⚛️ quantum physics

Qubit-efficient quantum combinatorial optimization solver

该论文提出了一种通过变分量子电路将候选比特串解映射到更少纠缠量子比特波函数上的高效算法，从而克服了当前量子计算机量子比特数量不足的瓶颈，并针对 Sherrington-Kirkpatrick 自旋玻璃问题证明了其参数集中性和性能保证。

原作者： Bhuvanesh Sundar, Maxime Dupont

发布于 2026-03-24

📖 1 分钟阅读🧠 深度阅读

原作者： Bhuvanesh Sundar, Maxime Dupont

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

这篇论文介绍了一种**“省量子比特”的量子优化算法**。为了让你轻松理解，我们可以把量子计算机想象成一个**“超级解题助手”，而它手里的“量子比特”（Qubits）就是它用来思考的“手指”**。

1. 核心难题：手指不够用

目前的量子计算机就像是一个只有几根手指（几十到几百个量子比特）的巨人。但是，现实世界中的优化问题（比如物流路线规划、供应链调度）往往有成千上万个变量。

传统做法：以前的算法是“一对一”的，即一个变量需要一根手指。如果有 1000 个变量，就需要 1000 根手指。
现实困境：现在的量子计算机“手指”太少，根本不够用，所以很难和经典的超级计算机竞争。

2. 新方案：让手指“分身有术”

这篇论文的作者（来自 Rigetti 计算公司）提出了一种聪明的**“多对一”映射法**。

比喻：想象你有 100 个不同的**“任务卡片”（变量），但只有 5 个“小抽屉”**（量子比特）。
传统方法：你需要 100 个抽屉，每个放一张卡片。
新方法：你只有 5 个抽屉。但是，你给每个抽屉配了一个**“标签”**（Label Qubit）。
- 当“标签”显示是"1 号”时，这个抽屉里装的是第 1 到第 20 号任务卡片。
- 当“标签”显示是"2 号”时，同一个抽屉里瞬间“变”成了第 21 到第 40 号任务卡片。
- 关键点：这些卡片不是简单地放在那里，而是通过**“量子纠缠”**（一种神奇的量子连接）像变魔术一样同时存在。你不需要 100 个抽屉，只需要几个就能存储所有信息。

3. 如何解题：像“调音师”一样寻找最佳状态

作者设计了一种新的**“变分量子电路”**（可以想象成一个复杂的调音台）。

工作原理：这个调音台会不断调整参数（就像调节吉他的弦），试图让系统进入能量最低、最稳定的状态（也就是找到最优解）。
创新点：
- 以前的算法（QAOA）是固定的，手指和变量是一一对应的。
- 这个新算法是动态的。它会根据上一步的测量结果，实时决定下一步怎么“纠缠”这些变量。
- 就像是一个**“智能向导”**，它知道什么时候该看哪一组卡片，而不是盲目地看所有卡片。

4. 实验结果：小身材，大能量

作者在真实的量子芯片（Rigetti 的 AnkaaTM-9Q-3）上进行了测试，并做了大量模拟：

测试题目：他们用了著名的“沙勒林 - 柯克帕特里克（SK）自旋玻璃模型”来测试，这就像是在解一个极其复杂的迷宫。
表现：
- 即使使用的量子比特数量远少于变量数量（比如用 5 个比特解决 64 个变量的问题），新算法找到的答案质量依然很高，和传统方法（用 64 个比特）几乎一样好。
- 参数集中：作者发现了一个有趣的现象，就像**“万能钥匙”**。对于很多不同的问题，最优的“调音参数”是非常相似的。这意味着我们不需要为每个新问题重新从头摸索，可以直接套用之前的经验，大大节省了计算时间。

5. 为什么这很重要？

对现在：现在的量子计算机噪音大、比特少。这种“省比特”的方法，让我们能用现有的、不完美的设备去解决更大的问题，不用等到未来拥有成千上万个完美比特的那一天。
对未来：即使未来有了纠错能力的小规模量子计算机，这种方法也能让它们更高效地工作。

总结

这就好比：
以前我们要搬运 1000 块砖，必须派 1000 个工人（量子比特），但工地只能容纳 10 个人。
现在，作者发明了一种**“魔法搬运法”：派 10 个工人，每个人手里拿着一个“时空传送门”**。

当传送门指向“上午”，这 10 个人搬运的是前 100 块砖；
当传送门指向“下午”，这 10 个人瞬间搬运的是后 100 块砖。
通过巧妙的**“量子纠缠”**，这 10 个人在量子世界里仿佛同时搬运了所有砖块，而且搬得又快又好。

这项研究为在**“近中期”**（现在到未来几年）利用有限的量子资源解决复杂的现实世界问题，打开了一扇新的大门。

这是一份关于论文《Qubit-efficient quantum combinatorial optimization solver》（量子比特高效的量子组合优化求解器）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：当前的量子计算机（包括门基量子计算机和量子退火机）受限于量子比特数量（通常在几十到几百个，退火机虽多但有效规模受限），难以直接处理现实世界中具有数千个变量的组合优化问题。
现有瓶颈：
- 传统的量子优化算法（如 QAOA）通常采用“一变量对一量子比特”（one-variable-to-one-qubit）的映射方式，导致所需量子比特数 $q$ 等于变量数 $N$ 。
- 增加量子比特数量会引入更多的硬件噪声，且在没有量子纠错的情况下，程序规模越大，输出质量越差。
- 现有的量子比特高效方法（如电路切割、分解子问题、振幅编码等）要么计算开销巨大（经典或量子资源），要么难以优化或无法推广到高阶成本函数。
目标：开发一种能够在远少于 $N$ 个量子比特（ $q \ll N$ ）的情况下，有效解决大规模组合优化问题的算法，特别适用于近期中等规模（NISQ）及未来小规模容错量子设备。

2. 方法论 (Methodology)

作者提出了一种基于**多对一映射（many-to-one mapping）**的量子比特高效编码方案，并设计了一个变分量子电路（Variational Quantum Circuit）。

A. 量子比特高效编码 (Qubit-Efficient Encoding)

分组策略：将 $N$ 个二进制变量 $z = (z_1, \dots, z_N)$ 分成 $N/d$ 组，每组包含 $d$ 个变量。
量子态表示：使用 $q = d + \log_2(N/d)$ $q = d + lo g_{2} (N / d)$ 个量子比特来存储所有 $N$ $N$ 个变量。
- 标签量子比特 (Label Qubits)： $\log_2(N/d)$ 个，用于指示当前存储的是哪一组变量（索引 $\ell$ ）。
- 数据量子比特 (Data Qubits)： $d$ 个，用于存储当前组内的 $d$ 个变量值。
纠缠波函数：候选解被编码为一个纠缠波函数：
$|\phi(z)\rangle \equiv \sum_{\ell=0}^{N/d-1} \lambda_\ell |\ell\rangle_{\text{label}} \otimes |z_\ell\rangle_{\text{data}}$
其中 $|\ell\rangle$ 是标签态， $|z_\ell\rangle$ 是第 $\ell$ 组变量的状态。
测量与估计：
- 单次投影测量只能获得 $d$ 个变量的值（取决于测量到的标签 $\ell$ ）。
- 对于同一组内的变量相互作用（ $\ell_i = \ell_j$ ），直接通过测量数据比特计算关联。
- 对于不同组间的变量相互作用（ $\ell_i \neq \ell_j$ ），由于它们不会在同一测量中同时出现，采用平均场近似（Mean-field approximation），即估计为 $\bar{z}_i \times \bar{z}_j$ 。
- 成本函数 $C[\psi]$ 被构建为波函数 $|\psi\rangle$ 的期望值，其中哈密顿量 $\hat{H}[\psi]$ 依赖于当前的波函数状态（非线性）。

B. 变分量子电路 (Variational Ansatz)

QAOA 推广：提出了一个广义的变分量子电路，类似于量子近似优化算法（QAOA），但针对上述编码进行了修改。
电路结构：
- 初始态为均匀叠加态。
- 包含交替的层：混合器层（ $e^{-i\beta_p \hat{H}_x}$ ）和相位分离层（ $e^{-i\gamma_p \hat{H}[\psi_{p-1}]}$ ）。
- 关键创新：相位分离层的哈密顿量 $\hat{H}[\psi_{p-1}]$ 是层依赖的，它依赖于前一层测量得到的统计量（如 $\bar{z}$ 和投影概率）。这意味着每一层的电路参数和结构是根据前一层的结果动态确定的。
对称性破缺：原始 QAOA 具有 $Z_2$ 对称性，导致在某些情况下无法收敛到基态。作者引入了一个额外的单比特偏置项 $e^{-i\gamma'_p \hat{H}_z}$ 来打破这种对称性，从而获得更好的基态能量。

C. 自适应版本 (Adaptive Ansatz)

受 ADAPT-QAOA 启发，提出了一种自适应构建电路的方法。
在每一层，从算子池（Operator Pool）中选择梯度最大的混合器算子，逐层构建电路，以非递减的方式优化成本函数。

3. 关键贡献 (Key Contributions)

新型编码方案：提出了一种将 $N$ 个变量编码到 $d + \log_2(N/d)$ 个量子比特的通用方法，显著减少了所需的量子资源。
层依赖哈密顿量：设计了依赖于波函数统计特性的动态哈密顿量，使得算法能够处理多对一映射带来的非局部相互作用（通过平均场耦合）。
参数集中性 (Parameter Concentration)：
- 发现对于 Sherrington-Kirkpatrick (SK) 自旋玻璃问题，最优参数具有显著的集中性。
- 证明了最优参数 $\gamma$ 随问题规模 $N$ 和分组大小 $d$ 的缩放规律为 $\gamma \propto d/N^{3/2}$ 。
- 这意味着在较小规模（如 $N=64$ ）上优化的参数，经过简单缩放后，可以直接用于更大规模（如 $N=128, 256$ ）的问题，极大地降低了经典优化器的搜索成本。
实验验证：在 Rigetti 的 Ankaa™-9Q-3 超导芯片上成功运行了 $N=4$ 的 SK 模型实例，实验结果与无噪声模拟高度吻合（Pearson 相关系数 0.997），验证了算法在真实硬件上的可行性。

4. 实验结果 (Results)

基准测试 (SK 模型)：
- 在 $N=64$ 的 SK 问题上，使用 $d=2$ （仅需 5 个量子比特）和 $p=3$ 层深度的电路，其近似比率（Approximation Ratio）与使用 $N=64$ 个量子比特的标准 QAOA ( $p=1$ ) 相当。
- 使用 $d=1$ （仅需 7 个量子比特）和 $p=4$ 层，甚至优于标准 QAOA ( $p=2$ ) 的结果。
- 随着 $p$ 增加，近似比率稳步提升并趋于饱和。
参数复用：
- 利用 $N=64$ 优化得到的参数，通过缩放 $\gamma$ ，成功解决了 $N=128$ 甚至 $N=512$ 的问题，且近似比率与直接优化得到的结果非常接近。
噪声影响：
- 实验显示，随着 $d$ 的增加（即使用更多量子比特），虽然理论性能可能提升，但硬件噪声也会增加。因此存在一个最佳的 $d$ 值权衡点。
纠缠特性：
- 目标态是纠缠态（而非标准 QAOA 的乘积态），数据量子比特表现出体积律（Volume-law）纠缠，这是量子优势的关键特征。

5. 意义与展望 (Significance)

突破硬件限制：该算法为在现有及近期未来的小规模量子设备上解决大规模组合优化问题提供了一条可行路径，无需等待大规模容错量子计算机。
降低经典开销：参数集中性的发现意味着不需要为每个新规模的问题重新进行昂贵的参数搜索，只需在较小规模上训练一次即可推广，显著降低了混合量子 - 经典算法的总时间成本。
通用性：该方法不仅适用于 SK 模型，还可扩展到其他组合优化问题（如 QUBO、最大割等）以及量子机器学习领域。
未来方向：
- 在真实硬件上结合误差缓解（Error Mitigation）技术，探索最佳分组大小 $d$ 。
- 改进自适应算子池，以进一步提升近似比率。
- 将该编码方案应用于更广泛的实际应用场景（如物流、供应链优化）。

总结：这篇论文提出了一种创新的“量子比特高效”算法，通过巧妙的纠缠编码和动态哈密顿量设计，成功在极少量量子比特上模拟了大规模优化问题，并发现了参数缩放规律，为近期量子计算在组合优化领域的实用化奠定了重要基础。