Optimal Quantum Likelihood Estimation
本文提出了一种针对量子似然估计（QLE）算法的信息论优化策略，该策略通过动态选择实验参数以最大化互信息，从而显著加速了含噪声中型量子（NISQ）时代的哈密顿量学习。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在不久的将来，计算机可能会开始利用量子力学的奇特规则来解决目前即使是最强大的超级计算机也无法解决的问题。这些机器不仅仅是计算得更快，它们处理信息的方式允许它们同时探索许多种可能性。然而，今天的量子计算机仍然非常脆弱且容易出错，科学家将这一发展阶段称为“噪声中等规模时代”。由于这些机器并不完美，研究人员通常采用一种混合方法，将量子计算机与经典计算机结合使用。在这种协作关系中，量子设备执行特定的、精细的任务以收集原始数据，而经典计算机则分析这些数据，并决定如何为量子机器的下一步进行调整。其目标是教导量子系统学习关于其自身环境的信息，特别是弄清楚支配量子系统随时间变化的隐藏规则，即哈密顿量（Hamiltonian）。了解这些规则对于制造更好的量子传感器、模拟新材料以及理解物质的基本行为至关重要。
挑战在于系统学习的效率问题。如果量子计算机被问了错误的问题，或者测量方式不对，它收集到的有用信息就会非常少，迫使研究人员重复该过程多次。正是在这里，巴伊兰大学（Bar-Ilan University）的 Alon Levi、Ziv Ossi、Eliahu Cohen 和 Amit Te'eni 的一项新研究提供了一个显著的改进。该团队专注于一种名为“量子似然估计”（Quantum Likelihood Estimation）的特定混合方法，该方法旨在从一组候选者中识别出正确的哈密顿量。虽然原始方法有效，但由于它依赖于固定设置或对如何布置每次实验进行简单的猜测，因此可能既缓慢又低效。研究人员提出了一种更聪明的方法来运行这些实验，即将每一步都视为提取最大可能信息的机会。
为了实现这一目标，团队开发了一种策略，能够为每一次实验轮次动态地选择最佳条件。该算法不再固守预设方案，而是不断地追问：“我们应该准备什么样的初始状态，应该让系统演化多久，以及应该如何测量，才能学到关于隐藏规则最多的信息？”他们通过使用信息论中的一个概念——互信息（mutual information）来回答这个问题，互信息衡量了通过测量结果能让我们了解多少关于未知哈密顿量的信息。通过最大化这一数值，算法确保每一次测量都能提供最清晰的线索。为了找到这些变量的最佳设置，研究人员使用了一种名为模拟退火（simulated annealing）的计算技术。这种方法就像一次细致的搜索，它会探索许多不同的设置组合，偶尔接受一个较差的选择以避免陷入局部陷阱，直到找到全局最优配置。
他们的模拟结果令人瞩目。当团队使用一组由四个简单量子规则组成的集合，将优化后的方法与标准版本的算法进行对比测试时，改进程度是巨大的。原始方法使用固定的、静态的设置，平均需要 144 轮测量才能自信地识别出正确的规则。相比之下，新的优化方法仅需 9 轮即可达到同样的确定水平。这种减少意味着系统的学习速度提高了十五倍以上，极大地缩减了所需的时间和资源。当研究人员要求更高的答案置信度时，这种优势变得更加明显。此外，他们在更复杂的六个不同规则的集合上测试了该方法，其中一些规则非常相似，以至于原始方法完全无法区分它们。优化后的算法成功识别了所有六个规则，平均每个规则仅需四到五轮。
这项研究表明，提速的关键不仅在于拥有更广泛的设置范围，而是在于用于选择这些设置的策略。为了证明这一点，研究人员将他们的动态优化过程与一个仅仅是在每一步都搜索广泛选项网格的版本进行了比较，而后者并没有使用智能退火过程。即使拥有更广的搜索范围，基于网格的方法仍需十轮才能收敛，而智能优化仅需九轮。这表明，选择过程本身的智能化才是效率的主要驱动力。研究人员指出，虽然他们的工作是通过单比特系统的计算机模拟展示的，但其底层逻辑是稳健的，可以扩展到更复杂的、多比特的系统，甚至是连续范围的未知规则。通过将学习过程视为一个准备、测量、更新和优化的连续循环，这种方法为使混合量子算法在实际应用中变得实用且具可扩展性提供了一条原则性的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。