[论文解读] Further improving quantum algorithms for nonlinear differential equations via higher-order methods and rescaling

Pedro C. S. Costa, Philipp Schleich+2 more|arXiv (Cornell University)|Dec 15, 2023

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

该论文通过引入截断泰勒级数的高阶时间积分、重新缩放以提高成功概率，以及对Carleman线性化过程的更紧误差界，改进了非线性微分方程的量子算法。该方法在时间上实现近线性缩放，并对误差呈对数依赖，结合高阶空间离散化后，可高效求解反应-扩散方程等非线性PDE。

ABSTRACT

The solution of large systems of nonlinear differential equations is needed for many applications in science and engineering. In this study, we present three main improvements to existing quantum algorithms based on the Carleman linearisation technique. First, by using a high-precision technique for the solution of the linearised differential equations, we achieve logarithmic dependence of the complexity on the error and near-linear dependence on time. Second, we demonstrate that a rescaling technique can considerably reduce the cost, which would otherwise be exponential in the Carleman order for a system of ODEs, preventing a quantum speedup for PDEs. Third, we provide improved, tighter bounds on the error of Carleman linearisation. We apply our results to a class of discretised reaction-diffusion equations using higher-order finite differences for spatial resolution. We show that providing a stability criterion independent of the discretisation can conflict with the use of the rescaling due to the difference between the max-norm and 2-norm. An efficient solution may still be provided if the number of discretisation points is limited, as is possible when using higher-order discretisations.

研究动机与目标

• 解决先前针对非线性ODE和PDE的量子Carleman线性化算法中存在的指数复杂度瓶颈。
• 通过采用高阶有限差分格式，减少实现稳定和精确解所需的离散化点数。
• 解决在量子PDE求解器中，2-范数重新缩放（用于高成功概率）与PDE的max-范数稳定性准则（用于稳定性）之间的冲突。
• 提供对Carleman线性化截断误差的更紧、可解析推导的界，以改善精度控制。
• 通过确保幅度放大成功概率保持较高，实现离散化点数的亚线性缩放。

提出的方法

• 应用截断泰勒级数方法求解线性化后的ODE系统，实现演化时间T的近线性依赖。
• 引入一种重新缩放技术，将原始动力学变换以增强Carleman向量中解分量的振幅，从而提高成功概率。
• 使用高阶有限差分模板对PDE进行空间离散化，减少所需网格点数，改善整体复杂度。
• 推导出Carleman线性化截断过程中引入误差的更紧解析界，提升精度控制。
• 通过酉矩阵的线性组合构造Carleman矩阵的块编码，其复杂度与编码中基态数量成正比。
• 分析max-范数稳定性（PDE要求）、2-范数重新缩放（用于量子效率）和ODE求解器稳定性之间的相互作用，识别出算法保持高效性的条件。

实验结果

研究问题

• RQ1 在Carleman线性化中重新缩放原始动力学是否能提高幅度放大的成功概率，从而实现在离散化点数上的亚线性缩放？
• RQ2 使用截断泰勒级数进行时间演化是否能实现总演化时间T的近线性缩放，优于先前方法？
• RQ3 高阶空间离散化是否能减少实现稳定性和准确性所需的网格点数，从而改善量子算法复杂度？
• RQ4 PDE的max-范数稳定性准则与实现高效量子态制备所需的2-范数重新缩放之间的确切关系是什么？
• RQ5 Carleman线性化截断的误差界有多紧？能否进行解析推导以确保量子算法中的精度？

主要发现

• 求解线性化ODE系统的截断泰勒级数方法在总演化时间T上实现近线性缩放，显著优于先前方法。
• 重新缩放原始动力学可实现幅度放大的高成功概率，这对实现离散化点数的亚线性缩放至关重要。
• 推导出Carleman线性化截断误差的更紧解析界，提供更好的精度控制，并减少对误差的高估。
• 高阶有限差分格式减少了所需网格点数，这对结合重新缩放和基于2-范数的幅度放大保持效率至关重要。
• 识别出max-范数稳定性（PDE要求）与2-范数重新缩放（量子效率要求）之间的冲突为关键挑战，但若满足2-范数稳定性条件，算法仍保持高效。
• 整体量子算法实现对误差的对数依赖和对时间的近线性依赖，使得在特定条件下可实现非线性PDE的实用量子加速。