[论文解读] Improved Product-State Approximation Algorithms for Quantum Local Hamiltonians

Thiago Bergamaschi|arXiv (Cornell University)|Oct 17, 2022

Markov Chains and Monte Carlo Methods被引用 1

一句话总结

本文提出了一类针对密集、低阈值秩或无小图的稀疏图上量子k-局部哈密顿量的自由能的类经典加法误差近似算法。通过引入哈密顿量的弱Szemerédi型正则性引理，并扩展信息论中的乘积态技术，该工作在低温下实现了对自由能的O(εmJ)近似，将问题置于NP类中，从而通过在聚类乘积态上的动态规划与δ-网离散化实现高效算法。

ABSTRACT

The ground state energy and the free energy of Quantum Local Hamiltonians are fundamental quantities in quantum many-body physics, however, it is QMA-Hard to estimate them in general. In this paper, we develop new techniques to find classical, additive error product-state approximations for these quantities on certain families of Quantum $k$-Local Hamiltonians. Namely, those which are either dense, have low threshold rank, or are defined on a sparse graph that excludes a fixed minor, building on the methods and the systems studied by Brandão and Harrow, Gharibian and Kempe, and Bansal, Bravyi and Terhal. We present two main technical contributions. First, we discuss a connection between product-state approximations of local Hamiltonians and combinatorial graph property testing. We develop a series of weak Szemerédi regularity lemmas for $k$-local Hamiltonians, built on those of Frieze and Kannan and others. We use them to develop constant time sampling algorithms, and to characterize the `vertex sample complexity' of the Local Hamiltonian problem, in an analog to a classical result by Alon, de la Vega, Kannan and Karpinski. Second, we build on the information-theoretic product-state approximation techniques by Brandão and Harrow, extending their results to the free energy and to an asymmetric graph setting. We leverage this structure to define families of algorithms for the free energy at low temperatures, and new algorithms for certain sparse graph families.

研究动机与目标

• 开发高效的经典算法，用于近似量子k-局部哈密顿量的自由能，尤其在精确计算为QMA-难的区域。
• 将乘积态近似技术的适用范围从基态能量扩展至低温下的自由能。
• 通过引入新的正则性引理与稀疏图的算法框架，放松对相互作用图结构的假设（如高斯度或小扩张性）。
• 证明具有广义加法误差的自由能近似属于NP，从而支持经典近似方案的使用。
• 统一并扩展Brandão & Harrow、Gharibian & Kempe以及Bansal等人的先前成果，尤其在非对称图结构与热平衡背景下。

提出的方法

• 为k-局部哈密顿量开发弱Szemerédi型正则性引理，实现常数时间采样，并将顶点样本复杂度表征为类经典组合性质测试中的类似形式。
• 在高斯度顶点上引入δ-网以对乘积态空间进行离散化，利用Fannes–Audenaert不等式控制熵与能量误差。
• 将树分解上的动态规划方法适配于最小化正则化自由能目标，将簇间与高斯度顶点间的相互作用视为有效经典局部相互作用。
• 利用信息论中的自解耦论证，构造近似自由能的混合乘积态，其加法误差为O(εmJ)。
• 采用混合态构造方法，结合最优簇态与δ-邻近态，通过Hölder不等式与Fannes–Audenaert不等式控制能量与熵贡献的总误差。
• 应用增强树分解框架，在稀疏无小图图上实现运行时间n^O(1) + n · max(2, 1/βJ) ~O(ε^{-9})。

实验结果

研究问题

• RQ1 能否为比以往已知更广泛的相互作用图类，高效构造量子k-局部哈密顿量自由能的乘积态近似？
• RQ2 量子局部哈密顿量中自由能问题的顶点样本复杂度是多少？其与组合图正则性的关系如何？
• RQ3 信息论中的乘积态近似技术如何从基态能量扩展至低温下的自由能？
• RQ4 哪些图结构条件（如无小图性或低阈值秩）可支持自由能的高效经典近似？
• RQ5 能否将聚类乘积态上的动态规划方法适配于最小化正则化自由能目标并保持有界误差？

主要发现

• 对于具有m = Ω(n/ε³)个有界强度相互作用的n-qudit 2-局部哈密顿量，存在一个乘积态σβ = ⊗σu，使得f(σβ) ≤ F(β) + ε·m，从而将自由能近似置于NP类中。
• 在最大相互作用强度为J的h-无小图图上，一个经典随机算法在时间n^O(1) + n · max(2, 1/βJ) ~O(ε^{-9})内计算出一个聚类乘积态σ，其自由能近似误差为O(εmJ)。
• 在高斯度顶点上采用δ-网离散化，对自由能的误差为O(δJm + n/β · δ log(1/δ))，当δ = ε · min(1, Ω(β²J²))时，该误差被限制在O(εmJ)以内。
• 混合态构造方法（结合最优簇态与δ-邻近态）通过Hölder不等式与Fannes–Audenaert不等式，确保能量与熵误差均受控。
• 该方法将在聚类乘积态上最小化正则化自由能的问题转化为在宽度为O(ε^{-9})的增强树分解上的经典动态规划问题。
• 本结果推广了Brandão & Harrow与Gharibian & Kempe的先前工作，将乘积态近似扩展至自由能，并推广至排除小图的稀疏图族。