[论文解读] Entanglement as a resource in adiabatic quantum optimization
本文通过张量网络方法（矩阵乘积态MPS与投影纠缠对态PEPS）模拟量子退火，以约束纠缠度（bond dimension）为条件，研究了绝热量子优化中纠缠作为关键资源的作用。结果表明，增加纠缠度可显著提升伊辛自旋玻璃问题中基态的找到概率，即使在较低的纠缠度下（MPS中M=30，PEPS中D=2）也明显优于平均场方法。
We explore the role of entanglement in adiabatic quantum optimization by performing approximate simulations of the real-time evolution of a quantum system while limiting the amount of entanglement. To classically simulate the time evolution of the system with a limited amount of entanglement, we represent the quantum state using matrix-product states and projected entangled-pair states. We show that the probability of finding the ground state of an Ising spin glass on either a planar or non-planar two-dimensional graph increases rapidly as the amount of entanglement in the state is increased. Furthermore, we propose evolution in complex time as a way to improve simulated adiabatic evolution and mimic the effects of thermal cooling of the quantum annealer.
研究动机与目标
- 探究纠缠是否在绝热量子优化中作为有用资源发挥作用。
- 评估有限纠缠对求解NP难的伊辛自旋玻璃问题的量子退火模拟成功率的影响。
- 在受控纠缠条件下，比较MPS与PEPS等经典模拟方法，评估其在近似绝热演化中的有效性。
- 探索复时演化作为提升模拟可靠性并模拟热冷却效应的方法。
提出的方法
- 使用矩阵乘积态（MPS）与投影纠缠对态（PEPS）模拟绝热量子退火，通过键维数M与D控制纠缠度。
- 采用时间依赖的哈密顿量H(s) = sH_Ising + (1-s)H_X，从横向场演化至伊辛自旋玻璃哈密顿量。
- 通过exp(-(i+ε)δtH)实现复时演化，以减少非绝热误差并改善收敛性。
- 通过将最终态投影到计算基并比较能量与已知基态能量来测量成功概率。
- 对于PEPS，假设基态与第一激发态的叠加，利用E_f = pE_0 + (1-p)E_1估计基态重叠的下限。
- 在平面与非平面二维图上进行模拟，包括一个2×10×10双层方形晶格，耦合常数为随机±1。
实验结果
研究问题
- RQ1在模拟的量子态中增加纠缠度是否能提升绝热量子优化中找到基态的概率？
- RQ2当纠缠度受限时，MPS与PEPS模拟的性能与平均场方法相比如何？
- RQ3复时演化能否提升绝热量子退火经典模拟的可靠性？
- RQ4求解NP难自旋玻璃问题时，使性能显著优于平均场动力学的最小纠缠度水平是什么？
主要发现
- MPS模拟的成功概率随键维数M单调增加，在M=30时达到较高值，适用于D-Wave 108量子比特实例。
- 即使在D=2的低键维数下，PEPS模拟也能抑制困难实例（p<0.1），并提高简单实例的比例（p>0.9），相比D=1有显著改善。
- D=1时PEPS的成功概率直方图呈强烈双峰分布，表明一半实例可轻松求解，另一半则不能，与平均场行为一致。
- 复时演化通过减少非绝热误差，提升了模拟的可靠性，有效模拟了热冷却效应。
- 弱而长程的纠缠比强而局域的纠缠更有利，这由簇平均场方法无法提升成功率所证实。
- 结果表明，即使纠缠度较低且不完美的量子比特也可能在量子优化中具有实用价值，且经典张量网络方法可产生强大的优化算法。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。