[논문 리뷰] Eigenpath Traversal by Poisson-Distributed Phase Randomisation

Pedro C. S. Costa, Dong An|arXiv (Cornell University)|2023. 12. 12.

Quantum Computing Algorithms and Architecture인용 수 3

한 줄 요약

이 논문은 선형 시스템을 효율적으로 해결하기 위해 포isson 분포를 따르는 단계 랜덤화를 통한 고유경로 순행을 제안한다. 무작위 행렬에 대한 수치 시뮬레이션 결과, 양자 워크 비용의 실제 상수 인자 값은 이론적 상한값보다 약 1,200배 작으며, 이는 기존의 상한값과 경쟁하는 랜덤화 방법보다 실질적으로 훨씬 더 효율적임을 시사한다. 평균적으로 비용이 7배 향상되었다.

ABSTRACT

The solution of linear systems of equations is the basis of many other quantum algorithms, and recent results provided an algorithm with optimal scaling in both the condition number $κ$ and the allowable error $ε$ [PRX Quantum extbf{3}, 040303 (2022)]. That work was based on the discrete adiabatic theorem, and worked out an explicit constant factor for an upper bound on the complexity. Here we show via numerical testing on random matrices that the constant factor is in practice about 1,200 times smaller than the upper bound found numerically in the previous results. That means that this approach is far more efficient than might naively be expected from the upper bound. In particular, it is about an order of magnitude more efficient than using a randomised approach from [arXiv:2305.11352] that claimed to be more efficient.

연구 동기 및 목표

• 선형 시스템을 해결하기 위한 이산 애디아바틱 양자 워크(QW) 방법의 실질적 효율성을 평가하기 위해, 최적의 점근적 스케일링을 갖추고도 이론적 상수 인자가 큰 문제를 해결하는 데 목적이 있다.
• 수치 시뮬레이션을 통해 QW 방법과 랜덤화된 애디아바틱 방법(RM) 간의 실제 실행 시간과 자원 비용을 비교한다.
• QW 방법의 상수 인자에 대한 이론적 상한값이 실제 성능을 대표하는지 여부를 판단한다.
• 실제 오차 목표치를 고려할 때, 애디아바틱 진화와 필터링 단계를 포함한 전체 복잡도를 평가한다.

제안 방법

• 이산 애디아바틱 양자 워크(QW) 방법은 시간 단계가 이산 애디아바틱 정리에 의해 결정되는 양자 워크 연산자 WT(s)를 사용하여 선형 시스템의 고유경로를 따라 양자 상태를 진화시킨다.
• 비보존 전이를 억제하고 해법 상태로의 수렴을 향상시키기 위해 진화 단계에 포isson 분포를 따르는 랜덤화를 적용한다.
• 이 방법은 먼저 고정된 수의 단계를 사용해 낮은 정확도의 해를 생성한 후, 목표 오차 ϵ에 도달하기 위해 정밀도를 향상시키기 위한 필터링 단계를 거친다.
• 비교를 위해 랜덤화된 방법(RM)은 양자 젠조 효과를 모방하기 위해 진화 시간을 랜덤화하며, 비용은 O(κ log(κ/ϵ))의 스케일링을 따른다.
• 조건 수 κ=50인 16×16 무작위 행렬을 대상으로 수치 시뮬레이션을 수행하며, 목표 오차 ϵ을 변화시켜 필요한 워크 단계 수를 측정한다.
• 비용은 애디아바틱 진화와 필터링 구성요소로 분해되며, 총 비용은 ϵ 및 피팅된 매개변수 α(QW용)와 β(RM용)에 대해 최소화된다.

실험 결과

연구 질문

• RQ1 이산 애디아바틱 양자 워크 방법의 상수 인자에 대한 이론적 상한값은 무작위 행렬에 대한 실제 성능을 대표하는가?
• RQ2 실제 비용 측면에서, 양자 워크 방법의 총 단계 수와 자원 사용량은 랜덤화된 애디아바틱 방법과 비교해 어떻게 되는가?
• RQ3 필터링 단계가 총 비용을 지배하는가, 아니면 실질적인 오차 목표치에서 애디아바틱 진화가 주요 기여를 하는가?
• RQ4 포isson 분포를 따르는 단계 랜덤화가 실질적으로 필요한 양자 워크 단계 수를 크게 줄일 수 있는가?
• RQ5 실제 수치 측정을 통해 QW 방법의 효과적 상수 인자 α는 얼마이며, 이는 이론적 상한값과 어떻게 비교되는가?

주요 결과

• 양자 워크 방법의 실제 상수 인자 α는 1.84로, 이는 이전 연구에서 보고된 이론적 상한값 2305보다 약 1,200배 작다.
• 최적의 점근적 스케일링을 갖추고 있음에도 불구하고, 원래의 이론적 상한값은 실제로 필요한 비용보다 훨씬 높게 제시되었다.
• 랜덤화된 방법(RM)이 이론적으로 더 작은 상수 인자를 가졌다고 여겨졌음에도 불구하고, 양자 워크 방법은 평균적으로 약 7배 더 효율적이며, 이는 RM보다 우수한 성능을 보인다.
• 실제 오차 목표치(ϵ ≳ 0.0004)에서는 애디아바틱 진화 비용이 총 비용을 지배하지만, 매우 작은 ϵ에서는 필터링 단계가 더 중요해진다.
• 양자 워크 방법의 총 비용은 필터링 비용과 유사하거나, 때로는 그 이하이며, 특히 양의 정부호 행렬이나 ϵ ≪ 1인 경우에 더욱 두드러진다.
• 랜덤화된 방법은 이론적 분석 상한값이 더 탐욕스럽게 느슨하지만, 실질적으로 양자 워크 방법보다 훨씬 더 비용이 많이 들며, 특히 애디아바틱 부분이 훨씬 더 비싸다.