[论文解读] Operator Sampling for Shot-frugal Optimization in Variational Algorithms
本文提出 Rosalin，一种针对变分量子算法的少 Shots 优化器，结合加权算符采样与自适应 Shots 分配，以减少测量开销。通过根据系数大小随机采样哈密顿量项，并动态调整每项的 Shots 数量，Rosalin 在比以往方法更少的测量次数下实现更快收敛，且在噪声模型下对 H₂、LiH 和 BeH₂ 的基态能量估计表现优于其他方法。
Quantum chemistry is a near-term application for quantum computers. This application may be facilitated by variational quantum-classical algorithms (VQCAs), although a concern for VQCAs is the large number of measurements needed for convergence, especially for chemical accuracy. Here we introduce a strategy for reducing the number of measurements (i.e., shots) by randomly sampling operators $h_i$ from the overall Hamiltonian $H = \sum_i c_i h_i$. In particular, we employ weighted sampling, which is important when the $c_i$'s are highly non-uniform, as is typical in chemistry. We integrate this strategy with an adaptive optimizer developed recently by our group to construct an improved optimizer called Rosalin (Random Operator Sampling for Adaptive Learning with Individual Number of shots). Rosalin implements stochastic gradient descent while adapting the shot noise for each partial derivative and randomly assigning the shots amongst the $h_i$ according to a weighted distribution. We implement this and other optimizers to find the ground states of molecules H$_2$, LiH, and BeH$_2$, without and with quantum hardware noise, and Rosalin outperforms other optimizers in most cases.
研究动机与目标
- 为解决变分量子算法（VQAs）中的高测量成本问题，特别是变分量子酉求解器（VQE）中因 Shot 噪声和非对易可观测量导致需要大量 Shots 的问题。
- 通过引入一种新颖的策略——根据系数大小对哈密顿量各项进行随机采样，以减少达到收敛所需的量子线路 Shots 数量。
- 将此采样策略与自适应 Shots 分配相结合，提升收敛效率，且无需依赖完整的期望值估计。
- 开发一种新型优化器 Rosalin，结合算符采样与单个 Shots 自适应，以在 VQA 任务中超越标准及现有自适应优化器的表现。
- 在无噪声与有噪声的量子硬件条件下，对分子基态能量问题（H₂、LiH、BeH₂）验证该方法的有效性。
提出的方法
- 该方法根据系数大小 $ |c_i| $ 的比例，从完整哈密顿量 $ H = \sum_i c_i h_i $ 中对各项 $ h_i $ 进行随机采样，即使仅使用单次 Shots 也能保证能量估计的无偏性。
- 采用随机梯度下降，其中每个梯度分量通过随机选取的 $ h_i $ 子集进行估计，从而降低方差与测量成本。
- 优化器根据估计的梯度方差与范数，动态分配每个偏导数的 Shots 数量，并使用这些量的滚动平均值来指导 Shots 分配。
- Rosalin 集成了 iCANS 框架以实现自适应 Shots 分配，但通过引入算符采样，进一步提升了有限 Shots 预算下的使用效率。
- 算法采用加权概率分布进行算符选择，并引入偏差项以正则化梯度范数估计，提升稳定性。
- 引入截断机制，防止对任一梯度分量分配过多 Shots，确保总 Shots 数量保持在限定范围内。
实验结果
研究问题
- RQ1基于系数大小加权的哈密顿量项随机采样，是否能在极低 Shots 数量下产生能量估计的无偏估计？
- RQ2将算符采样与自适应 Shots 分配相结合，是否能提升变分量子算法中的收敛速度与精度？
- RQ3在噪声环境下，Rosalin 相较于标准优化器（如 Adam）和先前的自适应方法（如 iCANS）在 Shots 效率与收敛性方面表现如何？
- RQ4由于采样过程具有内在随机性，算符采样是否有助于逃离局部极小值？
- RQ5该方法在 H₂、LiH 和 BeH₂ 等分子的 VQE 模拟中，能在多大程度上减少测量开销？
主要发现
- Rosalin 显著减少了 VQE 模拟中实现收敛所需的量子线路 Shots 数量，优于现成优化器及先前的自适应方法（如 iCANS）。
- 由于加权采样策略，即使每个梯度分量仅使用一次 Shots，也能实现无偏能量估计，从而实现前所未有的少 Shots 效率。
- 在 H₂、LiH 和 BeH₂ 的模拟中，Rosalin 实现了比其他优化器更快的收敛速度与更高的能量精度，尤其在噪声量子硬件条件下表现更优。
- 算符采样与自适应 Shots 分配的结合，提升了对硬件噪声的鲁棒性，因为随机性有助于避免局部极小值并平坦化损失景观。
- 该算法在不同超参数下表现稳定，偏差项与滚动平均参数显著提升了收敛稳定性并降低了方差。
- 实证结果表明，即使总 Shots 数量受限，Rosalin 仍能保持高精度，展现出相较于基线方法更优越的 Shots 效率。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。