Measurement-based quantum machine learning

本文提出了一种通用基于测量的量子神经网络框架——多三角形假设（MuTA），该框架利用基于测量的量子计算范式的优势，实现了可扩展训练、噪声鲁棒性以及从量子态分类到硬件受限光子实现等多样化应用。

要点

以下是用通俗易懂的语言和生动的类比对论文《基于测量的量子机器学习》的解释。

宏观图景：构建量子大脑的新范式

想象一下，你想要构建一个超级智能的计算机大脑（量子神经网络）来解决难题。通常，科学家们构建这些大脑就像制作电影胶片：你从空白屏幕开始，按顺序运行一系列场景（门），最后得到结果。这就是标准的“电路模型”。

然而，这篇论文的作者提出了一种构建这些大脑的不同方法，称为基于测量的量子计算（MBQC）。

类比：“预纠缠”的网
与其像播放电影一样按场景顺序运行，不如想象你拥有一张由量子线（称为资源态）预先编织而成的巨大蜘蛛网。这张网已经是“纠缠”的，意味着所有线都以一种诡异且瞬间的方式相互连接。

要执行任何工作，你不需要运行电影。相反，你开始按特定顺序剪断线（测量它们）。

• 当你剪断一根线时，它会在网中激起涟漪。
• 网的反应方式取决于你之前如何剪断的线。
• 当你剪断正确的线后，网的剩余部分就转化为你想要的结果。

论文认为，这种“剪断”方法实际上更适合机器学习，因为它能更好地处理噪声，与光基（光子）计算机配合良好，并允许一种独特的学习风格。

---

主角登场：MuTA（多三角形 Ansatz）

作者为这种量子网设计了一个具体方案，称之为MuTA（多三角形 Ansatz）。

类比：三角形列车
想象一列火车，车厢之间不仅用直线连接，还用三角形桥梁相连。

• 轨道：这些是网的“线”或线条。
• 三角形：这些是线之间的特殊连接。

为什么要用三角形？在这个量子世界里，三角形充当开关。

• 如果你以某种方式测量三角形的特定部分，线保持分离（无连接）。
• 如果你以另一种方式测量，线就会变得“纠缠”（它们开始相互“交谈”）。

这种设计赋予了量子大脑三项超能力：

1. 通用性：它可以学习执行任何计算，就像经典计算机可以运行任何软件一样。
2. 可调性：你可以调大或调离线之间连接的“音量”。
3. 可扩展性：你可以让大脑变大（添加更多三角形层）而不会使其崩溃，并且它会以可预测的方式变得更聪明。

他们实际做了什么？（实验）

作者不仅画了图，还在计算机上模拟了 MuTA，以验证其实际效果。以下是他们让 MuTA 学习的四件事：

1. 学习字母表（通用门）
他们教 MuTA 执行基本的量子“字母”（门）。

• 结果：它学会了执行随机单量子比特操作和特定的双量子比特连接（IsingXX），速度非常快。它收敛迅速，意味着它高效地找到了正确的“剪断模式”。

2. 在雨中学习（噪声鲁棒性）
真实的量子计算机充满噪声（就像试图在风暴中听清耳语）。

• 结果：他们用“噪声数据”（随机错误）和“噪声硬件”（网本身略有破损）测试了 MuTA。MuTA 出奇地坚韧。只要噪声不是完全的混乱，即使噪声很高，它仍然能学会正确的模式。

3. 对量子岩石进行分类（量子态分类）
他们希望大脑能观察一个量子态并决定：“这是一个适合高精度测量的‘好’态，还是一个‘坏’态？”

• 结果：他们训练 MuTA 对这些态进行分类，准确率超过 96%。即使没有明确告知背后的数学原理，它也能学会区分对传感有用的态和没用的态。

4. teleportation 技巧（量子仪器）
他们要求 MuTA 学习一种“量子仪器”——一种接收一个态、测量它，并根据结果改变剩余态的过程（就像传送信息一样）。

• 结果：该模型成功学会了以完美精度将量子态从网的一部分传送到另一部分。这证明了它能够处理复杂的、逐步的逻辑，其中下一步取决于前一步的测量结果。

5. 对经典数据排序（核技巧）
最后，他们用 MuTA 对普通的非量子数据（如图上的点）进行排序。

• 结果：他们将 MuTA 转化为一种“核”（用于排序的数学工具）。它成功地对简单形状（圆形和团块）进行了排序，效果与其他量子方法一样好，尽管它在处理更复杂、扭曲的形状（月牙形）时遇到了困难。

现实世界的限制：“像素化”的世界

论文最后解决了一个实际问题。某些量子计算机（特别是使用光和一种称为 GKP 的特殊编码的计算机）无法在任意角度进行测量。它们只能在特定的固定角度进行测量（如 0、45 或 90 度）。这就像试图创作一幅杰作，但你只能使用三种特定的颜色。

为了解决这个问题，作者测试了两种“启发式”（智能猜测）算法：

1. 贪婪搜索：一种每次优化网的一个切片的方法，从允许的列表中选择最佳角度。
2. 深度 Q 学习：一种通过试错来学习的 AI，就像视频游戏角色学习穿越迷宫一样。

结果：两种方法都比随机猜测效果好。“贪婪”方法在小型任务中速度更快，而"AI"方法在更大、更复杂的网上显示出潜力。

总结

这篇论文介绍了MuTA，这是一种量子神经网络的新蓝图，它通过“剪断”预先连接的量子线网来工作。

• 它是通用的（能做任何事）。
• 它是鲁棒的（能很好地处理噪声）。
• 它是灵活的（可根据不同任务进行调整）。
• 即使硬件仅限于特定的测量角度，它也能工作。

作者成功证明，这种“剪断”方法可以学习执行门操作、分类量子态、传送信息和排序数据，为基于测量的计算机原生新一代量子机器学习工具奠定了基础。

技术摘要

技术摘要：基于测量的量子机器学习

问题陈述
量子机器学习（QML）旨在利用量子硬件进行推理、量子数据处理和抗噪算法。目前，大多数 QML 提案都基于标准的幺正电路模型。然而，基于测量的量子计算（MBQC）范式提供了独特的优势，包括更低的电路深度、与中间电路测量及经典反馈的天然兼容性，以及对拓扑纠错的内在支持。尽管 MBQC 硬件（特别是光子实现）取得了进展且具备这些优势，但 MBQC 框架内的 QML 尚未得到充分探索。现有的用于变分算法的 MBQC 方法往往缺乏确定性、遭受非单调表达能力之困扰，或无法提供可与经典神经网络相媲美的可扩展训练架构。

方法论
作者提出了一个以新型量子神经网络（QNN）架构——多重三角形 Ansatz（MuTA）为核心的 MB-QML 框架。

• 架构：MuTA 由通过“三角形”（特定的图态结构）连接的 1D 簇态构建而成。该架构由量子比特层定义，其中层内连通性由连接不同线路的三角形决定，层间连通性则通过将一层的输出量子比特映射到下一层的输入量子比特来建立。

• 确定性与流：作者证明了 MuTA 具有“流”（一种确保 MBQC 确定性计算的特定图属性）。这使得能够根据先前的测量结果调整测量角度，从而克服量子测量固有的随机性，确保确定性输出。

• 理论性质：本文确立了 MuTA 的七个关键性质：

  1. 确定性：任何测量模式均可通过基于流的角适应实现确定性。
  2. 通用性：在深度足够的情况下，MuTA 可实现任意 $n$ 量子比特幺正算符。
  3. 可调纠缠：线路间的纠缠可通过三角形中特定“中心”量子比特的测量角度进行控制。
  4. 偏置工程：几何结构（深度、宽度、连通性）和参数约束允许灵活的偏置工程。
  5. 可扩展性：变分参数的数量随量子比特数量线性增长（对于深度 $d$ 和宽度 $n$，参数数 $\le 4dn$）。
  6. 表达能力的单调性：扩展网络（增加层、线路或三角形）会单调增加可实现的门集合，这是标准变分电路中常缺失的特性。
  7. 2-可着色性：底层图是二部图，有助于可扩展的纯化协议。

• 训练与硬件约束：作者解决了硬件限制，特别是针对测量基被限制为离散集合（$\{0, \pi/4, \pi/2\}$）的光子 Gottesman-Kitaev-Preskill (GKP) 量子比特。为此，他们提出了启发式训练算法，包括 $\epsilon$-贪婪切片搜索和用于离散优化的深度 Q 学习（DQN）方法。

主要结果
作者通过数值演示展示了 MuTA 在多项任务中的能力：

1. 通用门学习：MuTA 成功学习了一组通用门，包括 Haar 随机单量子比特幺正算符和纠缠 IsingXX 门，并实现了快速收敛。
2. 噪声鲁棒性：该模型表现出对噪声的抵抗力。当在噪声数据（通过布朗电路或比特翻转噪声模拟）上训练，以及当底层资源态受到去极化信道作用时，它仍能保持高保真度。
3. 量子态分类：利用 MuTA 构建的混合量子 - 经典模型被训练用于根据量子费舍尔信息（QFI）对双量子比特态进行分类，能够以高精度（约 97%）区分低于和高于标准量子极限的态。
4. 量子仪器学习：该框架成功学习了量子隐形传态协议，将其视为一种量子仪器，其中测量结果决定了后续操作，展示了经典协同处理的集成。
5. 经典数据分类：使用基于 MuTA 的特征映射构建了核支持向量机（SVM）。它在合成 2D 数据集（圆形、团块）上取得了高精度，但在测试配置中，面对更复杂的非线性结构（月牙形）时表现不佳。

意义与主张
本文声称为原生于 MBQC 范式的多功能 QNN 奠定了基础。MuTA 的意义在于它能够同时满足其他 QNN 提案中常缺失的特性：通用性、可调纠缠、单调表达能力和可扩展训练。

作者认为，MuTA 是近期 MBQC 设备的有力候选者，因为它利用了 MBQC 的特定优势，如降低的时间复杂度和与经典侧处理的兼容性。他们提出，该框架允许探索 MBQC 特有的算法优势，并促进测量机制下 QML 的理论分析。这项工作表明，通过将经典前馈网络几何结构映射到 MuTA，可以探索由此产生的量子模型是否比其经典对应物具有表达能力优势，同时也为在受硬件约束的设备（如光子 GKP 量子比特）上进行训练提供了一条实用路径。