[논문 리뷰] Variance reduction methods in the estimation of Pauli sums

Søren Fuglede Jørgensen, R. E. Barfknecht외 2명|arXiv (Cornell University)|2026. 03. 20.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

이 논문은 Pauli-sum 관측값 추정에서 분산 감소를 위한 통합 프레임워크를 제시하고, 기존 및 신규 측정 전략을 조사하며, 전자 구조 해밀토니언에서 이를 벤치마킹하여 측정 자원을 줄인다.

ABSTRACT

Accurately estimating expectation values of quantum observables with as few measurements as possible is crucial to many quantum computing applications. We introduce a framework that covers many of existing measurement strategies and introduce heuristics that can be used to enhance randomized schemes, including those based on Pauli grouping with inverse probability weighting and variants of the classical shadow algorithm. We show how to maximize information gain from such schemes, while carefully optimizing the distribution of possible measurements, and show that simple grouping algorithms can get close to, and in some cases exceed, state-of-the-art accuracy for unbiased estimation of expectation values on a standard quantum chemistry benchmark. We show how these randomized methods may be compared to more recent measurement schemes, such as shadow grouping, derandomized shadow, and overlapped grouping measurement, we show how the same strategies can be used to augment these schemes, and we demonstrate that we can reduce measurement costs by up to a factor of two by allowing Clifford measurement circuits for otherwise Clifford-less methods.

연구 동기 및 목표

• 관찰값이 Pauli 합으로 표현되는 경우 제한된 측정으로 기대값 추정의 효율성을 높이려는 동기를 부여한다.
• 변동성을 최소화하기 위해 측정 일정, 그룹화, 할당 및 후처리 등을 결합한 통일 프레임워크를 제공한다.
• Pauli 그룹화와 층화 샘플링에 대한 새로운 알고리즘을 소개하고 비교한다.
• 일부 구성에서 편향-분산 트레이드오프가 분산을 편향 없이 개선할 수 있는지 보여준다.
• 실용적 선택을 안내하기 위해 표준 분자 해밀토니언에서 방법을 벤치마크한다.

제안 방법

• 관측값을 실수 계수를 갖는 Pauli 합으로 모델링하고, 서로 조합되는 Pauli 문자열의 측정을 통해 ⟨O⟩를 추정한다.
• 추정기를 두 가지 가족으로 분류한다: 랜덤화된 일정(역확률 가중치, Horvitz–Thompson)과 후처리와 함께 고정샷 일정.
• Pauli 교환 그래프(퀴비-웨이즈 및 전체 교환)을 구성하고 그룹화를 최소 큐클릭 커버 문제로 축소한다.
• 정수 프로그래밍, 그리디, 열 생성, 최대 가중치 큐클릭 접근법을 적용해 측정 그룹을 얻는다.
• 최대화화와 Clifford화를 도입해 그룹화 방법을 강화하고 측정 수를 줄인다.
• 측정 예산 하에서 자원 활용을 최적화하기 위해 할당 전략(확률 가중치, 샷 할당)을 사용한다.

실험 결과

연구 질문

• RQ1 고정된 측정 예산 하에서 Pauli-sum 관측값의 기대값을 추정할 때 어떻게 분산 감소를 달성할 수 있는가?
• RQ2 벤치마크 분자 해밀토니언에서 다양한 Pauli 그룹화, 일정 수립 및 후처리 전략의 상대적 성능은 어떠한가?
• RQ3 Clifford 기반 보강 및 편향-분산 트레이드오프가 결과의 질을 해치지 않으면서 측정 절감을 크게 가져올 수 있는가?
• RQ4 관측가능성 인식 샘플링 및 분산 인식 샘플링 전략이 클래식 그림자(shadow) 및 다른 그룹화 방법과 비교해 측정 효율성에 어떤 영향을 미치는가?
• RQ5 자원 사용 측면에서 큐비트-별 대 전체 교환을 선택하는 실제적 함의는 무엇인가?

주요 결과

시스템	|V|	|EQWC|	|CQWC|	|EFC|	|CFC|
H2 (STO-3G)	4	15	59	5	89	2
H2 (6-31G)	8	185	4682	617	9804	2340

• 단순 그룹화 알고리즘(예: 가장 낮은 분산 우선)이 벤치마크에서 무편향 Pauli-sum 추정의 최신 정확도에 근접하거나 이를 초과할 수 있다.
• 그림자 기반 방법은 일반적으로 유용하지만, 특정 LDF 기반 그룹화가 특정 분자(BeH2)에서 최상의 정확도를 제공할 수 있다.
• Cliffordization은 Clifford-less 방법을 확장하고 일부 경우 측정 수를 최대 두 배까지 줄일 수 있다.
• 측정 노력의 최적 할당(확률 및 샷 수)은 Horvitz–Thompson 및 역확률 가중 추정기의 성능을 향상시킨다.
• 비배타적 층으로의 분할은 정보적으로 비효율적인 경우가 많으며, 중첩 그룹과 최대화를 통해 효율을 높일 수 있다.
• Pauli-sum 절단 또는 derandomized 스킴 사용으로 편향을 도입하면 분산과 편향 사이의 트레이드오프를 통해 실용적 이점을 얻을 수 있다.