Shuffle-QUDIO:通过增强可训练性与减少测量加速分布式 VQE
量子物理
2022-09-27 v1 分布式、并行与集群计算
机器学习
摘要
变分量子本征求解器(VQE)是一种领先的策略,利用含噪中等规模量子(NISQ)机器来解决超越经典方法的化学问题。为在大规模问题上获得此类计算优势,一个可行的方案是量子分布式优化(QUDIO)框架,其将原始问题划分为 个子问题并分配给 个量子机器,随后进行并行优化。尽管具有可证明的加速比,QUDIO 的效率可能因同步操作而严重下降。为克服此问题,我们在此提出 Shuffle-QUDIO,在量子分布式优化过程中将洗牌操作引入局部哈密顿量。与 QUDIO 相比,Shuffle-QUDIO 显著降低了量子处理器间的通信频率,同时实现了更好的可训练性。特别地,我们证明 Shuffle-QUDIO 比 QUDIO 具有更快的收敛速率。我们进行了大量数值实验来验证 Shuffle-QUDIO 在估算分子基态能量任务中同时实现了挂钟时间加速与低近似误差。我们经验性地证明,我们的方案可与其他加速技术(如算子分组)无缝集成,以进一步提升 VQE 的功效。
引用
@article{arxiv.2209.12454,
title = {Shuffle-QUDIO: accelerate distributed VQE with trainability enhancement and measurement reduction},
author = {Yang Qian and Yuxuan Du and Dacheng Tao},
journal= {arXiv preprint arXiv:2209.12454},
year = {2022}
}