高斯玻色采样enhance量子近似优化算法
上篇博文,我们已经接触了QAOA量子近似优化算法,我们已经知道近似优化算法一般用于求解组合优化问题。这里我们再说明一下什么是组合优化问题:
给定一个数据集 ,和一个映射函数,令,,目标是找到一个元素,使得,即找到最大的一个.
这篇博文,打算就依照参考论文[1]的步骤一步步的为大家解读,如果在解读过程中有问题欢迎大家评论。希望我们都能够共同进步,努力成为一名合格的科研dog。
玻色采样
至今,提出的玻色采样装置有很多种,包括scattershot boson sampling 和 Gaussian boson sampling. 玻色采样的概念是在2014年被首次提出,其具体过程可以描述如下:
其中输入端可以是玻色子,然后经过线性光学网络的作用,可以输出各种玻色配置。在光子探测器未探测光子之前,各种输出配置会处于叠加状态,其Hilbert空间可以达到大小,是模数,表示光子数。当然对于Gaussian boson sampling来说,输入端输入的不是玻色子,而是Gaussian state。
但无论是哪一种玻色采样装置,由于其具有巨大的采样空间及其输出配置的概率分布和积和式(NP-Hard问题)有关,因此在经典计算机上很难以模拟出来。所以玻色采样可能具有量子霸权的前景,但是在实际应用中似乎还没有崭露头角。
玻色采样的理念就补充到这里了,如果没有理解的伙伴,可以多多查找一些文献,比如文献[2]。
统一采样和比例采样
-
统一采样(uniform samples)
每个值被采样的概率均为,即.那么总目标值的期望值为:
. -
比例采样
每个值被采样的概率和目标值在总目标值的概率相等,即,所以总目标值的期望值为:
.
因为:
其中.所以:
这个不等式说明了,比例采样永远不会比统一采样要差。而Gaussian boson sampling属于比例采样。
[1]Arrazola J M, Bromley T R, Rebentrost P. Quantum approximate optimization with Gaussian boson sampling[J]. Physical Review A, 2018, 98(1): 012322.
[2]Gard B T, Motes K R, Olson J P, et al. An introduction to boson-sampling[M]//From atomic to mesoscale: The role of quantum coherence in systems of various complexities. 2015: 167-192.