[论文解读] Generating pseudo-random discrete probability distributions: About the normalization and trigonometric methods

Jonas Maziero|arXiv (Cornell University)|Feb 7, 2015

Quantum Mechanics and Applications参考文献 28被引用 1

一句话总结

本文提出并分析了三种方法——独立同分布（iid）、归一化和三角函数法——用于生成无偏的伪随机离散概率分布，这对于随机模拟和量子态采样至关重要。本文提供了详细的数值实现指导，并展示了这些方法在生成希尔伯特空间上均匀分布的随机纯量子态中的适用性。

ABSTRACT

The generation of pseudo-random discrete probability distributions is of paramount importance for a wide range of stochastic simulations spanning from Monte Carlo methods to the random sampling of quantum states for investigations in quantum information science. In spite of its significance, a thorough exposition of such a procedure is lacking in the literature. In this article we present relevant details concerning the numerical implementation and applicability of what we call the iid, normalization, and trigonometric methods for generating an unbiased probability vector $\mathbf{p}=(p_{1},\cdots,p_{d})$. An immediate application of these results regarding the generation of pseudo-random pure quantum states is also described.

研究动机与目标

• 为解决在随机模拟中生成无偏伪随机离散概率分布方面缺乏全面文献的问题。
• 为三种关键方法——独立同分布（iid）、归一化和三角函数法——提供详细的数值实现指南。
• 评估这些方法在生成均匀分布的量子态方面的适用性和性能。
• 展示这些方法在量子信息科学中直接应用于采样随机纯量子态的有效性。

提出的方法

• 独立同分布（iid）方法生成独立同分布的指数分布随机变量，并将其归一化以形成概率向量。
• 归一化方法使用独立同分布的标准正态随机变量，对其平方后归一化，得到概率分布向量。
• 三角函数法通过在区间 [0, 2π) 上均匀分布的角度应用三角函数来构建概率向量。
• 所有方法均针对其在标准单纯形上生成均匀分布的概率向量的能力进行评估。
• 本文提供了数值实现细节，并讨论了计算效率和数值稳定性。
• 通过将概率向量的平方根映射为态向量，将这些方法应用于生成随机纯量子态。

实验结果

研究问题

• RQ1 独立同分布（iid）、归一化和三角函数法在生成无偏离散概率分布方面如何比较？
• RQ2 在实际模拟中，每种方法的数值实现挑战及其解决方案是什么？
• RQ3 这些方法在多大程度上能在标准单纯形上生成均匀分布的概率向量？
• RQ4 如何有效应用这些方法在量子信息科学中采样随机纯量子态？

主要发现

• 归一化方法和三角函数法在标准单纯形上生成了均匀分布的概率向量，确保了无偏采样。
• 独立同分布（iid）方法虽然简单，但必须仔细处理指数分布随机变量，以避免在有限精度算术中引入数值偏差。
• 所有三种方法在数值上均稳定，适用于蒙特卡洛模拟中的高维概率分布。
• 三角函数法利用三角恒等式，提供了一种确定且高效的生成均匀分布概率向量的替代方案。
• 这些方法成功应用于生成在希尔伯特空间上均匀分布的随机纯量子态。