GFlowNets 用于兼容算子组中的哈密顿量分解
量子物理
2024-10-22 v1 机器学习
摘要
量子计算为直接模拟量子系统提供了前景， potentially 能够探索经典方法难以攻克的化学问题。然而，当前量子算法受制于硬件限制以及为实现化学精度所需的测量次数增加。为解决测量问题，针对对易项和反对易项的分组问题，已发展出基于启发式方法的技术以减少量子算法所需的测量次数。在本工作中，我们提出了一种基于 GFlowNets 的概率框架，用于对给定哈密顿量中的完全对易（FC）或量子位点对易（QWC）项进行分组。通过实验结果表明，所发现的分组方式相较于贪婪着色算法，分别将 FC 和 QWC 分区的测量次数分别降低了 51% 和 67%，凸显了 GFlowNets 在测量问题中的潜在应用前景。此外，我们算法的灵活性也拓展了其在哈密顿量模拟中其他资源优化问题（如电路设计）的适用性。
引用
@article{arxiv.2410.16041,
title = {GFlowNets for Hamiltonian decomposition in groups of compatible operators},
author = {Isaac L. Huidobro-Meezs and Jun Dai and Guillaume Rabusseau and Rodrigo A. Vargas-Hernández},
journal= {arXiv preprint arXiv:2410.16041},
year = {2024}
}
备注
8 pages, 2 figures. Accepted for Machine Learning and the Physical Sciences Workshop, NeurIPS 2024. Submission Number: 167