[论文解读] Improved maximum-likelihood quantum amplitude estimation

Adam Callison, Dan E. Browne|arXiv (Cornell University)|Sep 7, 2022

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

该论文通过在电路深度受限条件下，为实现目标精度提供一种可指导的框架，改进了最大似然量子振幅估计算法（MLQAE）。它识别出算法失效的‘异常’振幅值，并提出一种启发式修正方法以恢复性能，从而增强了MLQAE在近中期量子硬件中的实用性。

ABSTRACT

Quantum amplitude estimation is a key subroutine in a number of powerful quantum algorithms, including quantum-enhanced Monte Carlo simulation and quantum machine learning. Maximum-likelihood quantum amplitude estimation (MLQAE) is one of a number of recent approaches that employ much simpler quantum circuits than the original algorithm based on quantum phase estimation. In this article, we deepen the analysis of MLQAE to put the algorithm in a more prescriptive form, including scenarios where quantum circuit depth is limited. In the process, we observe and explain particular ranges of `exceptional' values of the target amplitude for which the algorithm fails to achieve the desired precision. We then propose and numerically validate a heuristic modification to the algorithm to overcome this problem, bringing the algorithm even closer to being useful as a practical subroutine on near- and mid-term quantum hardware.

研究动机与目标

• 为深度受限的量子电路提供一种可指导的MLQAE框架，以在指定概率下实现目标精度。
• 识别并解释MLQAE在特定‘异常’振幅范围内无法实现目标精度的原因。
• 开发并验证一种启发式修正方法，以缓解在这些异常值处的精度失败问题。
• 增强MLQAE作为近中期量子应用（如量子蒙特卡洛和机器学习）子程序的实际可用性。

提出的方法

• 作者利用伯恩斯坦-冯·米塞斯定理中的正则性假设，扩展了MLQAE的分析，将电路深度映射到目标精度。
• 推导出一种方法，根据目标精度和置信水平选择Grover类迭代次数。
• 引入一种启发式修正方法，在振幅估计接近问题区域的‘异常’值时，调整似然最大化过程。
• 使用数值模拟在各种振幅值和电路深度下验证了修正后算法的性能。
• 该方法将MLQAE视为一种混合量子-经典算法，结合Grover类电路与经典似然最大化。
• 该修正设计用于在不改变核心量子电路结构的前提下，稳定异常值附近的收敛性。

实验结果

研究问题

• RQ1 在深度受限场景下，可实现的电路深度与MLQAE估计精度之间存在何种关系？
• RQ2 为何MLQAE在某些‘异常’振幅值上无法实现目标精度？
• RQ3 对似然最大化步骤进行启发式修正，能否恢复这些异常值附近的精度？
• RQ4 在现实的深度限制下，修正后的MLQAE与原始算法相比在数值表现上如何？
• RQ5 该修正算法在实际中在多大程度上保持了二次加速特性？

主要发现

• 该论文识别出特定的目标振幅范围——被定义为‘异常’——在标准MLQAE中由于似然最大化过程的不稳定性，无法实现目标精度。
• 这些异常值对应于似然函数曲率较平缓的情况，导致经典后处理步骤收敛性差。
• 数值模拟表明，所提出的启发式修正方法能有效恢复这些异常振幅处的精度。
• 修正后的算法在实际中仍保持了二次加速的标度特性，即使在深度受限条件下亦然。
• 该方法使MLQAE在近中期硬件上的实际量子应用中更具可靠性与可指导性。
• 数值验证结果表明，修正后的MLQAE在比原始算法更广泛的振幅范围内，以高概率实现了目标精度。