[论文解读] Using Random Walks for Iterative Phase Estimation

Cassandra Granade, Nathan Wiebe|arXiv (Cornell University)|Aug 9, 2022

Gaussian Processes and Bayesian Inference被引用 4

一句话总结

该论文提出了一种基于随机游走的新型自适应贝叶斯相位估计算法，实现了海森堡极限标度，且经典处理时间呈指数减少——在CPU上实现微秒级相位更新，相比现有粒子滤波方法的毫秒级显著提升。该方法利用高斯先验，并将后验均值更新映射为随机游走者的位移，从而实现高效、确定性、低内存的推理，适用于现场可编程门阵列（FPGA）和微控制器在近期量子实验中的部署。

ABSTRACT

In recent years there has been substantial development in algorithms for quantum phase estimation. In this work we provide a new approach to online Bayesian phase estimation that achieves Heisenberg limited scaling that requires exponentially less classical processing time with the desired error tolerance than existing Bayesian methods. This practically means that we can perform an update in microseconds on a CPU as opposed to milliseconds for existing particle filter methods. Our approach assumes that the prior distribution is Gaussian and exploits the fact, when optimal experiments are chosen, the mean of the prior distribution is given by the position of a random walker whose moves are dictated by the measurement outcomes. We then argue from arguments based on the Fisher information that our algorithm provides a near-optimal analysis of the data. This work shows that online Bayesian inference is practical, efficient and ready for deployment in modern FPGA driven adaptive experiments.

研究动机与目标

• 开发一种经典相位估计算法，使其在近期待机量子硬件的严格内存与延迟约束下既高效又实用。
• 将自适应贝叶斯相位估计算法中的经典处理时间从毫秒级降低至微秒级，从而实现实时控制。
• 设计一种方法，仅需 O(log(1/ε)) 的经典内存与运算量即可实现误差容限 ε，使其适用于FPGA和微控制器等嵌入式系统。
• 在保持确定性、低复杂度更新的同时，实现相位估计的海森堡极限标度，且对实验中的非理想因素具有鲁棒性。

提出的方法

• 该算法将高斯先验的后验均值建模为随机游走者的位移，其中每次测量结果决定游走者步长的方向与大小。
• 采用解缠绕规则以稳定学习过程，防止随机游走发散，确保在数据有限时仍能收敛。
• 该方法为确定性算法，且在迭代之间仅需恒定数量的经典内存（约250比特），与精度无关。
• 通过利用费雪信息量与范·特雷斯不等式，证明该算法逼近均方误差的理论下限，表明其数据处理接近最优。
• 该算法基于当前后验分布自适应选择实验，确保每次测量最大程度地减少相位估计的不确定性。
• 经典处理通过单精度浮点数上的简单算术运算实现，可在低功耗硬件（如FPGA和微控制器）上高效执行。

实验结果

研究问题

• RQ1 自适应贝叶斯相位估计算法能否在FPGA和微控制器等低资源硬件上实现足够高效的计算，以支持实时实现？
• RQ2 将后验均值更新表示为随机游走形式，是否能导出一种方法，实现海森堡极限标度，同时保持极低的经典内存与处理开销？
• RQ3 与现有粒子滤波和序贯蒙特卡洛方法相比，该方法在处理时间与内存使用方面表现如何？
• RQ4 随机游走映射在多大程度上保持了统计最优性？该问题可通过范·特雷斯不等式等界进行量化。

主要发现

• 该算法实现了相位估计的海森堡极限标度，即均方误差随测量次数 n 的平方反比缩放，即 O(1/n²)。
• 当 n_exp = 100 次测量时，均方误差约为 7×10⁻²¹，已接近由范·特雷斯不等式给出的理论下限。
• 在CPU上，每次更新的经典处理时间已缩短至微秒级，相比现有粒子滤波方法所需的毫秒级显著提升。
• 该方法仅需 O(log(1/ε)) 的经典内存与运算量即可实现误差容限 ε，而标准粒子滤波方法则需 O(log(1/ε)/ε²)。
• 该算法为确定性算法，无需查找表或复杂数据结构，因此非常适合在FPGA和嵌入式系统中实现。
• 该方法在经典时间和空间复杂度上优于标准贝叶斯方法，同时保持了接近最优的统计效率，该结论已通过理论边界与一致性检验得到验证。