变分量子算法 (VQA) 代表了一种利用当前量子计算基础设施的有前途的方法。VQA 基于通过经典算法在闭环中优化的参数化量子电路。这种混合方法减少了量子处理单元的负载,但代价是经典优化会产生平坦的能量景观。现有的优化技术,包括虚时间传播、自然梯度或基于动量的方法,都是有前途的候选方法,但要么给量子设备带来沉重的负担,要么经常遭受收敛速度缓慢的困扰。在这项工作中,我们提出了量子 Broyden 自适应自然梯度 (qBang) 方法,这是一种新颖的优化器,旨在提炼现有方法的最佳方面。通过采用 Broyden 方法近似 Fisher 信息矩阵中的更新并将其与基于动量的算法相结合,qBang 降低了量子资源需求,同时比资源要求更高的替代方案表现更好。荒原、量子化学和最大切割问题的基准测试表明,在以下情况下,其整体性能稳定,并且比现有技术有明显改进
在量子计算中,变分量子算法 (VQA) 非常适合在从化学到金融的特定应用中寻找事物的最佳组合。使用梯度下降优化算法训练 VQA 已表现出良好的收敛性。在早期阶段,在嘈杂的中型量子 (NISQ) 设备上模拟变分量子电路会受到噪声输出的影响。就像经典的深度学习一样,它也受到消失梯度问题的影响。研究损失景观的拓扑结构,在消失梯度存在的情况下可视化这些电路的曲率信息和可训练性是一个现实的目标。在本文中,我们计算 Hessian 并可视化变分量子分类器在参数空间中不同点的损失景观。解释了变分量子分类器 (VQC) 的曲率信息并展示了损失函数的收敛性。它有助于我们更好地理解变分量子电路的行为,从而有效地解决优化问题。我们在量子计算机上通过 Hessian 研究了变分量子分类器,从一个简单的 4 位奇偶校验问题开始,深入了解 Hessian 的实际行为,然后彻底分析了 Hessian 的特征值在训练糖尿病数据集的变分量子分类器时的行为。最后,我们展示了自适应 Hessian 学习率如何影响训练变分电路时的收敛。
摘要 — 变分量子算法 (VQA) 依赖于参数化单元电路针对目标函数的迭代优化。由于量子机器噪声大且资源昂贵,因此必须适当选择 VQA 的假设,并使其初始参数尽可能接近最优值,因为这将改善并加速算法在量子设备上执行的精确收敛。这项工作通过提出 CAFQA(一种用于量子精度的 Clifford 假设)来解决寻找初始假设参数的问题。CAFQA 假设是一种仅使用 Clifford 门构建的硬件高效电路。在此假设中,通过经典模拟在 Clifford 参数空间中进行有效搜索来选择可调门的初始参数,从而产生合适的稳定器状态。结果表明,产生的稳定器状态始终等于或优于传统的经典初始化方法(例如 Hartree-Fock),即找到合适的计算基态,并且通常在量子设备上执行和探索之前就产生高精度估计。此外,该技术适用于经典计算,因为 a) 仅 Clifford 量子电路可以在多项式时间内进行经典精确模拟,以及 b) 离散 Clifford 空间虽然量子比特数量呈指数级增长,但可以通过贝叶斯优化进行有效搜索。对于变分量子特征求解器 (VQE) 任务(即估计多达 20 个量子比特的分子系统的基态能量),CAFQA 的 Clifford Ansatz 实现了接近 99% 的平均准确度,并且能够恢复高达 99.99% 的 Hartree-Fock 初始化分子相关能量。值得注意的是,该方法的可扩展性允许对具有挑战性的铬二聚体 (Cr 2 ) 进行初步的基态能量估计,其精度高于 Hartree-Fock 所达到的精度。CAFQA 还在优化任务上进行了评估,特别是高达 18 个量子比特的 MAXCUT 问题。借助 CAFQA 的高精度初始化,VQA 的收敛速度加快了 2.5 倍。总之,这项工作表明稳定器状态是变分算法的高精度假设初始化。此外,它突出了量子启发式经典技术作为 NISQ 时代及以后 VQA 的替代方案和支持方法的潜力。
摘要 — 量子计算是物理学、工程学和计算机科学之间多学科交叉领域的一个新兴领域,有可能对计算智能 (CI) 产生巨大影响。本文旨在向 CI 社区介绍量子近似优化方法,因为它与解决组合问题直接相关。我们介绍了量子计算和变分量子算法 (VQA)。VQA 是一种有效的方法,可以在近期在具有不太可靠量子位和早期纠错的嘈杂中型量子 (NISQ) 设备上实现量子解决方案。然后,我们解释了 Farhi 等人的量子近似优化算法(Farhi 的 QAOA,以避免混淆)。Hadfield 等人将此 VQA 推广到量子交替算子 ansatz (QAOA),这是一种受自然启发(特别是绝热)的量子元启发式算法,用于近似解决基于门的量子计算机上的组合优化问题。我们讨论了 QAOA 与相关领域的联系,例如计算学习理论和遗传算法,讨论了当前技术和有关混合量子-经典智能系统的已知结果。我们给出了 QAOA 的构建示意图,并讨论了如何使用 CI 技术来改进 QAOA。最后,我们给出了众所周知的最大割、最大二分和旅行商问题的 QAOA 实现,这些可以作为有兴趣使用 QAOA 的 CI 从业者的模板。
这项工作研究了基于脉冲的变分量子算法(VQA),旨在通过结合经典和量子硬件来确定量子机械系统的基态。与更标准的基于栅极的方法相反,基于脉冲的方法旨在直接优化与量子器相互作用的激光脉冲,而不是使用一些基于参数化的门电路。使用最佳控制的数学形式主义,这些激光脉冲得到了优化。此方法已在量子计算中使用,以设计量子栅极的脉冲,但直到最近才提出了在VQA中进行完全优化[1,2]。基于脉冲的方法比基于门的方法具有多个优点,例如状态准备,更简单的实现以及在状态空间中移动的自由度[3]。基于这些思想,我们介绍了采用基于伴随的最佳控制技术的变异量子算法的开发。此方法可以量身定制并应用于中性原子量子组合体中。基于脉冲的变分量子最佳控制能够近似于化学精度的简单分子的分子基态。此外,它能够以量子评估总数为基于门的变异量子质量或均匀表现。总进化时间t和控制汉密尔顿H C的形式是收敛行为与基态能量的重要因素,既对量子速度极限和系统的可控性都有影响。
变异量子算法(VQA)被认为是嘈杂的中间尺度量子(NISQ)设备的有用应用。通常,在VQA中,参数化的ANSATZ电路用于生成试验波函数,并且对参数进行了优化以最大程度地减少成本函数。另一方面,已经研究了盲量量计算(BQC),以便通过使用云网络为量子算法提供安全性。执行量子操作能力有限的客户端希望能够访问服务器的量子计算机,并且BQC允许客户端使用服务器的计算机,而不会泄漏客户端的信息(例如输入,运行量子算法和输出)到服务器。但是,BQC设计用于容差量子计算,这需要许多辅助量子位,这可能不适合NISQ设备。在这里,我们提出了一种有效的方法,可以为客户端提供保证安全性的NISQ计算。在我们的体系结构中,仅需要N +1量子位,假设服务器已知Ansatzes的形式,其中N表示原始NISQ算法中必要的量子数。客户端仅在从服务器发送的辅助量子位上执行单量测量,并且测量角可以指定NISQ算法的ANSATZES的参数。无信号原则可以保证客户端选择的参数或算法的输出都不会泄漏到服务器。这项工作为NISQ设备的新应用程序铺平了道路。
抽象变分量子算法(VQA)广泛用于解决嘈杂的中间尺度量子(NISQ)时代的优化问题。但是,设计与当前量子硬件的局限性兼容的有效量子电路(Ansatzes)仍然是一个重大挑战。在这项工作中,我们引入了一种加强学习(RL)代理,该学习代理自主为VQAS生成Ansatzes。RL代理在不同的图形拓扑中培训了几个优化问题,包括最大切割,最大集团和最小顶点盖。我们的结果表明,该代理能够生成有效的量子电路,其近似值比与常用的Ansatz相比有利。此外,我们确定了一个新型的Ansatzes家族,称为“连接”,特别有效地对最大切割问题有效。这些发现突出了RL技术在为量子计算中广泛应用的有效量子电路设计有效的量子电路中的潜力。
连续变量 (CV) 量子光学系统 (QOS) 是量子计算 (QC)、量子机器学习 (QML) 和量子传感 (QS) 的一个有利平台,因为它们可以在室温下运行,具有确定性纠缠操作,并且具有变分量子算法 (VQA) 中使用的高效量子噪声缓解协议 [1,2]。VQA 评估在量子计算机上执行的参数化量子电路的成本函数 [3],而经典计算机通过优化电路参数来最小化该成本。到目前为止,VQA 已在 CVQOS 中为变分特征值求解器实现 [4]。CV 平台特别适合 CV 幺正的变分编译任务 [5]。这种量子编译可用于优化量子门组合,以最大限度地减少量子算法所需的资源。
变异量子算法(VQA)已成为一种有希望的近期技术,可以探索嘈杂的中间尺度量子(NISQ)设备上实用的量子优势。然而,由于反向传播的不可能和大量测量成本引起的参数训练过程效率低下,对VQA的大规模开发构成了巨大挑战。在这里,我们提出了一个参数并行分布的变分量子算法(PPD-VQA),以通过使用多个量子处理器进行参数并行训练来加速训练过程。为了在现实的噪声场景中维持PPD-VQA的高性能,提出了一种替代训练策略来减轻多个量子处理器之间噪声差异引起的加速度衰减,这是不可避免的共同的分布式VQA的常见问题。此外,还采用了梯度压缩来克服潜在的通信瓶颈。所达到的结果表明,PPD-VQA可以提供一个实用的解决方案,以协调多个量子处理器,以将多个量子处理器与大规模实词应用程序进行协调。
由最优参数化量子电路组成的变分量子算法有望在嘈杂的中尺度量子 (NISQ) 时代展现量子优势。除了经典的计算资源外,不同类型的量子资源在计算过程中也有贡献,例如信息置乱和纠缠。描述特定问题的复杂性与解决这些问题所消耗的量子资源之间的关系有助于我们理解量子信息处理背景下的 VQA 结构。在本文中,我们专注于量子近似优化算法 (QAOA),该算法旨在解决组合优化问题。我们分别研究了 QAOA 电路中的信息置乱和纠缠,发现对于更难的问题,在大多数情况下,QAOA 电路需要更多的量子资源才能获得解。我们注意到,在未来,我们的结果可用于通过计算过程中的信息置乱或纠缠积累来基准化量子多体问题的复杂性。