[论文解读] Quantum Adiabatic Evolution Algorithms with Different Paths

Edward Farhi, Jeffrey Goldstone+1 more|ArXiv.org|Aug 21, 2002

Quantum Computing Algorithms and Architecture参考文献 1被引用 66

一句话总结

本文提出了一种基于哈密顿量空间中弯曲路径的量子绝热算法——具体而言，通过引入额外项 $ H_E $ 构造非线性路径，以避免导致性能下降的小能隙。通过随机选择 $ H_E $，该方法可将原本失败的算法转变为成功算法，如在某一困难实例中，标准直线路径失败，而弯曲路径则实现了多项式时间内的成功运行。

ABSTRACT

In quantum adiabatic evolution algorithms, the quantum computer follows the ground state of a slowly varying Hamiltonian. The ground state of the initial Hamiltonian is easy to construct; the ground state of the final Hamiltonian encodes the solution of the computational problem. These algorithms have generally been studied in the case where the "straight line" path from initial to final Hamiltonian is taken. But there is no reason not to try paths involving terms that are not linear combinations of the initial and final Hamiltonians. We give several proposals for randomly generating new paths. Using one of these proposals, we convert an algorithmic failure into a success.

研究动机与目标

• 解决标准量子绝热算法在从初始哈密顿量到问题哈密顿量的直线路径上能隙变小时性能失败的局限性。
• 探究除线性插值外，哈密顿量空间中的其他路径是否可通过避开小能隙区域而实现更优性能。
• 开发并测试 $ H_E $ 的随机路径生成策略，以在保持基态结构的同时提升绝热演化效率。
• 证明路径曲率可使原本在标准路径下失败的实例实现多项式时间成功，尤其在困难优化实例中表现显著。
• 提供一种框架，通过多次运行算法并采用不同的 $ H_E $ 选择，利用路径多样性提高整体成功概率。

提出的方法

• 将绝热哈密顿量推广为 $ \widetilde{H}(s) = (1-s)H_B + sH_P + s(1-s)H_E $，其中 $ H_E $ 为仅在演化中段激活的额外项。
• 提出三种 $ H_E $ 生成方案：P1（每条子句使用随机厄米矩阵）、P2（所有子句共用同一随机矩阵）、P3（针对3-SAT设计特定结构的随机矩阵）。
• 利用有效势分析研究绝热演化动力学，特别关注随着 $ s $ 增大，势能全局最小值的移动轨迹。
• 通过数值实验测试在随机 $ H_E $ 下路径跟踪的成功率，测量局部最小值是否能连续演化至最终基态。
• 将该方法应用于文献[5]中的已知困难实例，表明通过P2引入 $ H_E $ 可使能隙足够大，从而实现多项式时间绝热演化。
• 利用对称性与统计采样分析算法性能，评估导致成功演化之 $ H_E $ 空间体积。

实验结果

研究问题

• RQ1 哈密顿量空间中的非线性路径是否可通过避开小能隙区域，提升量子绝热算法的性能？
• RQ2 有哪些有效的 $ H_E $ 生成策略，可在保持问题基态结构的同时增强绝热演化性能？
• RQ3 随机选择 $ H_E $ 是否显著提高在困难实例上成功实现绝热演化的机会？
• RQ4 有效势方法能否用于分析或数值预测弯曲路径下绝热演化的成功性？
• RQ5 问题的对称性（如相同子句）如何影响路径优化绝热算法的性能？

主要发现

• 通过P2方案引入 $ H_E $，成功将此前失败的绝热算法转变为有效算法，实现了对困难实例的多项式时间求解。
• 在1000次随机试验中，351次成功追踪到局部最小值从初始态连续演化至最终基态，表明成功率较高。
• 有效势分析显示，对于对称 $ H_E $，全局最小值从 $ \theta = \pi/2, \varphi = 0 $ 平滑移动至 $ \theta = 0, \varphi = 0 $，确保了绝热演化的成功。
• 通过P1随机选择 $ H_E $ 虽未普遍提升最小能隙，但降低了最小能隙成为关键瓶颈的可能性，表明路径多样性具有积极作用。
• 采用 $ H_E $ 的算法成功与否取决于路径是否避开小能隙区域；弯曲路径可绕过此类瓶颈。
• 该方法支持通过多次运行不同 $ H_E $ 选择的绝热演化，以提高整体成功概率，即使单次运行可能失败。