Efficient Online Quantum Circuit Learning with No Upfront Training

本文提出了一种基于经典代理模型的高效在线量子电路学习方法，该方法通过径向基函数插值无需预训练即可优化变分量子算法，并在 16 比特和 127 比特量子处理器上成功验证了其优于现有技术的性能。

要点

这篇论文介绍了一种**“聪明且省钱”的方法**，用来训练量子计算机解决复杂的数学难题。

想象一下，你正在教一个非常昂贵、容易分心且偶尔会犯错的机器人（这就是目前的量子计算机）玩一个极其复杂的迷宫游戏。你的目标是找到迷宫的出口（最优解），但每次让机器人走一步，你都要付一大笔钱（量子计算资源），而且它走的路径可能因为“噪音”（干扰）而偏离方向。

传统的做法是：让机器人不停地试错，走一步，记录结果，调整方向，再走一步。但这太慢了，而且因为机器人容易犯错，你需要让它走成千上万次才能确定哪条路是对的，成本极高。

这篇论文提出的新方法叫做**“基于代理的在线学习”（Surrogate-based Online Learning），我们可以把它想象成“先画地图，再走迷宫”**。

核心概念：代理（Surrogate）是什么？

在这个方法里，科学家引入了一个**“替身”**（代理模型）。

• 真正的迷宫（量子计算机）： 昂贵、慢、有噪音。
• 替身（经典计算机上的数学模型）： 便宜、快、完美。

这个“替身”并不是预先训练好的（不需要像教大学生一样先给它看很多书），而是**“边学边画”**。

这个方法是如何工作的？（三步走）

1. 撒点采样（粗略画地图）：
   首先，我们让昂贵的量子机器人随机走几步（比如 50 步），记录它在哪里、结果如何。这就好比在迷宫里随机插了 50 个旗子，记下每个旗子的高度。

2. 画地图（构建代理）：
   利用这 50 个数据点，我们在普通的经典计算机上快速画出一张**“地形图”**（这就是代理模型）。这张图虽然不完美，但它能大致告诉我们哪里是低洼地（好结果），哪里是高山（坏结果）。

   • 关键点： 这张图是用一种叫“径向基函数”的数学工具画的，不需要复杂的预设参数，就像用橡皮泥随意捏出一个大概的形状，只要贴合那几个插旗子的点就行。

3. 智能导航（迭代优化）：
   现在，我们不再让昂贵的机器人乱跑了。我们看着这张**“地形图”，在图上找哪里看起来最低（最有希望），然后只让机器人去这一个特定的点**验证一下。

   • 机器人跑过去，告诉我们真实结果。
   • 我们把这个新结果加到“地形图”里，把地图画得更准一点。
   • 重复这个过程：看地图 -> 找最佳点 -> 机器人去验证 -> 更新地图。

为什么这个方法很厉害？

• 省大钱（减少调用次数）： 因为大部分“思考”和“试错”都在便宜的“地形图”（经典计算机）上完成的，只有最关键的那几步才去调用昂贵的量子计算机。这就好比你在去远方之前，先在手机地图 APP 上规划好路线，而不是开着真车到处乱撞。
• 不需要“预习”（无前期训练）： 很多旧方法需要先花大量时间“预习”（预训练）模型，但量子计算机的噪音每天都在变，昨天的预习今天可能就没用了。这个方法**“现学现卖”**，每次都是根据最新的数据实时画图，非常灵活。
• 抗干扰能力强： 即使量子机器人偶尔因为噪音走偏了，这个“地形图”也能通过不断修正，把方向拉回来。

他们做到了什么？

作者们用这个方法做了两个大实验：

1. 小规模的模拟（16 个量子比特）：
   他们解决了一个经典的“最大割”问题（可以想象成把一群朋友分成两拨，让朋友之间的争吵最少）。结果显示，他们的方法比目前最先进的其他方法（DARBO）更快、更好，尤其是在量子计算机只能跑很少几次（“射击次数”有限）的情况下。

2. 大规模的实战（127 个量子比特）：
   这是最惊人的部分。他们直接连接了 IBM 的真实量子计算机（名为 ibm_torino），解决了一个包含 127 个量子比特的复杂物理模型问题。

   • 结果： 他们成功地在真实的、充满噪音的量子硬件上，用极少的调用次数（大约 1 万到 10 万次测量），找到了比之前已知方法更好的答案。
   • 意义： 这是目前文献中最大规模的在真实量子硬件上进行的优化实验。它证明了即使现在的量子计算机还很“笨拙”（有噪音），只要配合这种聪明的“画地图”策略，我们依然能从中挖掘出巨大的价值。

总结

这就好比你要在一个充满迷雾的森林里找宝藏。

• 旧方法： 蒙着眼睛，拿着指南针，跌跌撞撞地到处乱跑，直到累死。
• 新方法： 先派几个侦察兵（少量采样）回来画一张草图，然后你看着草图，指挥机器人精准地走向宝藏，每走一步就更新一下草图。

这篇论文告诉我们：不需要等待完美的量子计算机，只要用对方法（聪明的经典算法辅助），现在的量子计算机就能解决真正的大问题了。 这是通往未来量子计算实用化的一大步。

技术摘要

这是一篇关于基于代理模型（Surrogate-based）的参数化量子电路（PQC）在线优化方法的论文。该研究旨在解决变分量子算法（VQA）在含噪声中等规模量子（NISQ）设备上运行时，因量子硬件调用次数昂贵而导致的优化效率低下问题。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：变分量子算法（如 QAOA）通常涉及一个经典 - 量子混合循环，其中经典计算机根据量子计算机测量的成本函数值来更新电路参数。然而，量子硬件的调用（测量）非常昂贵且受限于噪声（退相干、串扰、校准误差等）。
• 现有局限：
  • ** barren plateaus（ barren 高原）**：许多 PQC 的成本函数景观随着问题规模增大而指数级平坦化，导致梯度消失，需要海量采样才能优化。
  • 现有代理方法的不足：现有的基于代理模型的方法（如贝叶斯优化）通常需要预先训练（upfront training）来拟合高斯过程（Gaussian Process）的超参数。在硬件噪声随时间变化或无法进行经典模拟的情况下，这种“预先训练”往往不可行或效率低下。
  • 资源限制：在云访问量子计算机时，可用的测量次数（shots）预算有限，传统的优化方法往往需要过多的硬件调用才能收敛。

2. 方法论 (Methodology)

作者提出了一种无需预先训练（No Upfront Training）的在线代理优化方法，其核心流程如下：

• 代理模型构建：
  • 使用计算成本极低的高斯经典代理函数（$C_{surr}$）来近似真实的量子成本函数（$C$）。
  • 径向基函数插值（RBF Interpolation）：这是该方法的关键创新。与依赖高斯过程不同，RBF 插值不需要预先训练超参数（如核函数参数），可以直接利用现有的数据点构建代理模型。
• 迭代优化流程：
  1. 初始采样：对参数空间进行稀疏的随机采样（或结合启发式参数），获取初始的真实成本数据点。
  2. 拟合代理：利用所有已获得的真实数据点，通过 RBF 插值构建当前的代理成本函数 $C_{surr}$。
  3. 寻找候选点：在代理函数 $C_{surr}$ 上寻找极值点（最小值或最大值）。为了增加全局搜索能力，算法会寻找 $N_{opt}$ 个随机初始化的局部极值点，并选择其中最好的一个作为候选最优解 $\theta_{cand}$。
  4. 真实评估与更新：在量子硬件上评估候选点 $\theta_{cand}$ 的真实成本 $C(\theta_{cand})$。
  5. 数据更新：将新的数据点加入训练集，更新代理模型，重复上述步骤直到满足终止条件。
• 优势：
  • 无需预训练：RBF 插值直接拟合数据，避免了在噪声环境下寻找最佳超参数的困难。
  • 聚焦优化：代理模型作为采集函数，引导硬件查询集中在真实最优解附近的区域，从而大幅减少所需的测量次数。
  • 适应性：能够处理随时间变化的硬件噪声，因为它是基于当前可用数据动态构建的。

3. 关键贡献 (Key Contributions)

1. 提出了一种无需预训练的在线代理优化框架：利用径向基函数（RBF）插值替代传统的高斯过程，消除了对超参数预训练的需求，特别适用于无法进行经典模拟或噪声时变的场景。
2. 在经典模拟中超越现有最先进方法：在 16 量子比特的 3-正则图 Max-Cut 问题上，该方法的表现优于当前最先进的 VQA 优化器 DARBO（基于高斯过程的贝叶斯优化），特别是在低测量预算（shots）下。
3. 实现了大规模量子硬件上的成功优化：
   • 在 IBM 的 127 量子比特 ibm_torino 处理器上，成功优化了随机 Ising 模型的 QAOA 电路。
   • 仅使用了 $10^4 - 10^5$ 量级的测量次数，显著优于之前的参数传递（parameter transfer）方法。
4. 证明了方法的泛化能力：在 127 量子比特设备上优化得到的参数，能够成功迁移并改善 133 和 156 量子比特更大规模实例的性能。

4. 实验结果 (Results)

• Max-Cut 问题（16 量子比特，经典模拟）：
  • 对比对象：DARBO（State-of-the-art）。
  • 结果：在 $N_s=200$ 和 $N_s=5000$ 的测量预算下，该方法在达到相同近似比率（Approximation Ratio）时所需的总测量次数更少，或者在相同预算下获得更高的近似比率。例如，在 $p=2$ 且总测量次数为 $10^5$ 时，该方法达到 $r \approx 0.859$，而 DARBO 仅为 $0.784$。
• 随机 Ising 模型（127 量子比特，数值模拟与硬件实验）：
  • 数值模拟：使用矩阵乘积态（MPS）模拟器，在 $p=3$ 的 QAOA 电路中，该方法能系统性地超越基于小问题实例参数传递得到的启发式参数。
  • 硬件实验：在 ibm_torino 上运行，针对 $p \in \{3, 4, 5\}$ 的 QAOA 电路。
    • 对于 $p=3$（浅层电路），方法表现出良好的噪声鲁棒性，显著改善了初始启发式参数的成本。
    • 对于 $p=4, 5$（深层电路），由于硬件噪声加剧，性能提升幅度减小，但仍优于初始参数。
  • 成本效率：该方法通过大量调用代理模型（比真实硬件调用多三个数量级），极大地减少了昂贵的量子硬件调用次数。
• 参数传递验证：在 127 量子比特设备上优化得到的参数，被用于 133 和 156 量子比特的新实例，结果显示其成本函数值优于直接使用原始启发式参数，证明了优化结果的可迁移性。

5. 意义与影响 (Significance)

• 迈向大规模实用化：该研究展示了如何在有限的、含噪声的量子硬件资源下，高效地优化复杂的量子电路。这是变分量子算法走向实际应用的关键一步。
• 解决“冷启动”问题：无需预先训练的特性使得该方法可以直接应用于那些无法进行经典模拟、且缺乏先验知识的新型量子处理器或动态噪声环境。
• 方法论的推广：虽然本文以 QAOA 为例，但这种基于 RBF 插值的代理优化策略可以推广到其他变分量子算法（如 VQE）以及需要昂贵评估函数的科学计算领域。
• 未来方向：论文指出，结合误差缓解技术（Error Mitigation）和针对 barren plateau 区域的特殊采样策略，有望进一步提升该方法在深层电路中的表现。

总结：这篇论文提出了一种高效、无需预训练的在线学习方法，通过利用经典代理模型（RBF 插值）来指导量子硬件的采样，成功在 127 量子比特的真实设备上实现了优于现有方法的优化效果，为在 NISQ 时代解决大规模组合优化问题提供了强有力的工具。