Predicting Resource Efficient Hamiltonian Decomposition for Continuous-Time Quantum Walk Simulations
本文表明，一种机器学习模型主要由哈密顿分解项的可计算计数而非内在图拓扑结构所驱动，能够有效地预测保利分解或匹配分解在模拟连续时间量子行走时是否会产生更少的 CX 门，并在较大规模的图上实现近乎完美的准确率。
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
在量子计算这一新兴领域，科学家们正试图解决普通计算机无法处理的复杂问题。他们使用的一个强大工具被称为连续时间量子行走（continuous-time quantum walk）。想象一个粒子在由点和线组成的网络中移动，就像一位在地图上穿行的旅行者。在量子世界中，这位旅行者可以同时探索许多路径，这使得它在执行诸如搜索数据库或分析复杂网络等特定任务时速度极快。为了在实际的量子硬件上运行这种模拟，科学家必须将量子行走的数学规则转化为机器可以执行的一系列物理指令，即门（gates）。在这个过程中，最昂贵且最容易出错的部分涉及一种连接两个量子比特的特定类型指令。由于这类连接极难实现，因此模拟所需的此类连接越少，在当今不完美的机器上成功的可能性就越高。
挑战在于如何将量子行走的数学描述分解为这些指令。有两种主要方法可以实现这一点：一种是标准方法，它将问题视为简单构建块的叠加；另一种是较新的方法，它根据点与点之间的相似程度对连接进行分组。对于某些地图，标准方法更快；而对于另一些地图，新的分组方法则更优。直到现在，确定使用哪种方法仍需要科学家构建两个版本的模拟并计算昂贵的连接数量，这一过程对于大型复杂地图来说可能需要数小时甚至数天。本文提出了一种新方法，通过计算机学习来瞬间预测最佳方法，从而节省大量的资源和时间。
田纳西大学和阿贡国家实验室的研究人员致力于教机器学习模型做出这一选择。他们从一个包含所有可能的八点连通图的完整集合开始，总计 11,117 种独特结构。对于每种地图，他们都精确计算了标准方法和新的分组方法分别需要多少个昂贵的连接。这创建了一个庞大的数据集，其中每个案例的正确答案都是已知的。随后，他们训练了各种计算机程序，让其仅通过观察地图及其形状和结构的少量易于计算的特征，来猜测哪种方法更便宜。
研究结果揭示了一个关于为何一种方法优于另一种方法的惊人真相。研究人员原以为地图的整体形状（例如每个点连接了多少条线或点的聚集程度）将是决定因素。然而，他们发现这些传统的形状特征在做出预测方面几乎没有任何帮助。最重要的单一线索仅仅是标准方法所需的构建块数量。如果这个数字较低，标准方法通常是获胜者；如果这个数字较高，标准方法实际上仍然更便宜，因为在稠密图中，新的分组方法需要更多的连接。第二个线索是连接在地图上的分布是否均匀。研究表明，通过观察这两个数字，一个简单的计算机程序就可以高精度地预测出最佳方法，而无需构建完整的模拟。
团队在比训练时规模大得多的地图上测试了他们的训练程序，这些地图包含多达 256 个点。尽管该程序仅从八点地图中学习，但在针对特定平衡数据集进行测试时，它在预测这些较大结构的最佳方法方面几乎达到了完美。对于测试集中的 64 点及以上规模的地图，该程序的预测一致性达到了完美。然而，研究人员提醒说，这种强劲的表现可能反映了测试中所使用的特定地图类型之间的区别，而非适用于所有可能图类的普遍规则。这表明，虽然用于选择最佳方法的规则对于所测试的图类非常有效，但仍需在混合图类上进行进一步测试，以确认这种界限是否具有普适性。
这项研究证实，选择哪种方法的决策更多是由问题的特定数学表示而非地图本身的视觉形状所支配。虽然研究人员发现他们的模型在所测试的地图类型上表现异常出色，但他们也指出，该模型尚未在量子研究中使用的每一种可能的地图上得到验证。然而，能够如此快速且准确地预测出最高效的路径，标志着向前迈出了重要一步。它使科学家能够绕过设计过程中最耗时的部分，确保在真实的硬件上运行这些复杂的量子行走时，使用的是最高效的路径。
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。