用于大规模量子优化的随机Pauli路径模拟器

基于Pauli的模拟器为低魔法态下量子电路的大规模经典模拟提供了一条有前途的途径。然而，它们的适用性在很大程度上仍然局限于前向模拟，使其不足以用于优化驱动的量子任务，如变分态制备和参数初始化。现有方法要么缺乏对基于梯度的优化的原生支持，要么遭受严重的梯度偏差。在这里，我们提出了随机Pauli路径模拟器（SPPS），这是一个用于大规模量子优化的计算框架，通过跨优化迭代的Pauli路径采样实现无偏随机梯度估计。我们的理论分析表明，所提出的模拟器产生无偏梯度估计，并具有可证明的收敛保证。我们系统地评估了我们的提议，包括多达100个量子比特的量子本征求解器基准和多达40个量子比特的量子神经网络基准。在这些任务中，SPPS忠实地跟踪优化动力学，在几分钟内收敛，并将基于Pauli的模拟的作用从前向估计扩展到大规模量子优化。