[论文解读] A framework for engineering quantum likelihood functions for expectation estimation

Dax Enshan Koh, Guoming Wang+2 more|arXiv (Cornell University)|Jun 16, 2020

Quantum Computing Algorithms and Architecture参考文献 16被引用 6

一句话总结

本文提出了一种工程化量子似然函数（ELFs）的框架，旨在最小化量子期望值估计中的后验方差。通过从参数化量子线路解析推导似然函数并优化可调参数，该方法提升了量子可观测量的贝叶斯推断精度。

ABSTRACT

We develop a framework for characterizing and analyzing engineered likelihood functions (ELFs), which play an important role in the task of estimating the expectation values of quantum observables. These ELFs are obtained by choosing tunable parameters in a parametrized quantum circuit that minimize the expected posterior variance of an estimated parameter. We derive analytical expressions for the likelihood functions arising from certain classes of quantum circuits and use these expressions to pick optimal ELF tunable parameters. Finally, we show applications of ELFs in the Bayesian inference framework.

研究动机与目标

• 解决在参数不确定性下准确估计量子期望值的挑战。
• 开发一种系统化方法，以工程化似然函数来最小化期望后验方差。
• 通过优化参数化量子线路中的可调参数，实现量子计量学中改进的贝叶斯推断。
• 为特定量子线路类别提供似然函数的解析表达式，以支持参数优化。
• 弥合量子线路设计与统计推断之间的差距，实现稳健的量子测量结果。

提出的方法

• 将期望值估计问题表述为具有参数化量子线路中可调参数的贝叶斯推断任务。
• 推导出自特定类别量子线路中产生的似然函数的解析表达式，从而实现闭式优化。
• 通过优化可调参数以最小化估计可观测量参数的期望后验方差。
• 将在贝叶斯推断框架内应用推导出的似然函数，以提高估计精度。
• 使用变分量子线路结构对似然函数进行参数化，以实现高效优化。

实验结果

研究问题

• RQ1 如何系统性地工程化量子似然函数，以最小化期望值估计中的后验方差？
• RQ2 特定类别的参数化量子线路的似然函数具有何种解析形式？
• RQ3 量子线路中的哪些可调参数能实现贝叶斯估计中后验方差的最优减少？
• RQ4 与标准方法相比，所提出的框架如何提升量子可观测量估计的准确性和鲁棒性？
• RQ5 工程化后的似然函数在何种方式下可增强贝叶斯推断在量子应用中的性能？

主要发现

• 该框架可为特定量子线路类别解析推导似然函数，从而实现精确优化。
• 通过方差最小化识别出最优可调参数，显著降低了参数估计中的后验不确定性。
• 该方法通过在贝叶斯框架内系统性地工程化似然函数，提升了期望值估计的准确性。
• 推导出的似然函数被证明能有效最小化期望后验方差，从而增强估计的可靠性。
• 该方法在量子计量学和量子传感中展示了实际适用性，通过提升推断性能实现改进。