[论文解读] Applications of Quantum Annealing in Statistics

Robert C. Foster, Brian Weaver+1 more|arXiv (Cornell University)|Apr 15, 2019

Quantum Computing Algorithms and Architecture参考文献 27被引用 5

一句话总结

本文展示了D-Wave量子退火在统计任务中的应用，包括最大似然估计、实验设计生成和矩阵求逆。尽管当前硬件限制导致性能尚不及经典方法，但本研究展示了概念可行性，并指出由于量子退火在优化准则下的适用性，实验设计是最具前景的应用方向。

ABSTRACT

Quantum computation offers exciting new possibilities for statistics. This paper explores the use of the D-Wave machine, a specialized type of quantum computer, which performs quantum annealing. A general description of quantum annealing through the use of the D-Wave is given, along with technical issues to be encountered. Quantum annealing is used to perform maximum likelihood estimation, generate an experimental design, and perform matrix inversion. Though the results show that quantum computing is still at an early stage which is not yet superior to classical computation, there is promise for quantum computation in the future.

研究动机与目标

• 探索在NISQ时代使用D-Wave量子退火解决核心统计问题的可行性。
• 展示量子退火在最大似然估计、实验设计和矩阵求逆中的实际应用。
• 基于问题结构和硬件约束，识别最适于量子退火的统计问题。
• 评估当前量子退火硬件的局限性，如噪声、嵌入开销和退相干，对可靠统计计算的影响。
• 通过展示即使在早期硬件阶段，量子退火仍可应用于真实统计问题，激发未来研究。

提出的方法

• 将统计问题映射为D-Wave量子退火架构所需的QUBO或伊辛模型格式。
• 利用绝热定理指导量子退火过程，从简单的初始哈密顿量演化到问题哈密顿量。
• 将最大似然估计表述为对表示参数值的二值变量的能量最小化问题。
• 将实验设计生成编码为基于统计最优性准则（如D-最优性）的优化任务，表示为QUBO。
• 将矩阵求逆表示为约束优化问题，其中矩阵与其估计的乘积需趋近于单位矩阵，使用矩阵元素的离散近似。
• 应用链强度和退火参数以在嵌入过程中稳定解，通过多次读取提升可靠性。

实验结果

研究问题

• RQ1 D-Wave硬件上的量子退火能否有效应用于最大似然估计等统计推断任务？
• RQ2 量子退火在多大程度上能比经典模拟退火更高效地生成最优实验设计？
• RQ3 在量子退火硬件约束（如量子比特分辨率和嵌入开销）下，矩阵求逆的近似精度如何？
• RQ4 影响统计应用中量子退火结果可靠性的主要硬件和算法瓶颈是什么？
• RQ5 D-Wave系统中的量子隧穿是否在统计问题上为经典优化提供了实质性优势？

主要发现

• 在D-Wave 2000Q上，量子退火成功生成了最大似然估计、实验设计和矩阵求逆的估计结果，展示了统计应用的概念可行性。
• 对于3×3矩阵求逆，估计的逆矩阵对角线元素相对误差在6%以内，而非对角线元素因离散化和能量函数构造导致误差较大。
• 能量函数衡量的是与单位矩阵的偏离程度，而非估计逆矩阵与真实逆矩阵的偏离，这可能导致优化误导并复杂化收敛过程。
• 更大的矩阵（如8×8）虽可嵌入，但未能产生可靠或可识别的逆矩阵估计，表明存在可扩展性问题。
• 尽管尝试了不同链强度和退火时间，解的质量未见显著改善，表明硬件层面的噪声和嵌入限制持续存在。
• 在三项应用中，实验设计生成最具前景，因其与量子退火及经典模拟退火的优化本质高度契合。