[论文解读] An efficient quantum algorithm for simulating polynomial differential equations

Amit Surana, Abeynaya Gnanasekaran+1 more|arXiv (Cornell University)|Dec 21, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

该论文提出了一种用于模拟任意有限阶多项式向量场的非线性常微分方程（ODE）的量子算法，其阶数为 $k$，扩展了先前针对二次系统的工作。通过将 $k$ 阶 ODE 映射为高维二次系统，应用卡尓曼线性化（Carleman linearization）并进行截断，再利用前向欧拉法与量子线性系统算法（QLSA）求解，该算法在 $k$、$T$ 和 $"log n$

ABSTRACT

We present an efficient quantum algorithm to simulate nonlinear differential equations with polynomial vector fields of arbitrary degree on quantum platforms. Models of physical systems that are governed by ordinary differential equations (ODEs) or partial differential equation (PDEs) can be challenging to solve on classical computers due to high dimensionality, stiffness, nonlinearities, and sensitive dependence to initial conditions. For sparse $n$-dimensional linear ODEs, quantum algorithms have been developed which can produce a quantum state proportional to the solution in poly(log(nx)) time using the quantum linear systems algorithm (QLSA). Recently, this framework was extended to systems of nonlinear ODEs with quadratic polynomial vector fields by applying Carleman linearization that enables the embedding of the quadratic system into an approximate linear form. A detailed complexity analysis was conducted which showed significant computational advantage under certain conditions. We present an extension of this algorithm to deal with systems of nonlinear ODEs with $k$-th degree polynomial vector fields for arbitrary (finite) values of $k$. The steps involve: 1) mapping the $k$-th degree polynomial ODE to a higher dimensional quadratic polynomial ODE; 2) applying Carleman linearization to transform the quadratic ODE to an infinite-dimensional system of linear ODEs; 3) truncating and discretizing the linear ODE and solving using the forward Euler method and QLSA. Alternatively, one could apply Carleman linearization directly to the $k$-th degree polynomial ODE, resulting in a system of infinite-dimensional linear ODEs, and then apply step 3. This solution route can be computationally more efficient. We present detailed complexity analysis of the proposed algorithms, prove polynomial scaling of runtime on $k$ and demonstrate the framework on an example.

研究动机与目标

• 将用于模拟非线性 ODE 的量子算法从二次向量场扩展到任意有限阶多项式系统。
• 利用量子优势解决经典 ODE/PDE 求解器在高维、刚性及非线性问题上的计算挑战。
• 在指定条件下，保持系统规模 $n$、演化时间 $T$ 和阶数 $k$ 的多项式时间复杂度。
• 通过高效的嵌入与截断策略，证明对于更高阶多项式 ODE，量子加速在理论上依然可行。

提出的方法

• 将 $k$ 阶多项式 ODE 映射为更高维的二次多项式 ODE 系统，以支持卡尓曼线性化的应用。
• 应用卡尓曼线性化，将二次 ODE 系统转换为无限维线性 ODE 系统。
• 在有限阶 $N$ 处截断无限维系统，以获得有限维近似。
• 使用前向欧拉法对截断后的线性 ODE 系统进行离散化，以实现数值积分。
• 利用量子线性系统算法（QLSA）求解所得线性系统，以制备与解成比例的量子态。
• 通过直接对 $k$ 阶系统应用卡尓曼线性化，优化流程，相比中间的二次映射可降低计算成本。

实验结果

研究问题

• RQ1 量子算法能否以 $k$ 的多项式时间复杂度，模拟任意有限阶 $k$ 的多项式 ODE？
• RQ2 所提出的方法是否在高阶非线性情形下仍保持对经典求解器的量子优势？
• RQ3 在卡尓曼线性化框架下，截断阶数 $N$ 如何影响解的精度与复杂度？
• RQ4 解的衰减因子 $q = \|\mathbf{x}(0)\| / \|\mathbf{x}(T)\|$ 对整体查询复杂度与门限复杂度有何影响？
• RQ5 与中间二次映射相比，对 $k$ 阶系统直接进行卡尓曼线性化是否在计算效率上更具优势？

主要发现

• 所提算法的查询复杂度与门限复杂度为 $\mathcal{O}\left(\frac{sT^{2}q}{\epsilon}\textsf{poly}(\log T, \log n, \log 1/\epsilon)\right)$，在 $k$ 上保持多项式时间复杂度。
• 该算法在演化时间 $T$ 上保持多项式时间复杂度，克服了先前方法中出现的指数依赖。
• 对 $k$ 阶 ODE 直接进行卡尓曼线性化，相比中间二次映射，可提供更高效的计算路径。
• 截断阶数 $N$ 被选为 $N = N'(k-1)$，以确保原始系统中所有唯一方程均被线性化近似所捕获。
• 复杂度分析表明，在 $R_k < 1$ 条件下，该算法相对于经典方法可实现指数加速，其中 $R_k$ 表征非线性相对于线性耗散的强度。
• 数值实验验证了该框架在测试实例上的可行性与准确性，支持了理论复杂度边界的正确性。