[논문 리뷰] Practical Black Box Hamiltonian Learning

Andi Gu, Łukasz Cincio외 1명|arXiv (Cornell University)|2022. 06. 30.

Quantum many-body systems인용 수 6

한 줄 요약

이 논문은 도함수 추정과 정확한 오차 한계를 활용하여 하미르토니안 국소성 $k$ 에 대한 스케일링을 향상시키는 실용적인 블랙박스 하미르토니안 학습 프로토콜을 제안한다. 이는 유니타리 및 지브스 상태 동역학에 대해 최적의 초파rameter 설정—예를 들어 진화 시간과 온도—을 가능하게 하며, 반복 공액자 노름에 대한 향상된 이론적 한계 덕분에 쿼리 비용을 크게 감소시켜 80 큐비트 시뮬레이션을 효율적으로 수행한다.

ABSTRACT

We study the problem of learning the parameters for the Hamiltonian of a quantum many-body system, given limited access to the system. In this work, we build upon recent approaches to Hamiltonian learning via derivative estimation. We propose a protocol that improves the scaling dependence of prior works, particularly with respect to parameters relating to the structure of the Hamiltonian (e.g., its locality $k$). Furthermore, by deriving exact bounds on the performance of our protocol, we are able to provide a precise numerical prescription for theoretically optimal settings of hyperparameters in our learning protocol, such as the maximum evolution time (when learning with unitary dynamics) or minimum temperature (when learning with Gibbs states). Thanks to these improvements, our protocol is practical for large problems: we demonstrate this with a numerical simulation of our protocol on an 80-qubit system.

연구 동기 및 목표

• 제한된 클래식 액세스 조건 하에서 양자 다체계의 하미르토니안을 효율적으로 학습하는 데 도전하는 것.
• 하미르토니안 국소성 $k$ 와 시스템 크기에 대한 의존도를 향상시켜 이전 방법의 지수적 자원 스케일링 문제를 해결하는 것.
• 반복 공액자 노름에서 유도된 정확한 오차 한계를 활용하여 이론적으로 최적의 초파arameter 설정(예: 진화 시간, 온도)을 제공하는 것.
• 엄격한 성능 한계와 쿼리 최적화를 통해 하미르토니안 학습을 대규모 시스템, 예를 들어 80 큐비트 시스템에 실용적으로 적용할 수 있도록 하는 것.
• 신뢰할 수 있는 시뮬레이터를 포함하지 않는 클래식 상호작용 조건 하에서 하미르토니안 학습의 프레임워크를 구축하여 실험적 실현 가능성을 확보하는 것.

제안 방법

• 프로토콜은 시간 진화 상태 $\rho(t) = e^{-iHt}\rho_0 e^{iHt}$ 또는 지브스 상태 $\rho(\beta) = e^{-\beta H}/\Tr(e^{-\beta H})$ 에 대한 클래식 액세스를 사용하며, $t$ 또는 $\beta$ 를 제어하고 국소 관측량 $O$ 를 측정한다.
• 유니타리 진화 또는 열적 상태에 대해, 기대값 $\Tr(O\rho(x))$ 를 정의하는 함수 $f_{\text{SPAM}}(x)$ 를 정의함으로써 도함수 기반 학습을 가능하게 한다.
• 상호작용 그래프의 평균 차수 $\overline{\mathscr{D}}$ 를 사용하여 반복 공액자 노름 $\| [H^m, P] \|$ 의 정확한 한계를 도출하며, 이는 이전의 과대평가를 방지하기 위해 $\mathscr{D}$ 를 대체한다.
• 두 개의 최적화 문제를 설정한다: 하나는 최적의 진화 시간 $A$ 와 시간 단계 수 $L$ 을 선택하여 모델링 오차를 최소화하는 것이며, 다른 하나는 신호 강도에 따라 시간 단계 간 측정을 할당하여 노이즈 오차를 최소화하는 것이다.
• 라그랑주 승수를 통해 최적의 쿼리 할당을 유도하며, 이는 $N_\ell \propto \sqrt{c_\ell}$ 를 유도한다. 여기서 $c_\ell$ 는 체비셰프 다항식 항과 신호 분산에 의존한다.
• 이론적 오차 한계는 $\overline{\mathscr{D}}$ 에 대해 선형이며, 수치 시뮬레이션은 $\mathscr{D}$ 를 $\overline{\mathscr{D}}$ 로 대체할 경우 쿼리 수에서 $\gtrsim (\mathscr{D}/\overline{\mathscr{D}})^2$ 의 성능 향상을 확인한다.

실험 결과

연구 질문

• RQ1 하미르토니안 국소성 $k$ 에 대한 스케일링을 향상시켜 대규모 시스템에 대해 하미르토니안 학습을 실용적으로 만들 수 있는가?
• RQ2 이론적 오차 한계를 어떻게 강화하여 진화 시간과 온도에 대한 정밀하고 최적의 초파arameter 설정을 가능하게 할 수 있는가?
• RQ3 최악의 경우 상호작용 차수 $\mathscr{D}$ 를 평균 차수 $\overline{\mathscr{D}}$ 로 대체할 경우 알고리즘 성능과 쿼리 효율성에 어떤 영향을 미치는가?
• RQ4 노이즈 오차를 최소화하기 위해 측정 자원을 시간 단계 간에 어떻게 최적으로 할당할 수 있는가?
• RQ5 이론적 한계와 실측 오차 간의 일치도가 $\mathscr{D}$ 가 아닌 $\overline{\mathscr{D}}$ 를 사용할 경우 얼마나 향상되는가?

주요 결과

• 최악의 경우 상호작용 차수 $\mathscr{D}$ 를 평균 차수 $\overline{\mathscr{D}}$ 로 대체함으로써 요구되는 쿼리 수가 크게 감소하였으며, 성능 향상 요인이 $\gtrsim (\mathscr{D}/\overline{\mathscr{D}})^2$ 에 이르렀다.
• 수치 시뮬레이션은 $\overline{\mathscr{D}}$ 를 사용한 히وري스틱 한계가 반복 공액자 노름의 실측 값과 밀접하게 일치함을 확인하여 실용적 적용 가능성을 검증하였다.
• 이론적 모델링 오차 한계는 $\overline{\mathscr{D}}$ 에 대해 선형이며, 실측 결과는 $\overline{\mathscr{D}}$ 를 사용할 경우 이론과 시뮬레이션 간 강한 일치를 보였다.
• $N_\ell \propto \sqrt{c_\ell}$ 를 통한 최적의 측정 할당은 노이즈 오차를 감소시키고 학습 정밀도를 향상시키며, 유도된 공식이 닫힌 형태의 해를 제공한다.
• 이 방법은 80 큐비트 하미르토니안 학습을 성공적으로 수행하여 클래식 액세스 제약 조건 하에서 대규모 양자 시스템에 대한 실용성을 입증하였다.
• 반복 공액자 노름에 대한 정확한 한계를 사용함으로써 이론적으로 최적의 진화 시간 $A$ 와 역온도 $\beta$ 를 선택할 수 있었으며, 이는 모델링 오차와 노이즈 오차를 모두 최소화하였다.