量子科技中心_量科网

准备量子样本（QSAMPLES），即对可逆马尔可夫链平稳分布的相干编码，是量子采样中的基本原语，尤其在量子模拟退火中。现有基于相位估计的框架的一个核心限制是辅助量子比特的开销。在该工作中，该团队提出了一种新的端到端框架，该框架在工作寄存器中仅需一个辅助量子比特。关键的技术要素是一个使用一个辅助量子比特的选择性相位编译电路，该电路基于一个广义量子信号处理（GQSP）投影算子，作用于量子化Szegedy游走的1-特征空间。将这些选择性相位编译电路嵌入定点振幅放大（FPAA）过程并进行迭代，可以得到一个量子算法：给定初始状态、预言机访问、相邻状态之间重叠的下界以及相位间隙的下界，该算法能在任意所需的迹距离（从而总变差距离）内输出一个QSAMPLE。查询复杂度与冷却调度过程中马尔可夫链的最小重叠和最小谱间隙的平方根成反比（至多相差多对数因子）。该团队还进行了仿真，以验证该工作的量子比特和查询复杂度如何随迹距离变化，以及该工作与先前框架的比较。这些结果确立了相较于Wocjan和Abeyesinghe先前框架的两项改进。第一，工作寄存器的辅助量子比特开销降至一个。第二，通过将该团队的基于GQSP的选择性相位编译电路插入FPAA过程，该工作将QSAMPLE传输重叠依赖性从最小重叠的倒数改进为最小重叠的平方根倒数，相较于他们的Grover三分之pi定点方法。最后，作为直接应用，该团队将该量子算法应用于制备吉布斯QSAMPLE，并给出了严格的复杂度分析。