量子优势得益于量子力学规则;量子计算模型也受限于量子力学规则。相比于设计经典算法,设计量子算法有更多的掣肘,是带着镣铐跳舞。许多量子算法只能解决特定的问题,这些问题的形式相对特殊,没有或很少触碰到量子计算模型的能力界限。为了将量子计算推向实际应用,人们开始尝试触碰这些界限,设计更通用、解决更一般问题的量子算法,HHL 就是其中一个代表。虽然 HHL 并不完美,但人们的想法开始萌芽:探索求解线性代数、动力系统等较为普遍的数学问题的量子算法,以期量子计算在未来,以可调用的数值求解器的形式,助力通用科学计算、机器学习等重计算负担的应用。


QSVT 是当代量子算法的重要成果,它能在量子计算机上处理一些较为普遍的线性代数问题,比如矩阵逆、特征值分析等[1]。有人称 QSVT 是许多量子算法的“大一统”[2]


QSVT 使用了单变量 QSP 作为子例程。下面将介绍 QSP,QSVT,以及它们背后的一个数学工具:切比雪夫多项式。


QSP 是一条流水线,里面装着旋转门(rotation gates)和信号门(signal gates)。通过巧妙地组合这些门,我们可以构造一个酉算符,这个算符在某个子空间上的投影可以用一个多项式来表示。简单来说,QSP 能让我们在量子计算机上实现一些数学函数的近似,而且这些函数通常是多项式形式的。


QSVT 是一座 QSP 大工厂。QSP 是对单个信号进行处理,QSVT 则是对矩阵的奇异值(singular values)进行变换。它的核心思想是把 QSP 推广到更高维度,用 Qubitization 技术访问块编码子空间,对矩阵的奇异值作用某个函数。

图1. 来自 Pennylane[3]的可爱手绘


单变量 QSP 的形式如下[4] 

  是一个信号门:

  是一个旋转门,  是 Pauli-Z。这个等式的右边是一个矩阵,包含了两个多项式  和  ,它们需要满足一些条件:


  • 度数不超过   (对于  )和  (对于  );

  • 奇偶性要求:  (对于  )和  (对于  );

  • 单位性条件:  。


通过调整参数  ,我们可以用量子门的序列生成特定的多项式  。


QSVT 的泛用性归功于背后的数学工具。其中一个重要的数学工具是切比雪夫多项式。它们是一类特殊的正交多项式,用处是函数逼近:

其中,  是一个非负整数,  是实数。可验证递推关系

为什么切比雪夫多项式这么特别?切比雪夫多项式有几个好的性质:


1. 正交性:在区间  上,定义一个内积:

可以验证切比雪夫多项式在这个内积下是正交的。对于  ,   ,   ,它们甚至是正交归一的。这意味着它们像一组“互相垂直”的基矢量,可以用来分解函数。


2. 逼近能力:任何  上的解析函数  都可以写成切比雪夫级数:

系数  通过内积计算:

在实际中,我们不可能用无限项的级数,所以会截断到有限项,得到一个多项式逼近:

这时候,误差(也就是忽略的后面那些项)有多大就很重要。切比雪夫多项式厉害的地方在于,它的系数  通常很快衰减,因此很快逼近,误差可以控制得很小。这是 approximation theory 研究的结果[6]


QSP 的目标是构造一个多项式  ,让它尽可能接近某个目标函数  ,并且这个多项式可以通过量子门的序列实现。这种任务本质上是一个多项式优化问题。而切比雪夫多项式正是解决这个问题的利器。


其原因在于,切比雪夫多项式是正交的,而且它们在  上有很好的逼近性质。回到 QSP,  的度数不超过  ,并且需要满足单位性条件。切比雪夫多项式可以作为构建  的基础,因为它们天然满足一定的度数和奇偶性要求(比如  的度数是  ,奇偶性与  一致)。


举个例子:假设我们想用 QSP 实现一个简单的函数,比如  。我们可以尝试用切比雪夫多项式逼近它。注意到  ,微调一下,  。这说明,通过线性组合切比雪夫多项式,我们可以构造出目标函数的多项式形式,然后通过QSP的框架找到对应的  参数。


QSVT 的目标是对一个矩阵  的奇异值应用函数  。假设  是奇异值分解,  是奇异值矩阵,我们想计算  。QSVT 通过一系列量子操作(基于 QSP 的旋转和投影),将这个函数应用到奇异值上。而这个函数  ,就用上面的技术来近似。


读者可能已经注意到,前面只在实数上介绍了切比雪夫多项式的性质。为了让这个工具真正适配量子计算,需要把这些好性质扩展到复数上。


复数上的形式:

显式公式:

这表明  是  次多项式,且在复数域上也成立,其对称性消除了复平方根的歧义,使其始终为多项式。


参考 [5] 中的思路,接下来展示:在复数上,切比雪夫多项式的系数也能够保持好的衰减性质,从而可以高效逼近。


解析延拓:对于一个在  上解析的函数  ,其解析延拓到复平面上的圆盘  为:

这在  内绝对收敛。


对于切比雪夫多项式,用环面  和椭圆  (由  将  映射得到的区域)。如果  在  上解析,定义:

其中  是  在  上的切比雪夫系数:


-   ,

 (  )。


插入前面复数版本的形式,然后做柯西积分:


 ,

 (  )。


用留数定理可以快速验证这些积分:


接下来,我们将分析系数的衰减速度。


若  在  上有界,即  (记为  ),则[8]

我们看到  随  增加呈指数衰减,衰减速度与  成反比。这在量子算法(如 QSP 和 QSVT)中至关重要,因为它保证了低阶多项式逼近的高效性,从而可以节约量子门。


举个例子:  


对于  (在整个复平面解析)。令  ,其中  ,且  。由于: 

取  ,最大值在  时达到  。故:

优化  ,令  ,其导数为零时  ,代入得:

这接近 Stirling 公式的逆,说明  衰减极快。


QSVT 背后的有趣数学工具还有很多。前面的段落介绍了单变量 QSP 操作背后的数学工具。而从单变量到矩阵,需要做 qubitization:借助 Jordan's Lemma 或者 Cosin-Sin Decomposition 等工具,像操作单个变量一样操作矩阵的特征值,从而可以对厄米矩阵的特征值或非厄米矩阵的奇异值做变换。QSP 也发展出了多变量版本[7]:使用 Fejér-Riesz Theorem 等工具,支持更复杂的多变量多项式变换,高效计算某些依赖多个变量的属性。


回到前文,作为量子算法的“大一统”,我们可以通过挑选合适的  来用 QSVT 实现各种量子算法的功能。


哈密顿模拟:也就是在量子计算机上模拟动力系统演化,也就是近似  。QSVT 在此的应用是最优的。技术上,为了满足奇偶性要求,使用  和  的组合来近似  ,  和  可以由 Jacobi-Anger Expansion 表示为切比雪夫多项式的和,从而调用 QSP 近似这些切比雪夫多项式。最后,做振幅放大,来提升模拟的精度[1, 4]


再简单列举其他的:


无结构搜索:目标是近似  。奇异值  与初始态和标记态相关。设置  使得  。这样把标记态的振幅变换到1。


线性方程组求解:目标是近似  。但是注意要适当的逼近函数,需要足够接近  ,且避免  时的奇点问题,且平滑。


相位估计:目标是近似  。这函数用于“剪切”相位,使其符合设置好的精度。

图2. PRX Quantum 刊载版本论文的示意图[2] 


QSVT 之后还有 QEVT,用来处理非正规矩阵,进一步用到了 Chebyshev 母函数等工具[9]


最后,笔者提醒大家,近日换季,请大家注意饮食安全,通风换气,以及穿衣保暖。祝大家身体健康。


参考文献:

[1] András Gilyén, Yuan Su, Guang Hao Low, Nathan Wiebe. Quantum singular value transformation and beyond: exponential improvements for quantum matrix arithmetics, In Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing (STOC 2019), pp. 193-204

[2] John M. Martyn, Zane M. Rossi, Andrew K. Tan, and Isaac L. Chuang Grand Unification of Quantum Algorithms, PRX Quantum 2, 040203

[3] Juan Miguel Arrazola. https://pennylane.ai/qml/demos/tutorial_intro_qsvt

[4] Guang Hao Low, Isaac L. Chuang. Optimal Hamiltonian Simulation by Quantum Signal Processing

[5] Ewin Tang, Kevin Tian. A CS guide to the quantum singular value transformation. arXiv:2302.14324

[6] Sushant Sachdeva and Nisheeth K. Vishnoi. Faster algorithms via approximation the ory. Found. Trends Theor. Comput. Sci., 9(2):125–210, 2014.

[7] Zane M. Rossi, Isaac L. Chuang. Multivariable quantum signal processing (M-QSP): prophecies of the two-headed oracle

[8] Lloyd N. Trefethen. Approximation theory and approximation practice, extended edition. Extended edition [of 3012510]. Philadelphia, PA: Society for Industrial and Applied Mathematics, 2019, pp. xi+363. isbn: 978-1-611975-93-2.

[9] Guang Hao Low, Yuan Su. Quantum eigenvalue processing


文 | 李天翊

图 | 朱成轩


—   版权声明  —

本微信公众号所有内容,由北京大学前沿计算研究中心微信自身创作、收集的文字、图片和音视频资料,版权属北京大学前沿计算研究中心微信所有;从公开渠道收集、整理及授权转载的文字、图片和音视频资料,版权属原作者。本公众号内容原作者如不愿意在本号刊登内容,请及时通知本号,予以删除。

内容中包含的图片若涉及版权问题,请及时与我们联系删除