Learning symmetry-protected topological order from trapped-ion experiments

本文证明，无张量核支持向量机（TK-SVM）能够利用其可解释参数，在无需预先训练的情况下，从离子阱量子计算机生成的含噪实验数据中成功识别并区分对称性保护拓扑相，并检测出非平凡的弦序。

要点

想象你有一个巨大且嘈杂的房间，里面挤满了成千上万的人（即量子粒子）。你想知道这些人究竟是处于混乱、随机的聚集状态（即“平凡”相），还是正以某种只有他们自己才能看到的特定秘密模式手拉手站立（即“对称性保护拓扑”或 SPT 相）。

问题在于，房间很嘈杂，人们移动迅速，你无法同时看到所有人。你只能透过一个小窗户窥视，并快速抓拍几张少数人的快照。

本文旨在教导计算机如何审视这些杂乱的快照，并判断：“这些人是否正以某种秘密模式手拉手，还是仅仅随机站立？”

以下是研究人员如何做到的，分解为简单步骤：

1. 实验：嘈杂的量子游乐场

研究人员使用了两种不同类型的“量子游乐场”，它们均由被激光固定住的囚禁离子（微小的带电原子）构建而成。

• 游乐场 A（量子比特）： 使用标准的双态粒子（就像一枚可以是正面或反面的硬币）。
• 游乐场 B（量子三态）： 使用三态粒子（就像一枚可以是正面、反面或立在边缘上的硬币）。

他们将这些游乐场编程以生成两种状态：

• “无聊”状态： 一种简单、随机的排列。
• “秘密模式”状态： 一种复杂的排列，对于硬币游乐场称为团簇态（Cluster State），对于三态游乐场称为AKLT 态。这些是研究人员想要寻找的“秘密模式”物理现象的著名实例。

由于这些机器是“嘈杂”的（它们会出错，就像一台摇晃的相机），它们获取的数据是混乱的。

2. 工具：“模式侦探”（TK-SVM）

通常，要教会计算机识别模式，你必须先向它展示成千上万个带标签的示例（例如，“这是秘密模式”，“这是随机的”）。这就像用零食训练狗一样。

但本文使用了一种名为TK-SVM（张量核支持向量机）的特殊工具。可以将此工具想象为一位不需要训练手册的超级聪明侦探。

• 无监督： 它在未被告知寻找什么的情况下查看数据。它只是问：“这两组快照看起来是否有足够的差异，足以归入不同的类别？”
• 可解释性： 这是神奇之处。大多数人工智能是“黑盒”（它给出答案，但你不知道原因）。这位侦探会记笔记。当它决定两组不同时，它会记录下它用于做出该决定的确切规则。它会告诉你：“我知道这些是不同的，因为我看到了这种特定的连接序列。”

3. 方法：拍摄“阴影”照片

为了获取数据，他们并没有直接观察粒子。他们使用了一种称为**阴影层析成像（Shadow Tomography）**的技术。

• 想象一下，试图通过在黑暗中从不同角度用手电筒照射一个三维物体，并观察其在墙上的阴影，来推断该物体的形状。
• 研究人员从许多不同的随机角度对量子系统进行了“快照”。
• 他们将这些快照输入给 TK-SVM 侦探。

4. 结果：发现秘密模式

研究人员在两个游乐场（硬币游乐场和三态游乐场）上测试了这位侦探。

• 它起作用了吗？ 是的。尽管机器嘈杂且会出错，但这位侦探成功地将“无聊”状态与“秘密模式”状态区分开来。
• 它学到了什么？ 由于该工具具有“可解释性”，研究人员可以阅读侦探的笔记。他们发现，该工具重新发现了物理学家用来描述这些秘密模式的著名数学规则（称为弦序参量）。
  • 对于“无聊”状态，侦探发现了简单、局部的规则（例如“每个人都只是站在这里”）。
  • 对于“秘密模式”状态，侦探发现了漫长、蜿蜒的规则（例如"A 人与 B 人相连，B 人与 C 人相连，一直延伸到整条线”）。

5. 为什么这很重要

这篇论文表明，我们不需要完美、无错误的量子计算机来理解复杂的物理现象。即使使用我们今天拥有的“嘈杂”机器（称为 NISQ 设备），我们也可以利用巧妙的经典机器学习来：

1. 分类量子数据到不同的相中。
2. 理解它们为何不同，通过阅读机器的“笔记”。

这就像证明即使使用模糊的相机，一位聪明的侦探仍然能够判断人群是在同步列队跳舞，还是仅仅在随机徘徊。这让我们抱有希望，即我们可以利用当今不完美的量子计算机来解决重大的物理问题，而无需等待完美的技术。

技术摘要

技术摘要：从囚禁离子实验中学习对称性保护拓扑序

问题陈述
当前的含噪声中等规模量子（NISQ）设备具备高保真度操作和通用连接性，但在规模上仍受限且易受错误影响，缺乏完全的容错能力。一个核心挑战在于确定这些设备能否在容错前时代提供实际效用，特别是能否从有限的量子测量中提取有价值的信息。虽然经典机器学习（ML）已被证明可用于量子数据的后处理，但标准算法通常需要预先训练（监督学习），且往往是启发式的或难以解释。此外，典型的量子数据集规模过小，不足以训练用于全态层析等任务的高级深度学习模型。本文解决的具体问题是从含噪声的实验数据中直接对量子相进行无监督分类和表征——具体而言，是在没有预先标记的情况下区分对称性保护拓扑（SPT）相与平凡相。

方法论
作者采用张量核支持向量机（TK-SVM），一种无监督且可解释的机器学习算法，来分析来自囚禁离子量子计算机的数据。该方法论经过以下几个关键阶段：

1. 态制备：本研究考察了两类具有低纠缠维数的矩阵乘积态（MPS），这些态可通过浅层量子电路制备。
   • 自旋 1/2 族：一组参数化态，由参数 $g$ 控制，在团簇态（SPT 相）与平凡乘积态之间插值。
   • 自旋 1 族：自旋 1 希尔伯特空间上的一组对应态，其中包含作为 SPT 典型实例的 Affleck-Kennedy-Lieb-Tasaki (AKLT) 态。
2. 实验实现：这些态在两个不同的囚禁离子平台上制备：
   • 基于量子比特的机器（使用 $^{40}\text{Ca}^+$ 离子），通过量子比特对模拟自旋 1 态。
   • 基于**三能级量子比特（qutrit）**的机器（同样使用 $^{40}\text{Ca}^+$），利用原生的三能级系统。
   • 电路在多达 8 个量子比特和 5 个三能级量子比特的链上实施。
3. 测量协议：实验利用基于互无偏基（MUB）的信息完备正算符值测度（POVM）。对于每个系统，随机单点位幺正变换将物理自由度旋转至 MUB 之一，随后在计算基下进行投影测量。这生成了量子态的“快照”。
4. 机器学习流程：
   • 特征提取：原始 MUB 样本通过阴影层析处理，以估计局部可观测量及其关联（单项式），直至特定秩 $r$，作用于 $n$ 个位点的团簇上。这些构成了特征向量 $\phi$。
   • 二分类（无监督）：TK-SVM 应用于在不同参数（$g$ 和 $g'$）下采样的数据集对。算法试图寻找一个分离超平面。如果数据集属于不同的相，SVM 将找到一个偏置参数 $|b| \lesssim 1$ 的解。如果它们属于同一相，则数据集不可分离，且 $|b| \gg 1$。
   • 相图构建：通过测试所有 $g$ 值对，构建一个加权图，其中边权重反映偏置。将此图应用于 Fiedler 理论（谱聚类），将参数空间划分为不同的相。
   • 表征：一旦识别出相，TK-SVM 即被训练以区分特定相与随机均匀样本。所得决策函数系数揭示了表征该相的具体局部算符（序参量）。

主要贡献

• 无监督相检测：这项工作表明，TK-SVM 能够在没有关于相边界或标签的先验知识的情况下，成功识别量子系统的相图，有效地消除了对监督训练的需求。
• 可解释性：与“黑盒”深度学习模型不同，TK-SVM 提供可解释的训练参数。偏置项决定相分离，而决策函数的系数向量明确编码了表征 SPT 相的弦序参量。
• 在 NISQ 硬件上的实验验证：该方法应用于来自两种不同囚禁离子架构（量子比特和三能级量子比特）的真实含噪声实验数据，尽管存在实验缺陷，仍成功区分了 SPT 相与平凡相。
• 扩展至自旋 1 系统：本研究将先前关于自旋 1/2 团簇模型的工作扩展至更复杂的自旋 1 AKLT 模型，并在三能级量子比特硬件上验证了该方法。

结果

• 相分类：对于所有含噪声实验数据集，TK-SVM 均成功区分了自旋 1/2 和自旋 1 族的 SPT 相（$g < 0$）与平凡顺磁相（$g > 0$）。
• 序参量提取：
  • 对于自旋 1/2 SPT 相，算法识别出了形式为 $Z_i Y_{i+1} (\prod X_j) Y_{r-1} Z_r$ 的非平凡弦序参量。
  • 对于自旋 1 SPT 相，它识别出了涉及 $\tau^z$ 算符的弦序参量，这与已知的 AKLT 弦序一致。
  • 对于平凡相，算法识别出了局部序参量（例如自旋 1/2 的 $\langle X \rangle$ 和自旋 1 的 $(\tau^x)^2 + (\tau^y)^2$），证实了其与乘积态的邻近性。
• 平台比较：与三能级量子比特实现相比，量子比特实现产生了略微更一致的相分类结果，这归因于量子比特设置中更高的双量子比特门保真度和更低的串扰。然而，两个平台都成功识别了表征这些相的正确局部可观测量。
• 鲁棒性：该方法被证明对实验噪声具有鲁棒性，即使在态制备和测量不完美的情况下也能正确识别相。

意义与主张
本文主张，经典机器学习，特别是 TK-SVM 方法，是 NISQ 时代高效研究量子相图的有力工具。作者强调，他们的方法具有可扩展性，无需修改即可应用于更大的量子系统，这表明即使在没有纠错的情况下，也能通往实际的量子优势。这项工作突出了将阴影层析与可解释机器学习相结合以直接从含噪声实验数据中提取物理见解（如弦序参量）的效用，从而绕过了对全态层析或预先理论标记的需求。这些结果作为一个原理验证，证明了 NISQ 设备可用作量子模拟器，其主要价值在于提取特定的物理信息，而非模拟完整的多体波函数。