高阶厄米特优化:基于离散伴随方法的开环量子最优控制中的快速精确梯度计算
《Journal of Computational Physics》:High-order Hermite optimization: Fast and exact gradient computation in open-loop quantum optimal control using a discrete adjoint approach
【字体:
大
中
小
】
时间:2026年02月02日
来源:Journal of Computational Physics 3.9
编辑推荐:
斯宾塞·李|丹尼尔·阿佩洛密歇根州立大学计算数学、科学与工程系及物理与天文学系,美国摘要本文介绍了高阶赫米特优化方法(HOHO),这是一种用于量子最优控制的开环离散伴随方法。我们的方法是首个能够在使用连续的、参数化的控制脉冲的同时,通过任意高阶的赫米特龙格-库塔方法求解正则方程(
斯宾塞·李|丹尼尔·阿佩洛密歇根州立大学计算数学、科学与工程系及物理与天文学系,美国摘要本文介绍了高阶赫米特优化方法(HOHO),这是一种用于量子最优控制的开环离散伴随方法。我们的方法是首个能够在使用连续的、参数化的控制脉冲的同时,通过任意高阶的赫米特龙格-库塔方法求解正则方程(如薛定谔方程或林布拉德主方程)时,高效计算精确(离散)梯度的方法。HOHO方法已在Julia编程语言的开源软件包QuantumGateDesign.jl中实现,我们利用该工具进行数值实验,将此方法与Juqbox.jl进行比较。在现实模型问题中,我们观察到其速度提升了多达775倍。引言量子最优控制是操控量子力学系统的理论与实践。包括量子计算、量子信息处理、量子模拟和量子传感在内的量子技术,都依赖于精确操控量子系统的能力。我们重点研究量子最优控制在量子计算算法中的应用。这类量子计算算法是通过在固定时间内应用一系列由量子系统的幺正变换构成的量子门来实现的。在硬件上,量子门是通过随时间变化控制脉冲的幅度来实现的:在超导电路中为微波脉冲[1]、[2],而在囚禁离子[3]或中性原子[4]、[5]系统中则为激光脉冲。这些控制脉冲可以通过实验中使用任意波形发生器生成微波脉冲,或使用声学/电光调制器生成激光脉冲。在本研究中,我们将重点关注超导电路,尽管我们所描述的方法也可应用于多种量子系统。对于在小型简单系统上运行的某些量子门,可以找到解析形式的控制脉冲。而对于更大、更具实用价值的系统,则需要通过数值优化来寻找能够实现所需量子门的控制脉冲。门 fidelity通过目标函数来衡量,而控制脉冲则由一组控制参数来参数化。量子最优控制方法可以是开环的,此时量子系统通过数值方式模拟;也可以是闭环的,此时会利用实际实验的反馈信息。在门设计问题上,闭环通常意味着施加控制脉冲后,在脉冲作用结束时测量门的性能(例如通过随机基准测试[6]或量子态层析[7])。总体而言,开环方法擅长以不随控制参数数量增加而增长的成本精确计算目标函数的梯度,而闭环方法则擅长利用实验结果而非基于可能不准确的理论模型的模拟结果来正确描述门的行为,并且其效率随量子比特数量的增加而提升。通过开环控制找到的控制脉冲还可以通过闭环控制进一步调整,因此即使最终实现门的功能需要闭环控制,开环控制仍是一种有价值的工具。伴随方法是用于高效计算依赖于微分方程解的目标函数梯度的技术[8]。所谓“高效”,是指计算成本主要来自于解决两个初值问题(正则方程和伴随方程),并且不会显著受控制参数数量的影响。在这一框架下,有连续伴随方法,即从连续的正则方程推导出伴随方程(先优化再离散化);还有离散伴随方法,即通过数值方法对正则方程进行离散化后推导出伴随方程(先离散化再优化),这样计算出的梯度相对于所使用的数值方法来说是精确的。这在使用L-BFGS[9]等拟牛顿方法优化目标函数时尤为重要,因为梯度的适度误差可能会掩盖拟牛顿方法所使用的近似海森矩阵[10],从而导致无法利用曲率信息这一优势。本研究的主要成果是为量子最优控制引入了高阶赫米特优化方法(HOHO),这是一种开环离散伴随方法,它是首个能够在使用连续的、参数化的控制脉冲的同时,通过任意高阶数值方法求解正则方程时高效计算精确(离散)梯度的方法。具体而言,我们使用赫米特龙格-库塔方法求解正则方程,并利用其在常微分方程系统中的相对简单形式,推导出适用于该方法所有阶数的计算流程。此外,我们还提出了针对量子最优控制中常见的特定模型和参数化情况,提高该方法计算效率的技术。HOHO方法已实现于Julia编程语言的开源软件包QuantumGateDesign.jl[11]中[12]。目前最常用的开环量子最优控制方法有梯度上升脉冲工程法(GRAPE)[10]、[13]和克罗托夫方法[14]。这些方法基于这样的假设:控制脉冲是分段常数的,这使得可以在每个控制脉冲保持恒定的时间间隔内,通过矩阵求幂来求解正则方程。因此,离散化的正则方程在解析上较为简单,便于推导目标函数偏导数的精确表达式。GRAPE是一种离散伴随方法,它会一次性利用梯度更新所有控制参数,而克罗托夫方法则每次只更新一个控制参数,其优点在于更新方案能够保证单调收敛。分段常数控制脉冲假设存在若干缺陷。首先,控制参数的数量恰好等于时间步数,因此更长或“更复杂”的门会导致优化问题更加困难,同时数值模拟难度也会增大。其次,由于每个控制脉冲的幅度对应一个不同的控制参数,因此不同时间间隔间的幅度可能会发生显著变化,从而产生难以通过AWG实验实现的“高带宽”控制脉冲。第三,与其他数值时间步进方法相比,矩阵求幂的计算效率随系统规模的增长而降低。分段常数控制脉冲假设的第一和第二缺陷基本上已被函数空间梯度上升法(GRAFS)[15]解决,该方法仍然假设控制脉冲是分段常数的,但通过一组基函数对它们进行参数化,从而实现高分辨率控制脉冲,同时大幅减少控制参数的数量。GRAFS采用了GRAPE中用于梯度计算的改进版本,以保持梯度计算的效率。为符合实验限制,它还使用斯莱皮安序列[16]来生成带宽受限的控制脉冲。在GRAFS出现之前,人们也曾尝试过用基函数对控制脉冲进行参数化,即切分随机基方法(CRAB)[17],该方法使用平滑的、参数化的控制脉冲。但其缺点是无法计算梯度(只能通过有限差分近似),而是采用无导数(零阶)方法[18]来优化目标函数。分析控制梯度优化法(GOAT)[19]也使用平滑的、参数化的控制脉冲,但它通过对方程组中的每个控制参数求导来进行基于梯度的搜索(前向模式微分)。GOAT方法能够产生精确的梯度,但由于必须为每个控制参数求解一个初值问题,因此梯度计算效率不高。我们还要提到帕德积分配置法(PICO)[20],这是一种直接方法,它直接对量子态进行优化,在优化过程中将薛定谔方程作为约束条件,而非通过数值时间步进方案隐式地加以约束。近年来,人们在使用平滑的、参数化的控制脉冲以及二阶方法求解正则方程的情况下,通过离散伴随方法高效计算梯度方面取得了进展。Juqbox.jl[21]使用斯托默-维莱特方法作为时间步进方法,对封闭量子系统进行量子最优控制;而Quandary[22]则使用隐式中点法作为时间步进方法,对开放量子系统进行量子最优控制。原则上,通过使用反向模式自动微分法[23]、[24],任何求解正则方程的方法都可以实现高效的梯度计算。实际上,自动微分法已在量子最优控制领域得到应用[25]、[26]、[27],其工作原理与离散伴随方法类似。两种方法的主要区别在于,离散伴随方法能够得到清晰的、可解析的正则方程和伴随方程,这有助于开发出比纯自动微分法更为高效的算法和软件。特别是,反向模式自动微分法必须存储表达式图以及图中中间变量的值,这就导致内存存储需求随系统规模以及矩阵-向量乘法次数(这与时间步数相关,同时也与系统的刚度有关)而增加,这使得对大型量子系统,尤其是开放量子系统进行最优控制变得不可行。相比之下,离散伴随方法通常可以将中间变量存储在少量预分配的数组中,从而大幅减少所需的总内存。这同时也大大减少了大量动态内存分配的需求,这对于求解稀疏微分方程(这类方程在量子最优控制中很常见)时的性能有着重要影响,因为在每个时间步中,分配内存以及迭代求解线性方程组(如在隐式方法中)的成本均为O(N),其中N为复值矩阵系统的规模。对于一个包含NQ个量子比特的系统,N=2^NQ。当求解正则方程的方法涉及求解线性方程组时,例如在使用隐式时间步进方法时,离散伴随方法能够比自动微分法更高效地利用迭代线性求解器,如GMRES[28]。尤其在使用迭代线性求解器求解正则方程时,简单的自动微分法实现会直接通过求解器的底层实现进行微分[29]、[30],这会导致内存使用增加以及不必要的计算。自动微分法的一些缺陷可通过半自动微分法[31]来解决。在这种方法中,目标函数会被重新表示为中间变量的函数。通过精心选择中间变量,可以保持计算图的规模较小,从而在保持目标函数选择灵活性的同时,减少所需的总内存。借助HOHO方法,我们旨在通过使用任意高阶的数值方法,改进基于平滑的、参数化控制脉冲的离散伴随量子最优控制方法的性能,从而实现对刚性量子系统的最优控制,而使用低阶方法模拟这类系统将会耗费极大的计算资源。原则上,通过组合方法[32]、[33],可以将斯托默-维莱特方法和隐式中点法的阶数提高,这些方法会将每个时间步划分为一系列向前和向后的步骤。然而,组合方法中的阶段数量会迅速增加,十阶方法就需要35个阶段。因此,如果基础时间步进方法需要求解线性方程组(无论是隐式中点法还是应用于薛定谔方程的斯托默-维莱特方法都是如此),那么使用组合方法完成一个完整时间步所需的线性方程组求解次数将远远超过HOHO方法。而线性方程组求解通常是求解器中最耗时的部分。此外,由于组合方法需要向后回溯时间,目前尚不清楚它们是否能够稳定地应用于可能存在阻尼的开放量子系统问题。本文的其余部分结构如下:第2节我们对量子计算和量子最优控制进行数学描述;第3节介绍我们在数值模拟中使用的赫米特龙格-库塔方法,并推导出一种离散伴随方法,用于高效计算任意高阶赫米特龙格-库塔方法对应的任意目标函数的梯度,这也是本研究的主要创新成果;第4.1节我们通过拉比振荡器问题进行数值实验,验证了我们方法及其实现的正确性;第4.2节我们利用该方法解决三体系统的门设计问题,展示该方法的速度优势。最后,在第5节中,我们给出了总结性意见,并提出了未来工作的方向。
问题描述
在详细介绍HOHO方法之前,我们现在对量子计算和QOC给出更精确的描述。
数值方法
接下来,我们将薛定谔方程(1)转化为其实值形式,这种形式在数值软件中较为常用。其实值形式为:
\[ \frac{d^2u}{dt^2} = [S(t)K(t) - K(t)S(t)]uv \]
其中,我们定义 \( u := \text{Re}(\psi) \),\( v := \text{Im}(\psi) \),\( K(t) := \text{Re}(H(t)) \),\( S(t) := \text{Im}(H(t)) \)。由于\( H(t) \)是厄米算子,因此\( K(t)^T = K(t) \)为对称矩阵,而\( S(t)^T = -S(t) \)为反对称矩阵。为简化表达,我们还定义:
\[ w := uv, \quad A(t) := [S(t)K(t) - K(t)S(t)] \]
这样就可以写出薛定谔方程的实值形式。
拉比振子问题的正确性验证
为了验证我们所提数值方法的正确性,我们模拟了一个具有解析解的拉比振子问题。拉比振子问题涉及在旋转参考系中的两能级系统。对于该问题,薛定谔方程为:
\[ \frac{d\psi}{dt} = -iHc\psi \]
其中\( Hc = \Omega a + \Omega^\dagger a^\dagger = \text{Re}(\Omega)(a + a^\dagger) + \text{Im}(\Omega)(a - a^\dagger) \),\( \Omega \in \mathbb{C} \)。该方程的解析解为\( \psi(t) = U(t)\psi_0 \),其中时间演化算符为:
\[ U(t) = \begin{bmatrix} l & l\cos(|\Omega|t)(\sin\phi - i\cos\phi) \\ \sin(|\Omega|t) - (\sin\phi + i\cos\phi) & \sin(|\Omega|t)\cos(|\Omega|t) \end{bmatrix} \]
其中\( \Omega = |\Omega|(cos\phi + i sin\phi) \)。
结论与未来工作
在这项工作中,我们提出了一种离散伴随方法,用于高效计算依赖于由埃尔米特龙格-库塔方法求解的常微分方程组数值解的目标函数梯度。此外,我们还提出了提高该方法计算效率的技术,尤其适用于哈密顿量具有受控制脉冲驱动的系统,同时还为漂移哈密顿量为零的场景提供了一种高效的预处理方法。
作者贡献声明
Spencer Lee:写作——审稿与编辑,写作——初稿撰写,软件实现。Daniel Appello:写作——审稿与编辑,写作——初稿撰写,软件实现。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号