尽管量子计算取得了迅速发展,但必须做出努力,最大限度地利用NISQ设备



尽管量子计算取得了迅速发展,但必须做出努力,最大限度地利用NISQ设备


文章图片



尽管量子计算取得了迅速发展,但必须做出努力,最大限度地利用NISQ设备


文章图片



尽管量子计算取得了迅速发展,但必须做出努力,最大限度地利用NISQ设备


文章图片


尽管量子计算的理论和实验都取得了迅速的进展 , 但必须做出重大努力来最大限度地利用NISQ设备 , 同时考虑到它们的局限性 。 正如我们在本节前面所回顾的那样 , 安萨茨的选择设计是算法性能的关键组成部分 。 降低表达量子数据的资源需求的一种特殊策略是使用量子自动编码器 , 它结合了量子模拟和量子机器学习的思想 。 具体来说 , 量子自动编码器是一种HQC算法 , 它使用较少数量的量子比特对一组量子态进行编码 。 例如 , 在特定键长处分子氢的波函数需要四个量子比特来代表基态的占有率 。

【尽管量子计算取得了迅速发展,但必须做出努力,最大限度地利用NISQ设备】然而 , 这些基态的集合仅存在于四维量子位空间中的一维流形上 。 这意味着这个四量子比特状态对应的量子信息可以用单个量子比特来表示 。 量子自动编码器的任务是找到一个统一的映射 , 将这个四维量子位状态连贯地映射到单个量子位 。 找到这种单一映射的回报它支持一种称为压缩无监督状态准备的生成建模方法 , 该方法探索潜在空间以找到通向所需基态的更短路径 。

压缩无监督状态准备使用现有的VQE电路安萨茨与量子自动编码器一起生成一个新的安萨茨 , 它的门深度更短 , 因此在NISQ计算机上不易受噪声影响 , 从而产生更准确的VQE能量 。 VQE中的能量估计 。 在实践中 , 这意味着将E(θ?)的值估计到给定的精度ε 。 可以说 , 计算量子化学最常见的应用是计算热化学性质 , 例如反应速率和结合能 。

此要求设置了精度的上限ε , 用于VQE中的能量估计 , 通常用于化学的任何量子模拟算法 。 估计能量的一种可能方法是PEA方法 , 它提供了单状态准备中的能量估计 , 成本为?O1用于容错? 。 不幸的是 , 为了保证PEA估计的成功 , 所有操作都必须在量子计算机上完全一致地执行 , 这只有使用量子纠错才能实现 。 这个要求在NISQ设备上是无法实现的 , 因为这些设备上可用的操作太容易出错而无法实现有用的量子纠错 。

为了避免PEA的开销 , 科学家们提出了一种替代方案 , 称为哈密顿量平均 , 用于计算局部哈密顿量的期望值 。 第二种策略是在哈密顿量中对通勤项进行分组 , 以减少单个所需的状态准备数量 , 科学家们首次描述的能量估计值可以按顺序测量通勤项 , 而不会影响最终预期 。 例如 , 这可以通过使用辅助量子位来测量泡利算子来实现 , 这只会增加门深度的一小部分开销 。

使用这种技术时 , 同一测量组内的项将是相关的 , 因此它们的期望值之间的协方差将不为零 。 这可能会增加或减少一组项所需的测量次数 , 具体取决于协方差是正还是负 , 这种效果类似于在经典蒙特卡洛模拟中的相关采样中观察到的效果 。 在实践中 , 实施这种方法需要经典预处理以使用排序算法将术语分组为交换组 , 由于检查术语之间的交换性 , 经典计算成本为O(M2) 。

此外 , 必须检查特定分组是否会降低测量次数 , 这需要访问感兴趣状态的有效近似值 , 因为协方差是状态相关的 。 因此 , 用于对哈密顿项进行分组的有效经典算法可以受益于对电子结构问题的有效经典逼近 。 可以对交换项组施加的一个更强的条件是让所有项在相同的张量积基础上对角线 , 如在科学家们中提出 。 这保证了集合中的所有期望值都可以从单一状态准备中获得 , 然后是一组特定的单量子比特旋转 , 以在适当的张量积分基础上进行测量 。

    推荐阅读