[论文解读] A Partially Random Trotter Algorithm for Quantum Hamiltonian Simulations

Shi Jin, Xiantao Li|arXiv (Cornell University)|Sep 16, 2021

Quantum Computing Algorithms and Architecture参考文献 41被引用 4

一句话总结

本文提出了一种用于量子哈密顿量模拟的混合Trotter-Suzuki算法，该算法对大振幅哈密顿量项进行确定性处理，同时对剩余项进行随机采样。通过平衡算符分裂带来的偏差与随机采样带来的方差，该方法在均方误差方面优于纯粹的确定性或随机方法，且理论误差界与门数估计已通过数值方法验证。

ABSTRACT

Given the Hamiltonian, the evaluation of unitary operators has been at the heart of many quantum algorithms. Motivated by existing deterministic and random methods, we present a hybrid approach, where Hamiltonians with large amplitude are evaluated at each time step, while the remaining terms are evaluated at random. The bound for the mean square error is obtained, together with a concentration bound. The mean square error consists of a variance term and a bias term, arising respectively from the random sampling of the Hamiltonian terms and the operator splitting error. Leveraging on the bias/variance trade-off, the error can be minimized by balancing the two. The concentration bound provides an estimate on the number of gates. The estimates are verified by using numerical experiments on classical computers.

研究动机与目标

• 解决大规模量子哈密顿量全确定性Trotter-Suzuki方法中门数过高与误差过大的问题。
• 通过将大振幅项排除在随机评估之外，降低随机采样方法的方差。
• 建立一个能够捕捉混合量子模拟中偏差-方差权衡的均方误差理论框架。
• 推导浓度不等式，以估计实现目标精度所需门数的理论界限。
• 通过在量子自旋链上的数值模拟，验证误差模型与性能提升效果。

提出的方法

• 哈密顿量被划分为两组：大振幅项通过标准Trotter分裂进行确定性处理，小振幅项通过随机采样进行处理。
• 该算法采用混合Trotter步骤，即在每个时间步中将主导项的确定性演化与剩余项的随机选择相结合。
• 误差分析将均方误差分解为偏差项（来自算符分裂）与方差项（来自随机采样），遵循标准的统计偏差-方差权衡原则。
• 推导出浓度不等式，以估计在高置信度下实现目标误差概率所需门数的理论界限。
• 该方法支持灵活的随机采样策略，包括均匀采样与重要性采样，后者被证明可有效降低方差。
• 在Heisenberg自旋链上的数值实验验证了理论误差界，并展示了在准确度上优于全确定性或全随机方法的性能。

实验结果

研究问题

• RQ1 能否通过一种混合方法，对大振幅哈密顿量项进行确定性处理，对小振幅项进行随机处理，从而在量子哈密顿量动力学模拟中降低整体模拟误差？
• RQ2 该混合算法中的均方误差如何分解为偏差与方差分量？该分解是否可用于优化性能？
• RQ3 如何最优地将哈密顿量项划分为确定性与随机处理部分，以最小化总误差？
• RQ4 不同的采样策略（均匀采样与重要性采样）如何影响混合算法中的方差与门数？
• RQ5 能否推导出浓度界限，以估计在高概率下实现给定精度所需量子门数？

主要发现

• 在n=12、门数为2^12的Heisenberg链上，该混合算法的均方误差低于全确定性与全随机Trotter方法。
• 对随机项采用重要性采样可获得比均匀采样更低的方差与更高的准确度，证实其在方差控制方面的优越性。
• 均方误差表现出清晰的偏差-方差权衡，当两部分误差分量平衡时性能达到最优。
• 理论误差界经数值验证，与不同系统尺寸与门数下的实际均方误差结果高度一致。
• 当随机采样使用批量大小K=4或K=8时，性能与K=1相近，表明每步可并行处理多个随机项而不会显著损失准确度。
• 最优的哈密顿量项划分（即确定性与随机处理的分界点）通常出现在系数幅值显著下降的位置，但目前尚缺乏系统性的确定方法。