Bayesian Parameter Shift Rule in Variational Quantum Eigensolvers

本文提出了一种基于高斯过程的参数移位规则贝叶斯变体，用于在变分量子本征求解器中实现灵活且具备不确定性感知能力的梯度估计，该方法与所提出的梯度置信区域（GradCoRe）相结合，显著加速了随机梯度下降过程，并优于最先进的优化方法。

要点

想象一下，你正试图在一片广阔而迷雾笼罩的山谷中寻找最低点。这片山谷代表了一个复杂量子系统的“能量”，而你的目标是找到绝对的底部（基态），因为这能告诉你系统最稳定的状态。这正是**变分量子本征求解器（VQE）**的工作。

然而，存在两个大问题：

1. 地图充满噪声：每次你向量子计算机询问山谷在特定位置的高度时，得到的答案都伴随着静电干扰和模糊（噪声），就像在飓风中试图听清耳语。
2. 地图极其昂贵：向量子计算机请求一次测量在时间和资源上的成本极高。你希望尽可能少地提问，就能找到底部。

为了找到底部，你通常需要知道哪个方向是“向下”的（即梯度）。在量子世界中，我们使用一种称为**参数移动规则（PSR）**的技术来确定斜率。可以将 PSR 想象成一份标准食谱：“要想知道这里的斜率，你必须精确地在左侧 1 米处和右侧 1 米处测量高度，然后进行一些数学运算。”

标准食谱的问题

这份标准食谱存在几个缺陷：

• 僵化：它要求你在非常具体、预设的位置进行测量。如果你在之前的旅程中恰好测量过这些点，标准食谱会忽略这些数据，并强迫你再次测量。
• 盲目：它给你一个斜率数值，但并未告诉你这个数值有多可靠。这个斜率是准确的，还是仅仅基于噪声数据做出的猜测？
• 浪费：它通常要求极高的精度（大量测量），即使当你远离底部、只需要大致方向时，或者当你非常接近底部、需要极高精度时，它也不加区分地要求同样多的测量。

新方案：贝叶斯参数移动规则

本文的作者提出了一种更聪明的方法来导航这片山谷，即使用贝叶斯参数移动规则。他们将这个问题比作侦探利用“高斯过程”（一种高级统计工具，充当灵活而智能的地图）来破解谜案。

以下是他们新方法的运作方式，使用简单的类比：

1. 灵活的侦探（灵活观测）

贝叶斯方法不像遵循“必须在此处和彼处精确测量”的僵化食谱，它更像一位灵活的侦探。

• 重用线索：如果你在旅程早期测量过某个点，这位侦探会记住它。他们不会强迫你再次测量，而是将旧线索与新线索结合，以获得更清晰的斜率图景。
• 任意位置：你可以选择在任何位置测量高度，而不仅仅局限于预先批准的地点。这使得算法能够高效得多。

2. 置信度计（不确定性）

标准食谱只给你一个数值。贝叶斯方法则给你一个数值加上一个置信度计。

• 想象侦探说：“斜率是 5 度，我有 95% 的把握。”
• 因为他们确切知道自己有多少不确定性，所以能做出更明智的决策。如果置信度计显示较低（高不确定性），他们就知道需要收集更多数据；如果置信度很高，他们就可以继续前进。

3. "GradCoRe"策略（明智的投入）

这是本文最大的创新。他们引入了一个名为GradCoRe（梯度置信区域）的概念。

• 目标：你只需要足够了解斜率，以便确信自己正在朝正确的方向移动。如果你离底部还很远，就不需要一张完美的地图。
• 策略：算法会问：“我现在需要多少测量次数（shots）才能有足够的信心迈出下一步？”
  • 如果斜率陡峭且噪声低，它可能会说：“我只需要 10 次测量。”
  • 如果斜率平缓且噪声高，它可能会说：“我需要 1000 次测量才能确定。”
• 结果：这节省了巨量的“资金”（测量次数），因为它在你不需要过度测量时阻止了你这样做。

结果：奔跑比赛

作者在模拟的量子计算机上，将这种新方法与旧的标准方法（如僵化的 PSR 和其他高级技术）进行了测试。

• 更快的收敛：他们的方法更快地找到了山谷底部。
• 更便宜：它使用显著更少的总测量次数，实现了相同（或更好）的结果。
• 优于最佳：在直接对比测试中，他们的"GradCoRe"方法击败了当前的最先进方法，包括其他贝叶斯方法和专用优化算法。

总结

可以将旧方法想象成一名盲目遵循严格地图的徒步者，即使只需要 10 步，也要走 100 步去测量地面。而新方法则像是一名拥有智能、自适应 GPS 的徒步者。它会记住你去过的地方，确切知道对地形的把握程度，并且只在绝对必要时才请求新的测量。这使得他们能够以更少的努力更快地到达目的地。

本文证明，通过使用这种“智能 GPS"（贝叶斯 PSR）和“预算感知策略”（GradCoRe），我们可以更高效地优化量子计算机，从而节省宝贵的量子资源。

技术摘要

技术摘要：变分量子本征求解器中的贝叶斯参数移动规则

问题陈述
变分量子本征求解器（VQE）是一种混合量子 - 经典算法，旨在近似物理系统的基态能量。VQE 优化中的一个关键瓶颈是梯度估计的高昂成本，这依赖于重复的量子测量（shots）。观测噪声主要源于测量 shot 噪声，因此需要大量的 shots 才能获得准确的梯度。现有方法，如使用标准参数移动规则（PSR）的随机梯度下降（SGD）或序列最小优化（SMO）变体（如 NFT），通常需要在每次迭代中固定使用高数量的 shots，或者缺乏根据优化当前状态自适应降低观测成本的机制。虽然高斯过程（GPs）已被用于 VQE 中的贝叶斯优化（BO）以及改进 SMO 方法（例如 EMICoRe、SubsCoRe），但其在 SGD 梯度估计中的应用却十分有限。具体而言，亟需一种梯度估计技术，该技术能在观测位置上提供灵活性，提供不确定性量化，并能重用历史数据以最小化总量子计算成本。

方法论
本文提出了一种贝叶斯参数移动规则（Bayesian PSR）以及一种名为GradCoRe（梯度置信区域）的自适应优化策略。

1. 贝叶斯参数移动规则（Bayesian PSR）：

   • 作者使用带有物理信息VQE 核函数的高斯过程（GP）对 VQE 目标函数进行建模。该核函数源自 VQE 目标函数的三角多项式结构，确保先验分布反映量子电路的物理特性。
   • 与需要在特定等距点（例如 $x \pm \frac{\pi}{2}e_d$）进行观测的标准 PSR 不同，贝叶斯 PSR 利用 GP 导数的后验均值来估计梯度。
   • 这种方法允许在任意位置进行观测。关键在于，它使得重用先前 SGD 迭代中的观测成为可能，从而累积梯度信息以提高估计精度，而无需额外的量子测量。
   • 该方法提供了梯度估计量的解析形式，并且显著地，在测量之前即可提供梯度估计的后验不确定性。
   • 理论分析（定理 3.1 和 3.2）表明，在无噪声极限下且采用等距观测时，贝叶斯 PSR 退化为广义 PSR。此外，它揭示了标准移动参数 $\alpha = \pi/2$ 在噪声一阶情况（$V_d=1$）下对于最小化梯度不确定性是最优的。

2. GradCoRe（梯度置信区域）策略：

   • 利用贝叶斯 PSR 提供的不确定性信息，作者引入了 GradCoRe，定义为梯度估计后验方差低于指定阈值的区域。
   • SGD-GradCoRe算法自适应地确定每次迭代所需的测量 shot 数量。它通过求解一个优化问题，找到使当前最优点位于 GradCoRe 内的最小总 shot 数。
   • 所需的精度阈值根据估计梯度的范数动态调整：当梯度较小（接近收敛）或函数平坦时，允许使用较少的 shots；而当需要更高精度时，则使用更多的 shots。

主要贡献

• 贝叶斯 PSR 的提出： 现有 PSR 的一种灵活变体，利用带有 VQE 核函数的 GP 从任意位置的观测中估计梯度，并提供直接的不确定性信息访问。
• 理论统一： 本文建立了贝叶斯 PSR 与现有 PSR 之间的数学关系，证明了标准移动参数（$\pi/2$）在最小化噪声一阶情况下的不确定性方面是最优的。
• GradCoRe 框架： 引入了梯度置信区域概念，并配套了一种用于 SGD 的自适应观测成本策略，在保持所需估计精度的同时最小化总测量 shot 数。
• 实证验证： 数值实验表明，与最先进基线相比，所提出的方法显著加速了 VQE 优化。

结果
作者在 Ising 和 Heisenberg 哈密顿量上进行了实验，使用了具有不同量子比特数量（$Q=5, 7$）和层数（$L=3, 5$）的高效 SU(2) 量子电路。

• 性能与标准 SGD 对比： 仅使用贝叶斯 PSR（Bayes-SGD）提供了比标准 PSR 更准确的梯度估计量，但在使用固定 shot 数量时，其优化性能相当。然而，当配备 GradCoRe 策略时，该方法显著优于使用固定 shot 数量（例如 128、256、512、1024 shots）的标准 SGD。
• 与最先进方法的比较： GradCoRe 与 SGLBO、Bayes-NFT、EMICoRe 和 SubsCoRe 进行了比较。结果表明，GradCoRe 以更少的累积测量 shot 实现了更快的收敛速度和更低的最终能量/保真度误差。
• 统计显著性： Wilcoxon 符号秩检验证实，在各种实验设置下，GradCoRe 相对于所有基线的性能提升具有统计显著性（$p < 0.05$）。
• 成本效率： 该方法通过根据梯度不确定性自适应分配资源，成功最小化了总测量 shot 数（VQE 中的主要成本指标）。

意义
本文声称，VQE 的物理特性，特别是其目标函数的三角结构，可以通过高斯过程中的物理信息核函数得到有效捕捉。通过将这一知识整合到贝叶斯框架中，作者证明了：

1. 通过重用历史数据，梯度估计可以变得更加灵活和高效。
2. 不确定性量化可以直接用于自适应控制观测成本，这是基于标准 PSR 的 SGD 所不具备的能力。
3. 所提出的方法弥合了机器学习技术（GP、BO）与量子优化之间的鸿沟，提供了一种减少量子资源消耗的全新最先进 VQE 优化方法。

作者得出结论，这种贝叶斯方法促进了更高效的 VQE 算法的发展，并在更广泛的量子计算优化任务中发挥作用。