⚛️ quantum physics

Quantum Maximum Entropy Inference and Hamiltonian Learning

本文通过对谱半径界限进行严谨分析，将经典的极大熵推断与图模型学习算法（如 GIS 和梯度下降法）扩展到了量子领域，并通过利用 Anderson 混合和 L-BFGS 等拟牛顿方法显著提升了其在哈密顿量学习中的性能。

原作者： Minbo Gao, Zhengfeng Ji, Fuchao Wei

发布于 2026-08-26

📖 1 分钟阅读🧠 深度阅读

原作者： Minbo Gao, Zhengfeng Ji, Fuchao Wei

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

在现代物理学的广阔版图中，存在着一个根本性的挑战：如何理解一个复杂系统在只能观察到其极小部分时的行为。想象一台量子计算机，这是一种由许多被称为“量子比特”的微小粒子组成的机器。为了了解这台机器是如何工作的，科学家通常需要测量每一个组成部分，但在量子世界中，同时观察一切往往是不可能的，或者会破坏他们试图寻找的信息。相反，研究人员通常只能获得局部的线索，例如几个相邻粒子的平均行为。问题随之而来：我们能否从这些有限的局部提示中，重建整个隐藏系统的状态？这就是被称为“最大熵推断”的问题核心。它依赖于一个源自20世纪中叶的指导原则，该原则指出，当我们缺乏完整信息时，对系统状态最诚实的猜测是假设其具有尽可能高的不确定性，即假设其隐藏秩序最少的那个状态。这种方法不仅仅是一个理论上的奇思妙想；它是学习支配量子机器运行的底层规则（或称哈密顿量）的关键，而这项任务对于构建更好的量子计算机和理解新材料至关重要。

几十年来，科学家们已经开发出了强大的数学工具来解决经典系统（如气体或简单的磁体）中的这类难题。然而，当这些工具应用于量子领域时，却碰壁了。困难在于，量子粒子并不像独立的硬币或骰子那样行为；它们的属性深度交织在一起，以一种超越简单加法的方式存在，这种特性被称为“非交换性”。这种微妙的区别使得用于经典问题的标准数学捷径在应用于量子系统时会失效，或者变得极其缓慢。现在，一支研究团队介入其中，旨在弥合这一差距。他们采用了两种著名的算法——一种是迭代缩放猜测值的算法，另一种是沿着最陡峭路径向下行的算法——并成功地将它们适配到了量子世界。更重要的是，他们证明了这些新的量子版本运行可靠，并开发出了一种让其运行速度提升数千倍的方法。

研究人员首先将经典学习的逻辑翻译成了量子力学的语言。他们专注于一个特定的任务：给定来自量子系统的局部测量列表，他们想要找到定义系统能量景观的一组参数。在经典世界中，这就像是通过观察一些分子来推断气体的温度和压力。在量子世界中，这就像是通过观察少数几步动作来推力推导一场复杂游戏的规则，而这些动作本身又在改变规则。该团队引入了一种名为“量子迭代缩放”的新算法。这种方法通过不断比较当前的猜测所预测的系统状态与实际测量值之间的差异来工作。如果预测出现偏差，算法就会调整其猜测。虽然这听起来与经典方法相似，但其背后的数学要复杂得多，因为涉及的量子算符是不对易的，这意味着应用的顺序至关重要。研究人员证明，尽管存在这种复杂性，只要系统满足某些标准条件，该算法就保证能够收敛到正确答案。

为了了解这种新方法的运行速度，团队进行了严密的数学分析。他们通过研究误差在每一步中缩减的程度，来考察算法的“速度极限”。在经典问题中，这种分析是直接的，但在量子情况下，由于粒子的非交换性质，数学处理要困难得多。研究人员成功建立了算法收敛速度的严格上下界。他们表明，该算法并非漫无目的地徘徊；它以可预测的速率稳步向解靠近。他们的分析显示，对于局部相互作用，误差呈几何级数下降，这意味着算法在每次迭代中都会以一个一致的因子向真相靠近。这一证明是一项重要的技术成就，因为它证实了量子版本的这类问题是可以在合理时间内解决的，而不是一个需要无限计算时间的不可能的任务。

然而，知道一个算法有效只是成功了一半；知道如何使其足够快以投入使用则是另一半。研究人员发现，虽然他们的基础量子算法在数学上是完备的，但在实践中可能进展缓慢，需要数百甚至上千步才能达到极高的准确度。为了解决这个问题，他们转向了一类被称为“拟牛顿法”的技术。这些是聪明的启发式方法，即智能捷径，几十年来一直被用于加速经典计算中的优化过程。该团队将两种特定类型的加速器应用到了他们的量子算法中。第一种被称为“安德森混合”（Anderson mixing），它通过观察最后几步的历史记录并利用这些信息来预测一个更好的下一步，从而有效地跳过缓慢的增量进展。第二种称为“L-BFGS”，它通过构建一种对景观形状的近似，从而采取更直接的路径走向解。

应用这些加速器的结果是惊人的。在数值模拟中，标准的量子算法大约需要1,500步才能将误差降低到极小水平。相比之下，加速版本在不到20步内就达到了同样的准确度。这代表了两个数量级的提升，这种加速将一种方法从“在理论上有趣”转变为“在实践中可行”。研究人员在各种类型的量子系统上测试了这些方法，包括相互作用的粒子链和更复杂的排列，并发现加速版本始终优于标准方法。他们还将这种新的量子迭代缩放法与标准的梯度下降法进行了对比，后者是解决优化问题的另一种常用方法。他们发现，即使没有加速，他们的量子迭代缩放法通常也更高效，但加入拟牛顿技术后，这种差异便成为了缓慢计算与快速求解之间的区别。

这项工作的意义超出了单纯的计算加速。随着量子计算机规模和复杂性的增长，从有限数据中学习其内部规则的能力变得至关重要。目前的量子硬件仍处于早期阶段，容易出错且规模有限。在这种环境下，计算资源是珍贵且稀缺的。算法每多走一步，都会消耗本可以用于其他任务的时间和能量。通过证明这些算法能够可靠收敛，并通过展示如何加速它们，研究人员为更高效的量子学习提供了一套工具包。这对于诸如“哈密顿量学习”之类的任务尤为重要，在这些任务中，科学家试图通过逆向工程来推导量子系统的能量规则，以验证其性能或发现新的物理现象。研究表明，通过使用这些加速方法，我们可以充分利用当前尚不完美的量子机器，以最小的代价获取最大的信息。

论文最后强调，虽然收敛性的理论证明是一个重大进步，但实际的加速才是推动该领域采用这些技术的关键。研究人员指出，他们使用的技术（如安德森混合和L-BFGS）最初是为那些同样不稳定且易错的早期经典计算机开发的。正如这些早期的启发式方法帮助经典计算克服了其最初的局限性一样，这些相同的技术对于释放当今量子计算的潜力可能同样至关重要。这项工作并不声称解决了量子学习中的所有问题，也不暗示这些方法在没有任何限制的情况下适用于每一种可能的量子系统。相反，它为一类特定且高度重要的问题提供了一个稳健且经过验证的框架，证明了借助正确的数学工具，我们可以以惊人的速度和精度驾驭量子世界中非交换性的复杂性。

技术摘要：量子最大熵推断与哈密顿量学习

问题陈述

本文探讨了量子领域中的最大熵（MaxEnt）推断与哈密顿量学习问题。在经典统计物理和机器学习中，最大熵推断涉及在给定边际信息（观测量的期望值）的情况下，确定吉布斯分布的参数（即“逆向映射”）。在量子设定下，给定一组局部观测量 $H_j$ 及其测量平均值 $\alpha_j = \text{tr}(H_j \rho)$ ，目标是寻找量子哈密顿量 $H(\mu) = \sum \mu_j H_j$ ，使得生成的吉布斯态 $\xi_H = Z^{-1} e^{-\beta H}$ 与这些边际量相匹配。

该问题等价于最小化目标态与指数族态之间的 Kullback-Leibler（KL）散度，或在满足线性约束的情况下最大化冯·诺依曼熵。虽然针对经典图模型已存在高效算法（例如广义迭代缩放法，GIS），但将其扩展到量子领域并非易事，因为量子哈密顿量项的非交换性使得分析收敛速率和优化景观的结构变得复杂。

方法论

作者提出了两种主要的算法路径来解决量子最大熵问题，并随后引入了加速技术：

量子迭代缩放（QIS）：
- 一种直接的量子化经典 GIS 算法。
- 它通过目标期望值 $\alpha_j$ 与当前吉布斯态期望值 $\langle F_j, \xi \rangle$ 之间的差异，迭代更新哈密顿量参数 $\lambda$ 。
- 其更新规则为对数形式： $\lambda_j^{(t+1)} = \lambda_j^{(t)} + \ln(\alpha_j) - \ln(\langle F_j, \xi^{(t)} \rangle)$ 。
- 与梯度下降（GD）不同，QIS 不需要手动调节学习率；步长由期望值的比例隐式决定。
对偶问题上的梯度下降（GD）：
- 将最大熵问题视为对对数配分函数（对偶问题）的无约束优化。
- 更新规则为线性形式： $\lambda_j^{(t+1)} = \lambda_j^{(t)} + \eta (\alpha_j - \langle F_j, \xi^{(t)} \rangle)$ ，其中 $\eta$ 是固定的步长。
拟牛顿加速技术：
- 为了解决标准迭代方法可能存在的收敛缓慢问题，作者集成了两种拟牛顿技术：
  - Anderson 混合（AM）： 应用于 QIS（即 AM-QIS）。该方法通过线性组合历史迭代值来预测下一步，从而加速不动点迭代。
  - 有限记忆 BFGS（L-BFGS）： 应用于 GD 算法（即 L-BFGS-GD）。该方法通过近似逆海森矩阵来确定最优搜索方向。

核心贡献

1. 严格的收敛速率分析

本文的主要技术贡献是对非交换量子设定下的 QIS 和 GD 的收敛速率进行了严格分析。

显式雅可比公式： 作者推导了迭代映射雅可比矩阵的闭式表达式。
- 对于 QIS： $J_{\text{QIS}} = I - P^{-1}L$ ，其中 $P$ 是由均值组成的对角矩阵， $L$ 是对数配分函数的海森矩阵。
- 对于 GD： $J_{\text{GD}} = I - \eta L$ 。
谱界限： 他们建立了这些雅可比矩阵特征值的上界和下界，以证明几何收敛性。
- 上界 ( $L \preceq P$ )： 利用 Bogoliubov–Kubo–Mori (BKM) 规范相关形式在量子到经典测量通道下的单调性得到了证明。这确保了所有特征值均为非负。
- 下界： 利用 Anshu 等人 (2021) 提供的海森矩阵下界，证明了最大特征值远离 1。
结果： 证明了对于局部哈密顿量，两种算法都以几何速率 $1 - \Omega(1/m^2)$ 收敛，其中 $m$ 是项的数量。

2. 关于 QIS 与 GD 的理论洞察

分析表明，QIS 更新规则实际上起到了自适应梯度下降的作用。雅可比矩阵 $I - P^{-1}L$ 中的 $P^{-1}$ 项表明，QIS 会根据算符的局部统计特性（均值）自动缩放每个参数方向的步长，而 GD 则依赖于固定的全局步长 $\eta$ 。

3. 通过拟牛顿方法实现性能加速

论文表明，尽管 QIS 和 GD 具有可证明的多项式收敛性，但在实践中它们可能进展缓慢。集成 Anderson 混合和 L-BFGS 后，性能得到了数量级的提升。

AM-QIS： 保持了与标准 QIS 相同的 Oracle 要求，但大幅减少了迭代次数。
L-BFGS-GD： 为对偶梯度下降方法提供了类似的加速。

实验结果

作者在 6 到 8 个量子比特的随机局部哈密顿量（Ising、Transversal1D 和 Local1D）上进行了数值模拟。

标准算法： 标准 QIS 算法通常需要 ~300–2,500 次迭代才能达到 $10^{-6}$ 到 $10^{-9}$ 的误差水平，具体取决于哈密顿量类型（例如，Ising 模型约为 400 次迭代，而 Local1D 模型约为 2,000 次）。QIS 始终优于标准 GD。
加速算法： 对于 6-8 量子比特系统，AM-QIS 和 L-BFGS-GD 在大约 4–8 次迭代内即可达到相同的精度（或者在特定配置下不使用 Barzilai-Borwein 方法时，迭代次数约为 20 次）。
效率增益： 拟牛顿方法相比其非加速版本展示了两个数量级的加速。
鲁棒性： 无论哈密顿量项是否归一化至单位矩阵之和，AM-QIS 的表现均表现出稳定性；而 L-BFGS-GD 则对该条件表现出一定的敏感性。

重要性与主张

本文将自身工作定位为使量子优化算法在近期的量子设备上可行化的关键步骤，这些设备目前受到规模和误差率的限制。

资源优化： 由于量子计算资源稀缺且昂贵，作者认为通过启发式方法（如 Anderson 混合和 BFGS）来加速迭代算法对于提高效率至关重要。他们将此比作经典计算的早期阶段，当时开发此类启发式方法是为了在不稳定的硬件上加速计算。
哈密顿量学习： 所提出的算法为设计哈密顿量学习协议提供了一种可行且高效的方法，将从局部测量推断量子哈密顿量的问题转化为一个可处理的优化任务。
理论基础： 通过将迭代缩放分析扩展到非交换量子领域，本文弥补了经典学习理论与量子统计力学之间的鸿沟，提供了首次关于量子迭代缩放的严格收敛速率界限。

作者在实际部署方面保持了谦逊，指出准备吉布斯态或估计局部期望在计算上是非常苛刻的。他们建议未来的工作可以结合近似技术（如量子信念传播）来减轻对全态制备的需求。