• 알고리즘 2: 각 큐비트 기저를 선택하기 위해 합성 최적화를 풀어 sum_B c_B / beta(B)를 최소화하고, sum c_B > 0일 때 beta(B) = sqrt(c_B)/sum sqrt(c_B)를 얻습니다.
• 대각 비용 함수를 활용하여 독립적인 큐비트별 기저 분포(곱 형태)를 정당화합니다.
• 런타임 분석: O(n_H * n) 로, n_H은 H의 0이 아닌 Pauli 항의 수이며, 일부 derandomization 방법보다 개선됩니다.

실험 결과

연구 질문

• RQ1 LBCS에 보정된 양의 고전 계산을 추가하는 것이 APS에서 양자 해밀턴의 에너지 추정 정확도에 어떤 영향을 미치는가?
• RQ2 다른 분자 해밀턴과 페르미언 인코딩(JW, Parity, BK)에서 APS가 CS, LBCS 및 derandomized shadows와 어떻게 비교되는가?
• RQ3 경쟁 방법에 비해 APS의 계산 비용과 확장성은 어떠한가?
• RQ4 에너지 추정 환경에서 표준 클래식 셔도에 유사하게 APS 접근법이 노이즈에 강인한가?

주요 결과

• LBCS에 고전 계산을 보강했을 때, 많은 테스트 케이스에서 APS가 최첨단 또는 경쟁력 있는 에너지 추정 정확도를 제공합니다.
• 여러 분자와 인코딩에 걸쳐, APS는 종종 CS, LBCS에 비해 더 낮거나 유사한 평균 오차를 보이며 특정 조건에서 derandomized shadows를 개선하기도 합니다.
• 보고된 결과는 H2, LiH, BeH2, H2O, NH3를 JW, Parity, BK 인코딩으로 8–16 큐비트에 매핑한 것을 다루며, 시스템 크기와 인코딩에 따른 성능 추세를 보여줍니다.
• 이 접근법은 측정 기반 양자 자원과 고전 계산 사이의 균형을 달성하며, 런타임 스케일링은 일부 derandomization 방법에 비해 유리합니다.