Cadenas de Markov mejoradas por el Quantum Monte Carlo

Área de la Ciencia:

• La computación cuántica
• Física computacional
• Aprendizaje automático

Sus antecedentes:

• Los procesadores cuánticos actuales se enfrentan a limitaciones en tamaño y tasas de error.
• Los algoritmos cuánticos a corto plazo a menudo se centran en el muestreo de distribuciones de probabilidad complejas.
• La cadena de Markov Monte Carlo (MCMC) es una técnica clave para el muestreo de distribuciones.

Objetivo del estudio:

• Introducir y demostrar un algoritmo cuántico para el muestreo de las distribuciones de Boltzmann de los modelos clásicos de Ising.
• Para abordar la necesidad de problemas de muestreo útiles que puedan resolverse con el hardware cuántico actual.
• Proporcionar un enfoque cuántico para MCMC que sea probadamente convergente.

Principales métodos:

• Desarrolló un algoritmo cuántico que implementa la cadena de Markov Monte Carlo (MCMC).
• Experimentalmente demostrado el algoritmo en el hardware cuántico actual.
• Las tasas de convergencia analizadas a través de experimentos y simulaciones clásicas.

Principales resultados:

• El algoritmo cuántico MCMC demostró convergencia en menos iteraciones que las alternativas clásicas.
• Los experimentos sugieren que el algoritmo cuántico es resistente al ruido.
• Las simulaciones revelaron una aceleración del polinomio cúbico a cuártico sobre los métodos clásicos de MCMC.

Conclusiones:

• El algoritmo cuántico MCMC desarrollado ofrece un camino viable para resolver problemas de muestreo útiles.
• Las aceleraciones empíricas sugieren el potencial para aliviar los cuellos de botella computacionales en el aprendizaje automático, la física estadística y la optimización.
• Este trabajo abre caminos para que las computadoras cuánticas aborden los desafíos prácticos de muestreo.