[论文解读] Calculation of quantum discord and entanglement measures using the random mutations optimization algorithm

A. Yu. Chernyavskiy|arXiv (Cornell University)|Apr 12, 2013

Quantum Information and Cryptography参考文献 16被引用 3

一句话总结

本文提出了一种简化的随机突变优化算法——源自多族群遗传算法——用于计算量子信息理论中的量子失谐和纠缠度量。该方法采用自适应突变策略，高效探索高维参数空间，在计算具有最大混合子系统的一对量子比特态的量子失谐时表现出高精度（误差 < 10⁻⁶），在基准问题上优于标准遗传算法。

ABSTRACT

The simple and universal global optimization method based on simplified multipopulation genetic algorithm is presented. The method is applied to quantum information problems. It is compared to the genetic algorithm on standard test functions, and also tested on the calculation of quantum discord and minimal entanglement entropy, which is an entanglement measure for pure multipartite states.

研究动机与目标

• 开发一种稳健、通用的全局优化方法，用于解决涉及非凸、高维最小化问题的量子信息问题。
• 计算量子失谐和最小测量熵——关键的纠缠度量——在解析解受限的量子态中。
• 在测试函数和真实量子信息问题上，对比随机突变算法与标准优化方法的性能。
• 通过具有最大混合子系统的可解析求解两量子比特态验证算法的精度。

提出的方法

• 该算法采用简化的多族群框架，不包含交叉或迁移，仅依赖突变和选择来演化候选解。
• 每代通过概率突变生成后代向量：使用幂律规则 $ v_{new} = v_{old} + m \cdot b^p $ 修改随机数量的分量，其中 $ m \in [-1,1] $，$ p \in [p_{\text{min}}, p_{\text{max}}] $，底数 $ b=10 $。
• 突变参数是自适应的：早期允许较大步长，接近收敛时则以小步长为主，从而有效逃离局部极小值。
• 选择基于适应度：从每个族群的后代中保留最佳向量，并在代际间追踪全局最优解。
• 该算法用于最小化条件熵 $ S(\rho|M) $ 以计算经典关联，进而通过 $ D(\rho) = I(\rho) - C(\rho) $ 计算量子失谐。
• 可观测量由厄米矩阵的实系数参数化，冗余性不影响结果但增加了搜索空间的复杂度。

实验结果

研究问题

• RQ1 简化的随机突变算法能否有效解决量子信息理论中的全局优化问题，特别是涉及非凸和高维函数的问题？
• RQ2 在计算量子失谐和最小测量熵方面，随机突变算法与标准遗传算法相比表现如何？
• RQ3 该算法在具有最大混合子系统的可解析求解两量子比特态中，能否实现高精度的量子失谐结果？
• RQ4 自适应突变策略是否能实现比传统遗传算法更好的收敛性与局部极小值逃离能力？

主要发现

• 随机突变算法在超过5,000个具有最大混合子系统的两量子比特态中，计算量子失谐的数值结果误差均低于 $ 10^{-6} $。
• 该算法在标准测试函数和最小测量熵计算（纯多体态的纠缠单调量）上均优于标准遗传算法。
• 在最小测量熵问题中，算法收敛至正确值，$ e_{0.5} \approx 3500 $，表明其在具有挑战性的纠缠度量上表现强劲。
• 自适应突变机制——采用突变幅度的幂律缩放——实现了对参数空间的有效探索，并在全局最小值附近提升了收敛性能。
• 该方法成功计算了参数化为 $ \rho = \frac{1}{4}(I + \sum_{j=1}^3 c_j \sigma_j \otimes \sigma_j) $ 的态的量子失谐，结果与解析解完全一致。