[论文解读] Response to "Exponential challenges in unbiasing quantum Monte Carlo algorithms with quantum computers"

Joonho Lee, David R. Reichman+5 more|arXiv (Cornell University)|Jul 27, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文回应了关于量子-经典量子蒙特卡洛（QC-QMC）算法中指数级扩展的担忧，表明估计波函数重叠时的指数级挑战在很大程度上取决于QMC方法、体系哈密顿量以及试波函数/行走者波函数的形式。数值结果表明，在某些参数范围内（如一维横向场伊辛模型在Γ/J = 0.5时），随着体系尺寸增大，信噪比保持稳定，QC-QMC仍可保持高效，表明在有利条件下实际的量子优势仍有可能实现。

ABSTRACT

A recent preprint by Mazzola and Carleo numerically investigates exponential challenges that can arise for the QC-QMC algorithm introduced in our work, "Unbiasing fermionic quantum Monte Carlo with a quantum computer." As discussed in our original paper, we agree with this general concern. However, here we provide further details and numerics to emphasize that the prospects for practical quantum advantage in QC-QMC remain open. The exponential challenges in QC-QMC are dependent on (1) the choice of QMC methods, (2) the underlying system, and (3) the form of trial and walker wavefunctions. While one can find difficult examples with a specific method, a specific system, and a specific walker/trial form, for some combinations of these choices, the approach is potentially more scalable than other near-term quantum algorithms. Future research should aim to identify examples for which QC-QMC enables practical quantum advantage.

研究动机与目标

• 回应预印本中提出的关于QC-QMC算法中指数级扩展的担忧。
• 澄清波函数振幅估计中的指数级挑战并非在所有体系与方法组合下都具有普遍抑制性。
• 通过数值模拟表明，QC-QMC在某些参数范围内（如一维横向场伊辛模型中Γ/J = 0.5）仍可保持高效。
• 论证QC-QMC在抗噪声能力和测量开销方面，相较于VQE和QPE等其他近期量子算法可能具有优势。
• 鼓励未来研究识别出能实现QC-QMC实际量子优势的具体体系、方法与波函数组合。

提出的方法

• 作者将QC-QMC分析为一种混合量子-经典框架，用于在量子计算机上估计波函数重叠⟨ΨT|ϕ⟩，其中|ΨT⟩为试波函数，|ϕ⟩为行走者态。
• 比较了QC-AFQMC与QC-GFMC，表明对于非相互作用费米子体系（如映射后的一维TFIM），QC-AFQMC在无采样情况下即为精确解，凸显方法依赖性。
• 在Γ/J = 0.5和Γ/J = 1.0条件下，对一维横向场伊辛模型进行了数值模拟，使用标准与复杂行走者波函数。
• 通过从|ΨT|²重复采样计算重叠分布与局部能量估计，分析GFMC能量收敛性随测量次数M的变化。
• 比较了标准计算基态行走者与通过参考态|ΨMC⟩经自旋翻转生成的更复杂行走者，评估其对信噪比与符号问题的影响。
• 将QC-QMC与其它量子算法（VQE、QPE、QITE）进行对比，强调在特定标度范围内测量开销更低且抗噪声能力更强。

实验结果

研究问题

• RQ1 QC-QMC中波函数重叠估计的指数级扩展是否普遍限制其在所有体系与方法组合下的实际应用？
• RQ2 当信噪比不随体系尺寸增大而恶化时，QC-QMC是否仍能保持高效与可扩展性？
• RQ3 QMC方法的选择（如AFQMC与GFMC）如何影响QC-QMC的性能与可扩展性？
• RQ4 试波函数与行走者波函数的形式在多大程度上影响QC-QMC中的指数级挑战？
• RQ5 在何种特定的体系、方法与波函数形式组合下，QC-QMC可展示实际的量子优势？

主要发现

• 在一维横向场伊辛模型中Γ/J = 0.5时，重叠分布比Γ/J = 1.0时更集中，导致高重叠构型的局部能量估计更精确。
• 在Γ/J = 0.5时，GFMC能量收敛性随测量次数增加表现出微弱的体系尺寸依赖性，而Γ/J = 1.0时则表现出强烈的L依赖性。
• 采用试波函数|ΨT⟩ = exp[λ∑iσix](|↑↑⋯↑⟩ + |↓↓⋯↓⟩)，其中λ = 0.127，可在L = 6至12的体系尺寸下将精确基态能量再现至99.8%以内。
• 在Γ/J = 0.5参数区间，QC-QMC未表现出测量开销的指数级增长，表明其在此参数范围内可能比其他近期量子算法更具可扩展性。
• 引入复杂行走者（通过|ΨMC⟩的自旋翻转生成）可改善重叠估计，但可能在原本无符号问题的模型中重新引入符号问题。
• 在不增加粒子数的前提下扩展基组时，QC-QMC相比VQE与QPE具有更低的测量开销与更强的抗噪声能力，原因在于其能高效处理量子比特空间外的电子关联。