[论文解读] Generating pseudo-random probability vectors: On the normalization and trigonometric methods

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

Theoretical and Computational Physics被引用 1

一句话总结

本文提出并比较了三种方法——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向量，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，并展示了其在生成希尔伯特空间上均匀分布的随机纯量子态中的应用。

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

• 为解决生成无偏伪随机概率向量以用于随机模拟的全面文献缺乏的问题。
• 比较独立同分布（iid）、归一化和三角函数法在生成离散概率向量方面的数值性能和适用性。
• 为这些方法在高维情形下的实际实现提供详细指导。
• 展示其在直接生成均匀分布的纯量子态中的应用。

提出的方法

• 独立同分布（iid）方法通过生成独立同分布的指数分布随机变量并进行归一化，形成概率向量。
• 归一化方法使用独立同分布的均匀分布或伽马分布随机变量，然后将总和归一化为1。
• 三角函数方法通过在超球坐标系中对均匀分布的角度进行正弦平方变换来构建概率向量。
• 所有方法均评估其在标准单纯形上生成均匀分布概率向量的能力。
• 本文推导并应用了三角函数方法的雅可比变换，以确保在概率单纯形上的均匀性。
• 通过数值验证评估所生成向量的统计特性及均匀性。

实验结果

研究问题

• RQ1 归一化法与三角函数法在生成均匀分布概率向量方面如何比较？
• RQ2 在高维概率单纯形中，各方法的数值稳定性和实现挑战是什么？
• RQ3 这些方法能否可靠地用于生成均匀随机的纯量子态？
• RQ4 每种方法生成的概率向量均匀性的理论依据是什么？
• RQ5 在计算效率和统计偏差方面，这些方法的表现如何？

主要发现

• 使用指数分布随机变量的归一化方法可在概率单纯形上产生均匀分布，确保无偏采样。
• 基于超球坐标系的三角函数方法，当角度均匀分布时，可在单纯形上产生均匀分布。
• 当使用指数分布随机变量时，独立同分布（iid）方法在数学上等价于归一化方法，用于生成均匀概率向量。
• 三种方法——独立同分布（iid）、归一化和三角函数——在单纯形上的均匀性方面具有等价的统计特性。
• 这些方法成功应用于生成均匀分布的纯量子态，证实了其在量子信息模拟中的实用性。