[论文解读] Quantum Circuit Cutting for Classical Shadows

Daniel T. Chen, Zain H. Saleem+1 more|arXiv (Cornell University)|Dec 1, 2022

Quantum Mechanics and Applications参考文献 34被引用 5

一句话总结

本文提出了一种分而治之的框架，结合量子线路切割与经典阴影层析，更高效地估算高权重可观测量的期望值。通过将大线路分割为更小的子线路，对每个片段分别估算经典阴影，并通过推导的公式在经典层面组合，该方法降低了资源需求，实现了在固定采样次数下对作用于大量量子比特的可观测量的精确估算，相较于未切割的阴影层析方法，在处理大可观测量时表现更优。

ABSTRACT

Classical shadow tomography is a sample-efficient technique for characterizing quantum systems and predicting many of their properties. Circuit cutting is a technique for dividing large quantum circuits into smaller fragments that can be executed more robustly using fewer quantum resources. We introduce a divide-and-conquer circuit cutting method for estimating the expectation values of observables using classical shadows. We derive a general formula for making predictions using the classical shadows of circuit fragments from arbitrarily cut circuits, and provide the sample complexity analysis for the case when observables factorize across fragments. Then, we numerically show that our divide-and-conquer method outperforms traditional uncut shadow tomography when estimating high-weight observables that act non-trivially on many qubits, and discuss the mechanisms for this advantage.

研究动机与目标

• 通过更少的量子资源实现对量子系统中高权重可观测量的高效估算。
• 解决传统经典阴影层析对大可观测量呈现指数级资源增长的问题。
• 开发一种将线路切割与经典阴影层析结合的形式化方法，用于分布式量子模拟。
• 推导样本复杂度边界，确保期望值估算中加法误差有界。
• 通过数值实验验证该方法在大可观测量上相较于未切割阴影层析的优越性。

提出的方法

• 通过线路切割将大量子线路分割为更小、可独立执行的子线路，同时保持切割处量子态结构的完整性。
• 使用随机化的泡利测量为每个线路片段构建经典阴影，从而实现对量子态的高效经典表征。
• 推导出一个通用公式，将各片段的经典阴影组合起来，以估算完整输出态上可观测量的期望值。
• 通过推导样本复杂度边界，考虑了因多处切割导致的不确定性增加，边界与切割数量和片段大小相关。
• 该方法支持随机化与去随机化两种变体，去随机化可提升有限资源下的统计稳定性。
• 基于每片段的测量次数与切割数量，推导出加法误差的理论边界，确保以高概率实现精度要求。

实验结果

研究问题

• RQ1 能否将线路切割与经典阴影层析结合，以减少估算高权重可观测量的资源需求？
• RQ2 使用碎片化线路的经典阴影估算可观测量期望值，所需的样本复杂度是多少，才能保证有界加法误差？
• RQ3 碎片化如何影响阴影层析的准确性，特别是对于在大量量子比特上非平凡作用的可观测量？
• RQ4 在何种条件下，碎片化相比未切割的阴影层析能提升性能？
• RQ5 对于给定的可观测量与线路，是否存在一个最优碎片数量，可使误差最小化？

主要发现

• 所提方法即使在未切割阴影层析中需耗费不可行的大量测量次数时，也能使用固定数量的测量样本，实现对高权重可观测量的精确估算。
• 数值结果表明，碎片化阴影层析在大可观测量上优于传统阴影层析，且优势随可观测量权重增加而增强。
• 对于小可观测量，过度碎片化会因多处切割带来的更高不确定性及每片段测量次数减少而增加误差。
• 样本复杂度与切割数量和片段大小成比例，理论边界确保了在指定加法误差下的高概率准确性。
• 该方法的去随机化变体提升了统计稳定性，可能减少误差，尤其在有限计算资源下表现更优。
• 对于给定的线路与可观测量，很可能存在一个最优碎片数量，表明碎片化的优势与误差累积之间存在权衡。