[论文解读] Predicting Features of Quantum Systems from Very Few Measurements

Hsin-Yuan Huang, Richard Kueng|arXiv (Cornell University)|Aug 23, 2019

Quantum Computing Algorithms and Architecture参考文献 53被引用 8

一句话总结

本文提出经典阴影——一种紧凑且高效的量子态经典表示方法——仅需 O(log M) 次测量即可准确预测大量线性特征（例如期望值、保真度），且该次数与系统尺寸无关。该方法实现了可证明的最优缩放，达到信息论下限，并在高达 162 量子比特的数值模拟中优于现有方法。

ABSTRACT

Predicting features of complex, large-scale quantum systems is essential to the characterization and engineering of quantum architectures. We present an efficient approach for constructing an approximate classical description, called the classical shadow, of a quantum system from very few quantum measurements that can later be used to predict a large collection of features. This approach is guaranteed to accurately predict M linear functions with bounded Hilbert-Schmidt norm from only order of log(M) measurements. This is completely independent of the system size and saturates fundamental lower bounds from information theory. We support our theoretical findings with numerical experiments over a wide range of problem sizes (2 to 162 qubits). These highlight advantages compared to existing machine learning approaches.

研究动机与目标

• 开发一种从最少测量次数中预测大规模量子系统多个特征的方法。
• 克服高维系统中完整量子态层析所需指数级资源需求的问题。
• 通过紧凑的经典表示，为特征预测精度提供严格的理论保证。
• 在数值实验中展示该方法相较于现有机器学习与层析技术的实际优势。
• 通过信息论下限建立测量效率的根本极限。

提出的方法

• 该方法通过在独立的态副本上执行随机 Clifford 测量，构建经典阴影——即对量子态的经典描述。
• 每个测量结果被用于生成一个投影算符，形成态的一个经典快照。
• 经典阴影以这些投影算符的集合形式存储，从而通过中位数-均值协议高效计算线性泛函。
• 理论分析表明，O(B log M / ε²) 次测量足以以有界希尔伯特-施密特范数预测 M 个线性特征，其中 B = max_i tr(O_i²)。
• 该协议利用稳定子形式实现高效经典模拟与测量实现。
• 通过从 2 到 162 量子比特的系统进行数值模拟验证了性能，包括拓扑码（toric code）和 GHZ 型态。

实验结果

研究问题

• RQ1 能否仅用少量量子测量准确预测一个量子态的指数数量级线性特征？
• RQ2 是否可能构建一种量子态的经典表示，使其在无需完整层析的情况下高效预测多种可观测量？
• RQ3 准确特征预测所需的最小测量次数的根本下限是什么？能否被达到？
• RQ4 与基于神经网络的方法相比，经典阴影方法在精度与可扩展性方面表现如何？
• RQ5 该方法能否应用于经典计算困难的量子态（如与学习误差问题（LWE）相关的态），其局限性是什么？

主要发现

• 经典阴影方法仅需 O(log M) 次测量即可准确预测 M 个线性特征，且该次数与系统尺寸无关，达到信息论下限。
• 该方法保证使用 O(B log M / ε²) 次测量可对有界希尔伯特-施密特范数的可观测量实现高精度预测，其中 B 为可观测量的最大范数。
• 在高达 162 量子比特的系统中进行的数值实验表明，经典阴影具有有利的缩放特性，并在预测精度与效率方面优于基于神经网络的层析方法。
• 该方法在拓扑码与 GHZ 型态等系统中尤为有效，传统学习方法因计算困难假设而难以处理这些态。
• 本研究表明，从测量数据中学习某些量子态（如噪声 GHZ 态）将意味着在求解学习误差（LWE）问题上取得突破，而该问题被猜想为计算困难。
• 经典阴影框架可仅用极少数测量重复次数，高精度地同时预测三量子比特系统中的所有纠缠判据。