变分量子算法中用于快速收敛的自适应采样次数分配
量子物理
2022-06-07 v1 机器学习
摘要
变分量子算法（VQAs）是一种在近期量子计算机上实现化学和材料科学等实际应用的有前景的方法，因为它们通常能减少量子资源需求。然而，为了实施 VQAs，需要一种高效的经典优化策略。本文提出了一种新的随机梯度下降方法，该方法在每一步使用自适应数量的采样次数，称为全局耦合自适应采样次数（gCANS）方法。该方法在迭代次数和所需采样次数方面均优于现有技术。这些改进减少了在当前云平台上运行 VQAs 所需的时间和成本。我们从分析上证明，在凸优化设置下，gCANS 方法能实现几何收敛到最优解。此外，我们数值研究了 gCANS 方法在一些化学构型问题上的性能。我们还考虑了寻找不同自旋数伊辛模型的基态，以检验该方法的可扩展性。我们发现，对于这些问题，gCANS 方法优于我们考虑的所有其他优化器。
引用
@article{arxiv.2108.10434,
title = {Adaptive shot allocation for fast convergence in variational quantum algorithms},
author = {Andi Gu and Angus Lowe and Pavel A. Dub and Patrick J. Coles and Andrew Arrasmith},
journal= {arXiv preprint arXiv:2108.10434},
year = {2022}
}
备注
13 pages, 6 figures, 1 table