New directions in dynamical expectation estimation
本文介绍了一种具有耦合损失函数的创新扫掠算法，该算法通过联合优化状态与可观测量的近似，显著降低了动力学期望值估计中的误差，在 30 量子比特随机电路中实现了比变分状态压缩高出两个到三个数量级的精度。
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
在量子物理领域，科学家们经常需要预测系统在演化一段时间后的测量结果。这项任务被称为计算期望值（expectation value），它本质上是在问：当我们观察一个经过演化的量子系统时，会看到什么样的平均结果？为了回答这个问题，研究人员必须同时追踪两件事：一是系统状态随时间向前演化的过程，二是如果我们从过程结束时向后看，关于系统的提问是如何变化的。几十年来，在经典计算机上处理此类计算的标准方法是将状态和问题分别进行简化。科学家们会压缩系统的描述以使其易于处理，并且会独立地简化测量工具的描述，并假设分别对这两部分进行充分的简化就能得到一个好的答案。然而，这种方法将这两个部分视为孤立存在，忽略了它们各自的简化可能会如何相互作用，从而在最终结果中产生更大的误差。
来自韩国 ETRI 附属研究所的一个研究小组提出了一种看待此问题的不同方式。他们认为，简化量子计算的最佳方法是利用最终答案作为指南针，共同引导状态和测量工具的简化过程。与其试图让状态尽可能接近原始状态，或让测量工具尽可能接近原始工具，他们的新方法是在问：“这个简化版本是否仍然能为我们试图解决的特定问题提供正确的答案？”他们开发了一种计算机算法，该算法逐步穿过量子电路，首先向前移动以更新状态，然后向后移动以更新测量工具。在每一步中，算法都会同时调整状态和工具，确保在其中一部分产生的任何微小误差都能被另一部分立即修正，特别是在保持最终计算值准确性的方面。
研究人员在涉及三十个量子比特量子电路的复杂模拟中测试了这种新方法，这些系统规模之大，足以令经典计算机难以精确处理。他们将自己的方法与两种既定技术进行了比较：一种仅压缩状态，另一种仅简化测量工具。结果显示出显著的改进。在这些模拟中，即使所有方法都使用相同的计算机内存来存储数据，新方法产生的误差也比传统方法低两个到三个数量级。这意味着新方法的准确度提高了数百倍。团队发现，通过将状态的简化与可观测量的简化相对齐，他们可以丢弃那些对最终答案无关紧要的细节，同时保留那些重要的细节。
要理解为什么这行得通，请考虑误差通常是如何积累的。在旧方法中，描述状态的一个小错误和描述测量工具的一个小错误是分别计算的。当这两个部分在最后结合时，误差可能会以叠加或干扰的方式累积，从而降低结果的质量。新算法使用了一个特定的数学规则，即损失函数（loss function），如果状态与工具的组合产生了错误的答案，该函数会对系统进行惩罚。它通过在过程中的每一步检查结果来实现这一点。如果状态的简化方式导致最终答案发生偏移，算法会立即对其进行修正，即使状态本身看起来仍与原始状态有所不同。这确保了对最终计算最重要的特征得以保留，而不太相关的细节则被允许消逝。
这项研究表明，这种联合方法对于他们测试的特定类型的量子电路是非常有效的，这些电路被称为“贫瘠高原”（barren plateau）电路。这些是旨在对经典计算机构成特别挑战的随机电路。研究人员运行了五百个不同版本的这些电路，改变了过程中的步骤数，并一致发现其新方法优于标准技术。他们指出，虽然他们并未声称该特定算法是完美的解决方案，但通过最终目标来引导近似值的这一底层思想是一个强大的新方向。这项工作表明，未来量子模拟的进步可能来自于将状态和可观测量视为一个单一且相互关联的系统，而不是将其视为两个孤立解决的问题。
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。