Luo D, Shen J, Dangovski R, et al. Koopman operator learning for accelerating quantum optimization and machine learning[J]. arXiv preprint arXiv:2211.01365, 2022.
论文导读
周五听了这篇文章的报告，看了一下文章，顺便做一下记录。这篇文章把Koopman operator运用到了量子优化领域。原因是，在量子计算机中计算梯度，每次只能计算一个参数的梯度，如果参数增多，则需要消耗的时间是随参数增加而线性增加的；然而在经典计算机中，计算梯度，只需要一次运行即可。因此，本文将Koopman operator theory运用在参数更新上，提出了两类方法：基于传统的silding window dynamic mode decomposition(SW-DMD)和基于神经网络的 neural DMD。对量子优化和量子机器学习任务上实验，并在IBM真机上做了实验。
模型简介
模型中，Koopman operator learning的作用是基于已经生成的参数时间序列，寻找更优的参数。暂且不关注Koopman的细节，只关注算法的流程，其流程图如下：
整个算法共由两步组成，经过循环迭代，优化参数：
- 运行已有的参数更新算法，训练模型，并生成参数序列，（这一步在量子计算机中是非常耗时的）
- Koopman operator learning，根据已有的参数序列，对后续的参数序列做预测，生成多组备选参数（这一步时间可以忽略）
- 测试新生成的参数，选取其中最优解作为下一轮循环的初值，回到第一步。
整个模型流程还是很简单的，重点是如何使用Koopman算子，生成新的参数，下面对Koopman operator theory做简单介绍。
Koopman operator learning
首先对理论有个概念，并将Koopman理论与模型参数更新联系起来。其次介绍不同的更新方法。
Theory
考虑一个动力系统，其状态变量和转移函数
（transition function）之间的关系如下：
Koopman operator theory 断言，存在一个线性算子
，和一个函数
，使得
其中的
是Koopman算子。通常是在无穷维空间中的，当把
约束到有限维的不变子空间中，再加上
，则
可以表达成一个矩阵
。
肯定是一个矩阵，
的选择是多种多样的：标准的DMD方法，取
；其他方法用多项式或者三角函数作为
的基底；近来也有人使用神经网络去逼近
。
与参数更新的联系
量子机器学习模型中的参数更新由一个非线性微分方程控制
其中的是模型中的参数，
是学习率，
是量子Fisher Information matrix。上面关于
的非线性微分方程和如下关于
的动力方程等价：
其中的是由参数生成的量子态，
是投影到参数空间流形上的投影算子。注意到
也是一个线性算子，因此当参数空间足够大时，上面的式子可以用线性微分方程来近似。把参数
看成Koopman theory里的状态变量
，则由参数根据量子线路生成量子态的过程
很自然的对应到函数
。至此，二者之间建立了联系。
Silding window DMD
标准的DMD，直接使用线性拟合动态过程，假设，则
把
拼接起来，有数据矩阵：
当动态不是线性的时候，考虑带有滑动窗口的时滞嵌入（time-delayed embedding）：
Neural DMD
即使用神经网络去逼近上述SW-DMD中，神经网络参数为
，最后的结果由优化下式给出：
更具体的，可以选择首先构造，再把它和神经网络复合，即
结构如图所示：
结构中的线性层，也可以换成卷积层等结构。Transformer也可以试一试。
本篇文章还做了大量实验以及消融实验，探究参数之间的选择。具体可以查看论文。
