[论文解读] Differentiating and Integrating ZX Diagrams with Applications to Quantum Machine Learning

Quanlong Wang, Richie Yeung+1 more|arXiv (Cornell University)|Jan 31, 2022

Quantum Computing Algorithms and Architecture被引用 10

一句话总结

本文提出了一种新颖的ZX演算分析框架，通过在代数ZX演算中形式化ZX图的微分与积分，实现了梯度和方差的图解计算。该方法被应用于证明硬件高效ansatz存在平坦区域问题，其梯度方差缩放为O(1/2^n)，实现了完全图解化、高效的分析，无需依赖张量网络或指数和。

ABSTRACT

ZX-calculus has proved to be a useful tool for quantum technology with a wide range of successful applications. Most of these applications are of an algebraic nature. However, other tasks that involve differentiation and integration remain unreachable with current ZX techniques. Here we elevate ZX to an analytical perspective by realising differentiation and integration entirely within the framework of ZX-calculus. We explicitly illustrate the new analytic framework of ZX-calculus by applying it in context of quantum machine learning for the analysis of barren plateaus.

研究动机与目标

• 将ZX演算从代数重写扩展至包含微分与积分等分析工具的范畴。
• 解决先前基于ZX的方法在量子机器学习中分析平坦区域时的局限性。
• 开发一种统一的、图解化的框架，用于计算梯度期望与方差，而无需依赖张量网络或指数和。
• 通过纯粹的图形化推理，实现对量子线路优化问题的高效、可扩展分析。

提出的方法

• 引入代数ZX演算，将图的和视为单一实体，以支持分析运算。
• 定义统一的图解链式法则与乘积法则，用于使用Z、X和W蜘蛛对任意ZX图进行微分。
• 为最多包含三个参数出现的电路类图开发定积分规则。
• 利用W蜘蛛编码导数结构，在微分过程中保持图的拓扑结构。
• 将该框架应用于推导出量子线路梯度方差的闭式图解表达式。
• 利用稳定子分解实现所得图的高效数值评估。

实验结果

研究问题

• RQ1 是否能完全在图解演算（如ZX演算）中形式化微分与积分，而无需依赖线性代数或张量网络？
• RQ2 如何图解计算量子线路期望值的梯度方差，以实现平坦区域分析？
• RQ3 所提出的框架能否在不引起图复杂度指数级增长的情况下，高效处理大规模ansatz？
• RQ4 W蜘蛛在编码导数结构并实现图解乘积法则中起到什么作用？
• RQ5 该框架能否用于推导新的参数移位规则或改进数值梯度计算？

主要发现

• 本文在代数ZX图上建立了完整的图解链式法则与乘积法则，使ZX框架内能够进行分析推理。
• 为最多包含三个参数出现的电路类图提供了定积分规则，将ZX演算扩展至分析任务。
• 推导出了量子线路期望值梯度方差的闭式图解表达式，实现了对平坦区域的直接分析。
• 该框架实现了完全图解化的证明：n量子比特硬件高效ansatz存在平坦区域问题，其梯度方差缩放为O(1/2^n)。
• 该方法避免了指数和与张量网络，实现了数值优势：使用二维张量网络而非三维张量网络。
• 该方法已成功应用于推导新的参数移位规则，并可通过稳定子分解实现高效数值检测平坦区域。