CN115630704B - 多体问题的求解方法及量子计算系统 - Google Patents
多体问题的求解方法及量子计算系统 Download PDFInfo
- Publication number
- CN115630704B CN115630704B CN202211041393.1A CN202211041393A CN115630704B CN 115630704 B CN115630704 B CN 115630704B CN 202211041393 A CN202211041393 A CN 202211041393A CN 115630704 B CN115630704 B CN 115630704B
- Authority
- CN
- China
- Prior art keywords
- quantum
- hamiltonian
- measurement result
- state
- computing unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 230000005428 wave function Effects 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000005283 ground state Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005040 ion trap Methods 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 13
- 239000002096 quantum dot Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明提供了一种多体问题的求解方法，包括：根据待求解的多体问题构建哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数；在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，输出测量结果；判断所述测量结果是否满足收敛条件；当所述测量结果不满足收敛条件时，编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同；在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，输出测量结果；当所述测量结果满足收敛条件时，将所述测量结果作为所述待求解的多体问题的近似解。上述方法提高了DMRG算法的计算速度和精度。
Description
技术领域
本发明涉及量子计算技术领域，尤其涉及一种多体问题的求解方法、用于求解多体问题的量子计算系统及计算机可读存储介质。
背景技术
多体物理系统的希尔伯特空间的尺度随着物理系统尺度的增加而指数增长。严格对角化的方法虽然可以获得系统能谱的全部信息，但是只能计算小规模的系统；平均场理论，密度泛函理论以及密度矩阵重整化群(DMRG)等计算方法对量子系统做了一定的近似处理，并在一定程度上取得了成功。其中DMRG算法是一种数值变分技术，最初由StevenR.White在1992年发明，用来计算多体哈密顿量的基态能量及其波函数。在随后的发展中，人们将DMRG作用在MPS(矩阵直积态)上，并将其推广到低能激发态的计算，以及动力学、有限温度和平衡系统的模拟。基于变分MPS的DMRG使得人们对DMRG方法的内部原理结构、其进一步发展的潜力和局限性有更加深刻的理解。DMRG算法目前是公认的计算一维多体系统基态和低能激发态最有效的工具，但是随着系统维度的增加，由于系统纠缠度和空间维度的不一致，DMRG往往不是很成功；在此基础上，更加有效的张量网络算法也在不断的研究之中，
另一方面，鉴于量子系统计算指数复杂性的问题，为了更好的模拟量子多体系统，人们除了在对经典的数值模拟技术的不断研究突破之外，还致力于借助量子模拟和量子计算机的手段来探究多体系统的潜在可能性。量子模拟的概念由费曼在1982年提出，主要指直接通过容易调控的量子系统来模拟更小尺度难以操控的量子物理现象和效应。随着技术的发展，量子模拟已经在多个实验平台上实现，包括超冷量子气体、极性分子、离子阱、光学平台、量子点等等。其中超冷原子系统作为量子调控的平台，在对多体物理甚至少体物理的量子模拟，以及量子计算等方面具有明显的优势，包括实现了简并费米气体的凝聚态，玻色费米混合超流体，人造规范场，自旋轨道耦合费米气体、玻色气体等等。除此之外，在离子阱系统，光学系统等其他体系中的量子模拟也取得了许多关键的进展。上述量子模拟都是直接通过可控的量子系统来进行量子模拟。另一类量子模拟方案称为量子线路模拟，主要通过量子计算机上可执行的量子线路来实现相应的量子模拟，主要包括超导线路模拟等。最近几年，基于超导量子比特平台的Google的“悬铃木”，中科大团队发布的“祖冲之”号，以及基于光学系统的“九章”成功展示了量子优越性，这些突破表明我们已经进入了“NISQ”时代。在“NISQ”时代，人们正致力于实现更加有价值的应用级量子算法。目前的量子变分算法(VQA)有望实现量子计算“应用级”量子优势。VQA主要包括解决量子化学模拟的VQE，解决组合优化问题的QAOA以及量子神经网络QNN。其中QAOA算法可以解决包括最大割，图着色等NP-hard二元组合优化问题。
QAOA解决组合优化问题的目标哈密顿量为经典伊辛模型，本质上等价于经典QUBO问题的损失函数，经典伊辛模型对应的变分旋转算符编码到量子线路上时互相对易；而对于具有两体相互作用的量子多体自旋模型，哈密顿各部分之间有可能存在非对易的情况，导致对应的QAOA变分旋转算符之间不完全对易，这将使得制备的近似基态的误差增加；此时也可以直接利用传统QAOA的变分形式求解多体自旋模型近似波函数，但相比经典伊辛模型起求解精度会有所降低。
发明内容
有鉴于现有技术的至少一个缺陷，本发明提供了一种多体问题的求解方法，包括：
根据待求解的多体问题构建哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数；
在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，以得到第一测量结果；
判断所述第一测量结果是否满足收敛条件；
当所述第一测量结果不满足所述收敛条件时，编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同；
在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，以得到第二测量结果；
判断所述第二测量结果是否满足收敛条件；
当所述第一测量结果或所述第二测量结果满足所述收敛条件时，将满足所述收敛条件的所述第一测量结果或所述第二测量结果作为所述待求解的多体问题的近似解。
根据本发明的一个方面，所述方法进一步包括：
根据所述待求解的多体问题的近似解，生成初始矩阵直积态；
在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数。
根据本发明的一个方面，其中所述基于待求解的多体问题构建哈密顿量系统包括：
根据所述待求解的多体问题确定目标哈密顿量；其中
所述哈密顿量系统的波函数包括所述目标哈密顿量的演化算符及测量设备的驱动哈密顿量的演化算符。
根据本发明的一个方面，所述的方法中：
所述初始量子态包括所述驱动哈密顿量的基态波函数。
根据本发明的一个方面，所述方法进一步包括：
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数，其中所述非对易的近邻多体自旋哈密顿量能够分解为多个非对易的局域哈密顿量之和。
根据本发明的一个方面，其中所述判断所述第一测量结果是否满足收敛条件进一步包括：
使用梯度下降法判断所述第一测量结果是否满足所述收敛条件。
本发明还提供一种量子计算系统，包括相互耦接的经典计算单元和量子计算单元，所述经典计算单元和所述量子计算单元协同工作以求解多体问题，其中：
所述经典计算单元配置成根据待求解的多体问题构造哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数；
所述量子计算单元配置成在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，以得到第一测量结果；
所述经典计算单元配置成判断所述第一测量结果是否满足收敛条件；
当所述第一测量结果不满足所述收敛条件时，所述经典计算单元编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同；
所述量子计算单元在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，以得到第二测量结果；
所述经典计算单元配置成判断所述第二测量结果是否满足收敛条件；
当所述第一测量结果或所述第二测量结果满足所述收敛条件时，所述经典计算单元输出满足所述收敛条件的所述第一测量结果或所述第二测量结果作为所述待求解的多体问题的近似解。
根据本发明的一个方面，其中所述经典计算单元进一步配置成：
根据所述待求解的多体问题的近似解，生成初始矩阵直积态；
在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数。
根据本发明的一个方面，其中所述经典计算单元进一步配置成：
根据所述待求解的多体问题确定目标哈密顿量；其中
所述哈密顿量系统的波函数包括所述目标哈密顿量的演化算符及测量设备的驱动哈密顿量的演化算符；
所述初始量子态包括所述驱动哈密顿量的基态波函数。
根据本发明的一个方面，其中所述经典计算单元进一步配置成：
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数，其中所述非对易的近邻多体自旋哈密顿量能够分解为多个非对易的局域哈密顿量之和。
根据本发明的一个方面，其中所述经典计算单元进一步配置成：
使用梯度下降法判断所述第一测量结果是否满足所述收敛条件。
根据本发明的一个方面，其中所述量子计算单元包括超导型量子芯片、离子阱型量子芯片、半导体型量子芯片、原子型量子芯片、光子型量子芯片中的一种或多种；所述经典计算单元包括CPU、GPU中的一种或多种。
本发明还提供一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上文所述的方法。
本发明所提供的多体问题的求解方法，通过浅层QAOA量子线路快速制备出多体自旋哈密顿量的近似基态波函数，再通过DMRG算法的手段，进一步优化该近似基态波函数，以得到目标哈密顿量的基态能量解。相比于传统的DMRG算法随机初始化波函数的方式，本发明所提供的求解方法可以加速目标模型基态能量的计算过程，使其更快地达到收敛条件，进一步提高了DMRG算法的计算速度和计算精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本申请要求保护的范围。
图1示出了本发明的一个实施例的所提供的多体问题的求解方法；
图2示出了本发明的一个实施例的所提供的多体问题的求解方法对应的量子线路；
图3示出了本发明的一个实施例的所提供的多体问题的求解方法中为目标哈密顿量演化算符添加变分参数；
图4示出了本发明的一个实施例中将目标哈密顿量的近似基态波函数分解为矩阵直积态；
图5示出了本发明的一个实施例的所提供的量子计算系统。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。
密度矩阵重整化群的方法通过将随机的多体波函数|ψ>表示成MPS(矩阵直积态)，将目标哈密顿量H表示成矩阵直积算符的形式，通过系统的能量：
E＝<ψ|H|ψ>/<ψ|H|ψ>
对MPS进行变分迭代，使得目标哈密顿量的期望值Eg最终达到收敛条件，最终求得系统的基态能量Eg以及相应的多体波函数|ψg>。当处理的多体系统的尺度和维度增加，DMRG求解基态的计算效率和计算精度将会降低，还有可能导致系统能量“落到”局部极小值或者“贫瘠”高原处。特别是对于二维DMRG的计算，由于所谓的“面积定律”导致了系统纠缠度和空间维度的不一致性，二维DMRG往往不是很成功，其收敛性不能得到很好的保证。因此，DMRG的效率和准确率很大程度上取决与初始状态的选择，而目前大多数的DMRG变分方案都是随机选择初态。
量子近似优化算法(QAOA)作为一种有效的经典量子算法本质上为对量子退火算法的启发式变分处理，除了可以解决经典的组合优化问题外，还可以用来寻找多体量子系统的近似基态。本发明结合量子近似优化算法(QAOA)的启发式思想，旨在利用浅层QAOA线路制备密度矩阵重整化群算法(DMRG)所需要的初始波函数，以提高DMRG算法求解多体量子系统基态的计算效率和计算精度。
根据本发明的一个实施例，如图1所示，本发明提供一种多体问题的求解方法10，包括步骤S101至步骤S106。其中：
在步骤S101中，根据待求解的多体问题构建哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数。
首先，根据待求解的多体问题确定多体哈密顿量(目标哈密顿量)HC，多体哈密顿量HC对应的演化算符其中γi为第i次迭代使用的变分参数。
对于测量设备的驱动哈密顿量HB，对应的演化算符为 其中βi为第i次迭代使用的变分参数。通常情况下，选择驱动哈密顿量为HB＝∑iXi，其中Xi为第i个自旋的泡利X算符。
假设构建的哈密顿量系统的迭代次数为p，由于本发明利用量子近似优化算法(QAOA)寻找待求解的多体问题的近似解，因此仅需构建对应QAOA算法的浅层量子线路，例如：对应哈密顿量系统的迭代次数p小于10。则对应哈密顿量系统的波函数为：
其中n为量子比特(量子位)，通过将n个Hardamard门作用在n个0态量子比特的直积态|0>n上，得到初始波函数：
该初始波函数为上述驱动哈密顿量HB的基态波函数，即：
在步骤S102中，在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，输出测量结果。
如图2所示，n个0态量子比特通过n个Hardamard门的分别作用，生成所述哈密顿量系统的初始量子态：将编译生成的量子线路作用在该初始量子态上。逻辑上，是将目标哈密顿量HC的演化算符及驱动哈密顿量HB的演化算符重复作用p次，并对n个量子比特的最终量子态进行多次测量，输出测量结果。
在步骤S103中，判断所述测量结果是否满足收敛条件。
根据本发明的一个实施例，该步骤S103可以通过经典计算机完成，例如经典计算机采用梯度下降法判断所述测量结果是否满足收敛条件。
在步骤S104中，当所述测量结果不满足收敛条件时，编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同。
如图2所示，当最终测量结果ψf不满足极小值优化条件时(<ψf|HC|ψf>并非梯度下降中的谷值)，改变原量子线路(第一量子线路)包含的变分参数(第一变分参数)，即改变γi和βi，其中γi和βi为原量子线路第i次迭代演化算符UC(γi)和演化算符UB(βi)使用的变分参数。编译生成新的量子线路(第二量子线路)，新的量子线路(第二量子线路)具有新的变分参数(第二变分参数)，不妨设新的变分参数(第二变分参数)为γi′和βi′，其中γi′为第i次迭代演化算符UC(γi′)使用的变分参数，βi′为第i次迭代演化算符UB(βi′)使用的变分参数
在步骤S105中，在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，输出测量结果。
如图2所示，将新的量子线路(第二量子线路)重新作用于初始量子态即将包含新的变分参数γi′的目标哈密顿量HC的演化算符UC(γi′)，及包含新的变分参数βi′驱动哈密顿量HB的演化算符UB(βi′)重复作用p次，并对n个量子比特的最终量子态进行多次测量，输出测量结果。
在步骤S106中，当所述测量结果满足收敛条件时，输出所述待求解的多体问题的近似解。
当所述测量结果满足收敛条件时(<ψf|HC|ψf>并非梯度下降中的谷值)，将测量得到的n个量子比特的最终量子态ψf作为目标哈密顿量(多体哈密顿量)HC的近似基态波函数，将<ψf|HC|ψf>作为目标哈密顿量(多体哈密顿量)HC的近似基态能量，即待求解的多体问题的近似解。
当测量得到的n个量子比特的最终量子态ψf对应的能量值<ψf|HC|ψf>满足收敛条件时，将ψf作为目标哈密顿量(多体哈密顿量)HC的近似基态波函数；当n个量子比特的最终量子态ψf对应的能量值<ψf|HC|ψf>不满足收敛条件时，更新所述第一变分参数γi和βi，采用所述第二变分参数γi′和βi′，重新构建哈密顿量系统进行迭代。其中，初始的第一变分参数γi和βi可以随机赋予，当ψf不满足收敛条件时，可以根据预设的算法优化第一变分参数γi和βi，这些都在本发明的保护范围之内。
根据本发明的一个实施例，本发明所提供的多体问题的求解方法10进一步包括：
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数。对于一般形式的哈密顿Hc＝H1+H2+…Hs，其中不同的Hi之间互相不对易。其变分波函数的形式可以表示为：
其中γm，i为第l层线路中Hm对应的变分参数。
以一维具有近邻相互作用的XY模型为例，其目标哈密顿量HC为：
其中Xi和Yi分别为第i个自旋的泡利X算符和泡利Y算符，Ji为不同自旋的泡利算符之间的相互作用系数。对于上述近邻模型，可以将目标哈密顿量(多体哈密顿量)第i层线路对应的变分演化算符表示成：
其中He＝∑i＝1JiX2i-1X2i+∑i＝2JiY2iY2i+1，Ho＝∑i＝1JiX2iX2i+1+i＝2JiY2iY2i+1，分别表示从偶数格点到奇数格点以及从奇数格点到偶数格点的局域哈密顿量，这两部分互相对易[Ho，He]＝0。上述目标哈密顿量(多体哈密顿量)的变分演化算符UC(γ1，i，γ2，i)对应的量子线路如图3所示。
由于传统量子近似算符(QAOA)中未考虑目标哈密顿量的非对易形式，对于这类情况，非对易效应会产生较大的变分误差，而通过对非对易部分添加额外的变分参数，在一定程度上缓解了误差，并且扩大了变分算法的表示解空间，因此具有更好的表现能力。
根据本发明的一个实施例，如图1所示，本发明所提供的多体问题的求解方法10进一步包括步骤S107和步骤S108。其中：
在步骤S107中，根据所述待求解的多体问题的近似解，生成初始矩阵直积态。
如图4所示，将所述待求解的多体问题的近似解，即目标哈密顿量(多体哈密顿量)HC的近似基态波函数ψf，在每一个格点处进行奇异值分解(SVD)，可以将目标哈密顿量(多体哈密顿量)HC的近似波函数ψf表示成矩阵直积态(MPS态)的形式：
其中,表示MPS中第i个自旋对应的张量。利用MPS和MPO的表示的方式可以对哈密顿量系统的能量进行张量计算。
在步骤S108中，在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数。DMRG通过不断变换选择MPS态中不被缩并的矩阵，并对其进行优化，最终使得整个链的能量收敛，从而获得系统的极小值。
通过对MPS态从左到右依次做截断，并在每一次做截断后计算相应的约化密度矩阵，保留约化密度矩阵最大的几个本征态构成的线性子空间，同时将系统哈密顿量对应的MPO投影到上述线性子空间，得到基态能量，直到达到一定的收敛精度后停止计算，最终得到系统的近似基态。
本发明还提供一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上文所介绍的多体问题的求解方法10。
本发明所提供的多体问题的求解方法，通过浅层QAOA量子线路快速制备出多体自旋哈密顿量的近似基态波函数，再通过DMRG算法的手段，进一步优化该近似基态波函数，以得到目标哈密顿量的基态能量解。相比于传统的DMRG算法随机初始化波函数的方式，本发明所提供的求解方法可以加速目标模型基态能量的计算过程，使其更快地达到收敛条件，进一步提高了DMRG算法的计算速度和计算精度。
根据本发明的一个实施例，如图5所示，本发明还提供一种量子计算系统100，包括相互耦接的经典计算单元110和量子计算单元120，经典计算单元110和量子计算单元120协同工作以求解多体问题，其中：
经典计算单元110配置成根据待求解的多体问题构造哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数。
量子计算单元120配置成在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，输出测量结果。
经典计算单元110配置成判断所述测量结果是否满足收敛条件。
当所述测量结果不满足收敛条件时，经典计算单元110编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同。量子计算单元120在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，输出测量结果。
当所述测量结果满足收敛条件时，经典计算单元110输出所述测量结果，作为所述待求解的多体问题的近似解。
根据本发明的一个实施例，其中经典计算单元110进一步配置成：
根据所述待求解的多体问题的近似解，生成初始矩阵直积态。
在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数。
根据本发明的一个实施例，其中经典计算单元110进一步配置成：
根据所述待求解的多体问题确定目标哈密顿量。其中：
所述哈密顿量系统的波函数包括所述目标哈密顿量的演化算符及测量设备的驱动哈密顿量的演化算符；
所述初始量子态包括所述驱动哈密顿量的基态波函数。
根据本发明的一个实施例，其中经典计算单元110进一步配置成：
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数。
根据本发明的一个实施例，其中经典计算单元110进一步配置成：
使用梯度下降法判断所述测量结果是否满足收敛条件。
根据本发明的一个实施例，量子计算系统100中：
量子计算单元120包括超导型量子芯片、离子阱型量子芯片、半导体型量子芯片、原子型量子芯片、光子型量子芯片中的一种或多种。经典计算单元110包括CPU、GPU中的一种或多种。
上述进行量子计算系统100的具体限定与前述多体问题的求解方法10中的具体限定相似，可以参见上文中关于多体问题的求解方法10的介绍，在此不再赘述。
本发明中所涉及的待求解的多体问题包括但不限于：
本文所提供的方法适合求解多体自旋模型的基态，包括可以转化为自旋模型的玻色子、费米子模型等。
本发明中所涉及的量子比特包括具有0态、1态和叠加态|ψ>＝α|0>+β|1>的信息载体，其中α，β代表系统在0态和1态上的复数概率幅，α，β的模平方|α|2，|β|2分别代表处于0态和1态的概率。
本发明所涉及的量子计算包括基于量子逻辑的计算方式，存储数据的基本单元是量子比特。
本发明所涉及的量子线路包括相应的量子算法/程序在量子门模型下的硬件实现。
本发明所涉及的哈密顿量为描述量子系统总能量的一个厄密共轭的矩阵，通常以算符H表示。
本发明所涉及基态能量对应了量子系统能量最低的本征态。对于一个哈密顿量矩阵H，满足方程：H|ψ>＝E|ψ>，|ψ>为哈密顿量矩阵H的本征态，E为哈密顿量矩阵H的本征能量(基态能量)。
Claims (6)
1.一种多体问题的求解方法，其特征在于，包括：
根据待求解的多体问题构建哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数；其中，所述哈密顿量系统的迭代次数小于10；所述第一量子线路为通过量子近似优化算法构建的浅层量子线路；
在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，以得到第一测量结果；
判断所述第一测量结果是否满足收敛条件；
当所述第一测量结果不满足所述收敛条件时，编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同；其中，所述第二量子线路为通过量子近似优化算法构建的浅层量子线路；
在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，以得到第二测量结果；
判断所述第二测量结果是否满足收敛条件；
当所述第一测量结果或所述第二测量结果满足所述收敛条件时，将满足所述收敛条件的所述第一测量结果或所述第二测量结果作为所述待求解的多体问题的近似解；
根据所述待求解的多体问题的近似解，生成初始矩阵直积态；
在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数；
其中基于待求解的多体问题构建哈密顿量系统包括：
根据所述待求解的多体问题确定目标哈密顿量；其中所述哈密顿量系统的波函数包括所述目标哈密顿量的演化算符及测量设备的驱动哈密顿量的演化算符；
所述初始量子态包括所述驱动哈密顿量的基态波函数；
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数,其中所述非对易的近邻多体自旋哈密顿量能够分解为多个非对易的局域哈密顿量之和。
2.如权利要求1所述的方法，其中所述判断所述第一测量结果是否满足收敛条件进一步包括：
使用梯度下降法判断所述第一测量结果是否满足所述收敛条件。
3.一种量子计算系统，其特征在于，包括相互耦接的经典计算单元和量子计算单元，所述经典计算单元和所述量子计算单元协同工作以求解多体问题，其中：
所述经典计算单元配置成根据待求解的多体问题构造哈密顿量系统，根据所述哈密顿量系统的波函数编译生成第一量子线路，所述第一量子线路具有第一变分参数；其中，所述哈密顿量系统的迭代次数小于10；所述第一量子线路为通过量子近似优化算法构建的浅层量子线路；
所述量子计算单元配置成在初始量子态上作用所述第一量子线路，并对最终量子态进行多次测量，以得到第一测量结果；
所述经典计算单元配置成判断所述第一测量结果是否满足收敛条件；
当所述第一测量结果不满足所述收敛条件时，所述经典计算单元编译生成第二量子线路，所述第二量子线路具有第二变分参数，所述第二变分参数与所述第一变分参数不同；其中，所述第二量子线路为通过量子近似优化算法构建的浅层量子线路；
所述量子计算单元在初始量子态上作用所述第二量子线路，并对最终量子态进行多次测量，以得到第二测量结果；
所述经典计算单元配置成判断所述第二测量结果是否满足收敛条件；
当所述第一测量结果或所述第二测量结果满足所述收敛条件时，所述经典计算单元输出满足所述收敛条件的所述第一测量结果或所述第二测量结果作为所述待求解的多体问题的近似解；
所述经典计算单元进一步配置成：
根据所述待求解的多体问题的近似解，生成初始矩阵直积态；
在所述初始矩阵直积态上执行DMRG算法，迭代获得所述待求解的多体问题的基态波函数；
根据所述待求解的多体问题确定目标哈密顿量；其中
所述哈密顿量系统的波函数包括所述目标哈密顿量的演化算符及测量设备的驱动哈密顿量的演化算符；
所述初始量子态包括所述驱动哈密顿量的基态波函数；
当所述目标哈密顿量为非对易的近邻多体自旋哈密顿量时，增加变分参数，以使得多个非对易的局域哈密顿量的演化算符具有不同的变分参数，其中所述非对易的近邻多体自旋哈密顿量能够分解为多个非对易的局域哈密顿量之和。
4.如权利要求3所述的量子计算系统，其中所述经典计算单元进一步配置成：
使用梯度下降法判断所述第一测量结果是否满足所述收敛条件。
5.如权利要求3所述的量子计算系统，其中
所述量子计算单元包括超导型量子芯片、离子阱型量子芯片、半导体型量子芯片、原子型量子芯片、光子型量子芯片中的一种或多种；
所述经典计算单元包括CPU、GPU中的一种或多种。
6.一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如权利要求1或2所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041393.1A CN115630704B (zh) | 2022-08-29 | 2022-08-29 | 多体问题的求解方法及量子计算系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041393.1A CN115630704B (zh) | 2022-08-29 | 2022-08-29 | 多体问题的求解方法及量子计算系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115630704A CN115630704A (zh) | 2023-01-20 |
| CN115630704B true CN115630704B (zh) | 2024-07-02 |
Family
ID=84903615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211041393.1A Active CN115630704B (zh) | 2022-08-29 | 2022-08-29 | 多体问题的求解方法及量子计算系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630704B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796294B (zh) * | 2023-02-07 | 2023-04-07 | 江苏微知量子科技有限公司 | 一种面向量子计算的大规模数据调用系统 |
| CN116739101B (zh) * | 2023-06-27 | 2024-07-26 | 复旦大学 | 一种量子优化方法以及装置 |
| CN117690534B (zh) * | 2024-01-25 | 2024-04-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种量子材料超导性判断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109643326A (zh) * | 2016-08-17 | 2019-04-16 | 国际商业机器公司 | 有效减少在量子硬件上模拟费米子哈密顿量所需资源 |
| CA3175307A1 (en) * | 2020-04-17 | 2021-10-21 | Shunji Matsuura | Methods and systems for quantum simulation of molecular and spin systems |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11620561B2 (en) * | 2018-05-30 | 2023-04-04 | Mark A. Novotny | Method and system for a quantum oracle to obtain the number of quantum ground states |
| US11354589B2 (en) * | 2019-01-08 | 2022-06-07 | IonQ, Inc. | Quantum computer architecture based on multi-qubit gates |
| US11314536B2 (en) * | 2019-07-08 | 2022-04-26 | Tencent America LLC | Quantum variational method, apparatus, and storage medium for simulating quantum systems |
| WO2021154350A2 (en) * | 2019-10-22 | 2021-08-05 | President And Fellows Of Harvard College | Quantum generative models for sampling many-body spectral functions |
| CN111882068B (zh) * | 2020-06-29 | 2022-03-18 | 北京百度网讯科技有限公司 | 一种消除qaoa量子电路噪声影响的方法、装置、设备及介质 |
| CN113344209A (zh) * | 2021-06-01 | 2021-09-03 | 中国科学技术大学 | 薛定谔-海森堡变分量子基态求解方法 |
| CN114021730B (zh) * | 2021-11-19 | 2024-07-30 | 中国科学技术大学 | 物理张量网络态数据后处理方法、系统、设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211041393.1A patent/CN115630704B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109643326A (zh) * | 2016-08-17 | 2019-04-16 | 国际商业机器公司 | 有效减少在量子硬件上模拟费米子哈密顿量所需资源 |
| CA3175307A1 (en) * | 2020-04-17 | 2021-10-21 | Shunji Matsuura | Methods and systems for quantum simulation of molecular and spin systems |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115630704A (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11861455B2 (en) | Systems and methods for performing quantum evolution in quantum computation | |
| CN115630704B (zh) | 多体问题的求解方法及量子计算系统 | |
| US20230118636A1 (en) | Simulation of quantum circuits | |
| Okuyama et al. | Binary optimization by momentum annealing | |
| WO2023273045A1 (zh) | 量子系统的基态获取方法、装置、设备、介质及程序产品 | |
| CN108369668B (zh) | 用于创建和使用量子玻尔兹曼机的系统和方法 | |
| US10275422B2 (en) | Systems and methods for finding quantum binary optimization problems | |
| US8560282B2 (en) | Quantum processor-based systems, methods and apparatus for solving problems as logic circuits | |
| Cho et al. | Quantum computation: Algorithms and applications | |
| Anastasiou et al. | TETRIS-ADAPT-VQE: An adaptive algorithm that yields shallower, denser circuit ansätze | |
| Dumitrescu | Tree tensor network approach to simulating Shor's algorithm | |
| Kieu | Quantum hypercomputation | |
| Safi et al. | Influence of hw-sw-co-design on quantum computing scalability | |
| García-Molina et al. | Noise in digital and digital-analog quantum computation | |
| Wang et al. | Variational quantum eigensolver with linear depth problem-inspired ansatz for solving portfolio optimization in finance | |
| Malyshev et al. | Autoregressive neural quantum states with quantum number symmetries | |
| Roch et al. | Cross entropy hyperparameter optimization for constrained problem Hamiltonians applied to QAOA | |
| Huang et al. | An empirical study of optimizers for quantum machine learning | |
| Liu et al. | Quantum Algorithms for Inverse Participation Ratio Estimation in multi-qubit and multi-qudit systems | |
| EP4036816A1 (en) | Mitigating errors in algorithms performed using quantum information processors | |
| US20230259673A1 (en) | Quantum computer-implemented solver | |
| Vert et al. | Benchmarking quantum annealing with maximum cardinality matching problems | |
| Tene-Cohen et al. | A variational qubit-efficient maxcut heuristic algorithm | |
| Tamir et al. | Notes on Adiabatic Quantum Computers | |
| Basu et al. | FragQC: An efficient quantum error reduction technique using quantum circuit fragmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |