⚛️ 量子物理

Quantum power iterations via tensor networks

本文提出了一种利用幺正矩阵乘积算符（unitary matrix product operators）和后选择（post-selection）来实现经典幂迭代的量子算法，旨在克服经典张量网络方法中指数级的秩增长瓶颈，同时明确指出该研究仅建立了构建方法与运行条件，尚未展示出相对于经典方法的确定性计算优势。

原作者： V. Akshay, A. Berezutskii, Ar. Melnikov, A. Termanova, M. R. Perelshtein

发布于 2026-11-05

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： V. Akshay, A. Berezutskii, Ar. Melnikov, A. Termanova, M. R. Perelshtein

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

优化是寻找问题最佳解决方案的艺术，无论这意味着设计一个更高效的飞机机翼、训练计算机识别面部，还是仅仅在广袤且多雾的地形中寻找最高峰。几十年来，科学家们一直依赖一种被称为“幂迭代”（power iteration）的经典数学技术来解决这些问题。想象一下，试图通过反复将一张地形图与其自身相乘来寻找山脉中的最高峰；随着每一次乘法运算，最高的峰峦会变得更高、更清晰，而山谷和低矮的小丘则会逐渐消退，直到最后只剩下一个最高点。这种方法在处理简单任务的经典计算机上表现出色，但当地图变得过于复杂时，它就会撞上一堵墙。随着计算的重复，描述该地形所需的数据量会发生爆炸式增长，其增长速度之快，使得即使是最强大的超级计算机也无法跟上。这就是研究人员长期以来一直努力克服的瓶颈。

Terra Quantum AG 的一个科学家团队现在提出了一种通过将计算转移到量子计算机上，从而绕过这种数据爆炸的方法。他们并没有尝试在内存中存储整张不断增长的地图，而是设计了一种方法，将地形编码进一个量子电路中——即在一系列对量子比特（qubits）执行的操作序列。他们的方法不将问题视为大规模的数据存储挑战，而是一个物理过程。通过将地形的数学描述转换为特定类型的量子电路，他们可以执行幂迭代所要求的重复“乘法”。在这个量子领域，操作随着系统的演化自然发生，而无需存储呈指数级增长的海量数据。研究人员证明，即使在地形复杂且充满许多局部峰值和谷值的环境下，这种方法也能成功识别出最高点。

他们工作的核心在于将一种被称为“矩阵乘积算子”（matrix product operator）的数学对象转化为量子电路。在经典世界中，执行寻找最优解所需的必要步骤往往会导致数据的复杂度失控。研究人员发现了一种方法，可以用一个更简单的、“幺正”（unitary）的版本来近似这个复杂的数学对象，使其能够适配在量子计算机内。他们使用了一种称为“变分优化”（variational optimization）的技术，这本质上是一个试错过程，即计算机通过不断调整其电路的设置，直到它能与目标数学形状紧密匹配。一旦构建好这个电路，研究人员就可以通过简单地反复运行相同的量子操作块来执行幂迭代过程。为了确保过程正确运行，他们必须检查每一步的结果，这一过程被称为“后选择”（post-selection），它就像一个过滤器，只保留成功的输出并丢弃其余部分。

该团队在几种不同的数学地形上测试了他们的方法，范围从简单的波形曲线到更复杂的、被称为 Ackley 和 Rosenbrock 函数的多维形状。对于简单的波形，该方法表现完美，能够解析地恢复出精确解。对于具有崎岖地形且存在许多局部峰值的复杂 Ackley 函数，量子方法成功找到了全局最大值，即便所使用的数学近似并不完美。然而，这项研究也揭示了一个关键的局限性。当他们将该方法应用于拥有通往解的平坦狭窄谷地的 Rosenbrock 函数时，量子电路难以将其真实的峰值与邻近的点区分开来。研究人员发现，只有当最优解与次优解之间的差异足够大，大到可以通过近似产生的噪声被清晰辨识时，该方法才能可靠工作。如果地形过于平坦或峰值过于相似，无论重复多少次计算，量子计算机都无法将它们分离。

至关重要的是，作者谨慎地指出，这目前还不是在所有问题上都战胜经典计算机的既定胜利。在他们测试的具体案例中，经典方法实际上并未遭受他们希望避免的那种数据爆炸，这意味着量子方法在这些案例中并未展示出速度优势。他们工作的真正价值在于建立了一条新的路径：一种在量子硬件上运行这些强大的优化算法，且无需面对经典数据瓶颈的方法。他们表明，方法的成功高度取决于所求解问题的特定形态。如果问题具有清晰、独特的峰值，并且可以用低秩近似来描述，那么量子方法是可行的。如果地形过于平平坦，或者近似过于粗糙，该方法就会失效。

研究人员还发现了一种显著提高其量子电路效率的方法。通过调整优化过程中处理数学缩放的方式，他们能够将成功运行的概率提高许多个数量级。在其中一个实例中，这种调整将成功率提高了二十二个数量级，使结果从“实际上几乎不可能获得”变成了“可行”。这一发现表明，问题的数学建模方式与量子硬件本身同样重要。该研究总结道，虽然这并不是解决所有优化问题的灵丹妙药，但它为未来的工作奠定了坚实的基础。它明确了量子幂迭代可以可靠运行的具体条件，并指向了一个未来：只要问题符合正确的标准，量子计算机或许能够应对那些目前经典机器无法触及的优化问题。

技术摘要：基于张量网络的量子幂迭代

问题陈述
幂迭代是一种经典的算法，用于寻找可对角化矩阵的主特征向量，这一任务在许多被表述为特征值搜索的优化问题中处于核心地位。该算法通过重复将矩阵与向量相乘（MatVec）并进行归一化来运行。当使用经典张量网络（特别是矩阵乘积态 (MPS) 和矩阵乘积算符 (MPO)）实现时，该方法面临着可扩展性瓶颈：在最坏情况下，张量秩会随迭代次数呈指数级增长，使得该方法在进行深度迭代时变得难以处理。虽然量子计算机无论秩的大小如何都能自然地执行酉操作，但如何编码非酉算符（如幂迭代中使用的对角矩阵）以及如何在不产生指数级经典开销的情况下管理由此产生的秩增长，仍然是一个挑战。

方法论
作者提出了一种量子化的幂迭代实现方案，通过将低秩张量网络表示转化为量子电路，从而规避了经典张量网络中的秩增长瓶颈。其方法如下：

编码： 将目标函数 $f(x)$ 进行离散化并表示为 MPS。相应的对角算符 $H$ 被表示为一个 MPO。
变分酉近似： 由于量子电路需要酉演化，非酉目标 MPO ( $H_{mpo}$ $H_{m p o}$ ) 被近似为一个“酉 MPO”拟设 ( $U_{mpo}$ $U_{m p o}$ )。这是通过约束 MPO 的张量核为酉矩阵来实现的。
- 为了适应非酉目标，该方法引入了辅助量子比特。MPO 的虚拟键被解释为辅助空间。
- 使用黎曼优化进行变分搜索，以最小化目标 $H_{mpo}$ 与缩放后的酉近似 $c \cdot \tilde{U}$ 之间的 Frobenius 距离，其中 $\tilde{U}$ 是通过初始化并对辅助量子比特进行后选择得到的有效线性算符。
电路实现： 优化的酉 MPO 被编译成一个量子电路。单次幂迭代通过将此电路块应用于初始态（准备为 $|+\rangle^{\otimes n} \otimes |0\rangle^{\otimes n_a}$ ）并对辅助量子比特进行后选择至全零态来实现。
迭代： 为了执行 $p$ 次迭代，将该电路块连接 $p$ 次，并在每一步引入新的辅助量子比特。过程结束时测量系统量子比特；概率最高的比特串即为候选最优解。

核心贡献

幂迭代的量子公式化： 本文建立了一个完全在量子计算机上执行幂迭代的框架，利用静态电路块和后选择技术，避免了在经典张量网络模拟相同过程时固有的指数级秩增长。
变分酉 MPO 构建： 作者引入了一种方法，利用黎曼优化和交叉近似技术，将任意对角 MPO 近似为酉 MPO，使该方法具有实例无关性并适用于黑盒优化。
可扩展性分析： 研究表明，虽然经典张量网络的秩随迭代次数呈指数级增长，但执行 $p$ 次迭代所需的电路深度仅随量子比特数 ( $n$ )、迭代次数 ( $p$ ) 和拟设秩 ( $R$ ) 呈多项式级增长。然而，作者明确指出，这种多项式级的深度并不保证整体的可扩展性，因为后选择概率随迭代次数 ( $p$ ) 指数级下降，导致在一般情况下总运行时间呈指数级增长。
成功的关键条件： 该工作明确识别了该方法可靠运行的条件，强调成功取决于是否保持了目标函数离散化后最大值与次大值之间的相对间隙（gap），而非仅仅是全局拟合误差。

结果
作者在多个优化基准测试上验证了该方法：

正弦函数 (Sine Function)： 构建了一个解析导出的酉 MPO。量子幂迭代成功收敛至全局最大值，测量概率与理论预期一致。
Ackley 函数 (2D 和 4D)： 该方法成功识别了 2D 和 4D 实例的全局最小值。作者证明，即使在使用秩亏损的酉 MPO 时（即全局拟合误差不可忽略），只要近似过程保留了函数顶端值的排序（即间隙大于近似误差），该方法依然能够成功。
Rosenbrock 函数 (2D)： 该方法收敛到了“香蕉形”谷底，但未能识别出精确的离散全局最优解。作者将其归因于变换后的目标函数极其平坦，导致最优值与次优网格点之间的相对间隙小于近似误差，从而使电路无法区分真正的最大值。
缩放因子优化： 一个重要的发现是，在变分搜索中将缩放因子 $c$ 约束为目标的算符范数 ( $c = \|H_{mpo}\|_2$ )，可以在不牺牲 Ackley 基准测试准确性的情况下，大幅提高后选择概率（提升了数个数量级）。

意义与主张
论文明确指出，对于所研究的具体实例，它并未展示出超越经典张量网络优化的端到端计算优势。在所考察的案例（平滑、低维基准）中，经典张量网络并未出现秩爆炸现象，这意味着量子方法在运行时间上并无优势。

相反，这项工作的意义在于：

建立了一种构建路径： 提供了一种利用张量网络概念在量子硬件上实现幂迭代的可行途径。
识别开放性问题： 强调了识别同时满足以下四个条件的特定问题族是核心开放问题：(i) 允许精确的低秩 MPS/MPO 近似；(ii) 允许编码为具有较小误差的酉 MPO；(iii) 保持可接受的后选择概率；(iv) 拥有中间迭代过程且该过程不具备精确的低秩经典近似（即触发经典秩爆炸的条件）。
黑盒潜力： 该方法与函数无关，表明其在处理具有低秩张量表示的函数时，具有黑盒优化的潜力，前提是满足特定的间隙和误差条件。

作者总结道，虽然每次迭代的电路资源呈多项式级缩放，但整体可扩展性目前受限于与实例相关的后选择概率（随迭代次数指数级下降）以及解析最优解所需的测量次数，而这两者在一般情况下都不保证是多项式级的。

类似论文