Variational decision diagrams for quantum-inspired machine learning applications

本文介绍了变分决策图（VDDs），这是一种新颖的图结构，它将决策图的效率与变分适应性相结合以表示量子态，并证明了其在基态估计中的可训练性且不会遭遇 barren plateaus（平坦高原）问题。

要点

想象一下，你正在向一个从未见过蛋糕的人描述一个极其复杂、多层结构的蛋糕。如果你试图用一条长长的直线列出每一粒碎屑、每一层和每一种口味，那么描述将变得无限长且难以管理。这与科学家试图在普通经典计算机上模拟量子计算机时所面临的问题类似。随着你增加更多的“量子比特”（量子版本的比特），描述该系统所需的信息量会呈指数级爆炸，就像每添加一粒碎屑，蛋糕的大小就翻倍一样。

本文介绍了一种名为**变分决策图（VDDs）**的新工具来解决这个问题。以下是其工作原理，使用简单的类比：

1. 地图而非疆域

通常，为了模拟量子系统，科学家试图一次性写下整个系统的“状态”。这就像试图在脑海中携带整个蛋糕。

作者提出使用决策图（DDs）。将决策图想象成一本**“选择你自己的冒险”书或一张流程图**。

• 你不是列出每一种可能的结果，而是从顶部（根节点）开始。
• 在每一步，你问一个简单的问题：“这部分是 0 还是 1？”
• 如果是 0，你走左路；如果是 1，你走右路。
• 你沿着路径走，直到到达终点。

这种方法的魔力在于，许多不同的路径可以重新合并。如果蛋糕的两个不同部分看起来完全一样，你就不需要描述两次；你只需指向同一个描述即可。这节省了巨大的空间和时间。

2. 让地图“灵活”（变分部分）

标准流程图的问题在于它们是僵硬的。它们擅长描述已知的事物，但难以学习或适应以找到新问题的最佳解决方案。

作者创建了变分决策图（VDDs）。想象一下，你流程图中的箭头不仅仅是线条，而是旋钮或调节器。

• 每个箭头都有一个“音量旋钮”（振幅）和一个“相位旋钮”（时序）。
• 你可以转动这些旋钮来改变系统的行为。
• 目标是扭转这些旋钮，直到流程图完美地描述量子系统的“基态”。在物理学中，“基态”就像系统最稳定、能量最低的状态——把它想象成球在起伏地形中最舒适的静止位置。

3. “手风琴”设计

为了测试这个想法是否有效，作者为他们的流程图构建了一种特定的形状，称为**“手风琴 Ansatz"**。

• 想象一种手风琴乐器。它可以展开和收缩。
• 在他们的设计中，流程图具有交替包含一个节点和两个节点的层，就像手风琴的褶皱一样。
• 这种结构足够简单以保持高效，又足够复杂以捕捉有趣的量子行为。

4. “ barren plateau”（ barren 高原）问题

在量子机器学习领域，有一个著名的**“Barren Plateau”**问题。

• 类比：想象你试图在一个广阔平坦的沙漠中找到最低点。如果地面到处都完美平坦，你的指南针（梯度）就不会告诉你哪边是下坡。你被困住了，无论你如何尝试移动，都无法找到底部。
• 本文的主张：许多量子学习方法在系统变得太大时会陷入这些平坦的沙漠中。作者测试了他们的“手风琴”VDDs，发现它们不会陷入困境。他们的指南针仍然有效！他们流程图上的“旋钮”仍然能给出清晰的信号，指示应朝哪个方向转动以找到最佳解决方案，即使系统变得更大。

5. 他们实际上做了什么？

作者不仅谈论理论，还在计算机上进行了实验，以查看他们的 VDDs 是否真的能解决物理问题。

• 他们使用 VDDs 为三种不同类型的量子模型（如伊辛模型和海森堡模型）寻找“基态”（最稳定的能量）。
• 他们成功训练了 VDDs 来近似这些状态。
• 他们证实了“旋钮”（参数）可以有效地调整，而信号不会消失（没有 barren plateau）。

总结

简而言之，本文提出了一种在普通计算机上模拟量子系统的新方法。他们不是试图在脑海中容纳整个巨大的量子蛋糕，而是构建了一个智能、可调节的流程图（VDD），它像手风琴一样折叠和展开。他们证明了该流程图可以被“训练”以找到量子系统的最稳定状态，而不会迷失在平坦且无用的景观中。

关于局限性的重要说明：
论文承认，虽然这种“手风琴”设计效果良好，但它是一种特定的形状。如果量子系统具有非常复杂的长距离连接（就像蛋糕的顶层以某种奇怪的方式连接到最底层），这种特定的流程图可能难以完美描述它。作者建议，未来的工作可能需要设计不同形状的流程图来处理这些更复杂的“蛋糕”。

他们还提到，如果问题可以被表述为寻找最佳概率分布，该工具还可能用于其他任务，如分类（排序数据）或生成建模（创建新的数据模式）。然而，他们当前工作的核心严格限于证明该方法适用于寻找物理模型中的基态。

技术摘要

技术摘要：用于量子启发式机器学习应用的变分决策图

问题陈述
在经典计算机上进行量子电路模拟对于开发和验证量子化学及凝聚态物理等领域的算法至关重要。然而，由于量子态空间随量子比特数量的增加而迅速增长，模拟通用量子电路具有指数级难度。尽管决策图（DDs）通过利用数据冗余，已被证明在模拟量子电路和验证算法方面行之有效，但将其作为量子机器学习（QML）的变分拟设（ansätze）的应用尚未被探索。相反，变分量子电路虽然前景广阔，但往往遭受“ barren plateaus（ barren 高原）”的困扰——这是一种梯度方差随量子比特数量呈指数级消失的现象，使得大规模系统的训练变得不可行。本文旨在填补这一空白，利用决策图作为一种可训练的、量子启发的框架来表示量子态，同时避免陷入 barren plateaus。

方法论
作者引入了变分决策图（VDDs），这是一种新颖的图结构，融合了决策图的紧凑性与变分方法的适应性。

• 结构：VDD 被定义为二元有向无环多重图（BDAMG）。它由一个根节点、一个终端节点以及代表量子比特索引的中间节点组成。边连接对应于顺序量子比特（$q_i$ 到 $q_{i+1}$）的节点，并携带复数概率幅。
• 参数化：与标准决策图不同，VDD 是变分的。边上的概率幅由每个节点的三个实数 $(r, \omega, \phi)$ 参数化。具体而言，对于一个节点，对应于 $|0\rangle$ 的边具有振幅 $r e^{i\omega}$，而对应于 $|1\rangle$ 的边具有振幅 $\sqrt{1-r^2} e^{i\phi}$。这种构造在每个节点处内在强制执行归一化约束，确保总波函数归一化为 1。
• 手风琴拟设（The Accordion Ansatz）：为了研究可训练性，作者提出了一种特定的 VDD 拓扑结构，称为“手风琴拟设”。该结构在单节点层级和双节点层级之间交替。它有效地参数化了二聚化乘积态（例如 $|\psi_{1,2}\rangle \otimes |\psi_{3,4}\rangle \dots$），将表达能力限制在短程关联上，但可能避免了导致 barren plateaus 的复杂性。
• 优化：本研究聚焦于基态估计问题，即最小化哈密顿量 $H$ 关于 VDD 参数 $\theta$ 的期望值：$\min_\theta \langle \psi_\theta | H | \psi_\theta \rangle$。梯度计算针对小规模系统（最多约 10 个量子比特）使用自动微分（通过 PyTorch/JAX）在显式态向量上进行，而为了可扩展性则采用变分蒙特卡洛（VMC）。

主要贡献

1. VDDs 的提出：本文提出了 VDDs，这是首个用于表示量子态的量子启发式参数化结构，结合了决策图的结构效率与变分优化。
2. 可训练性分析：作者证明手风琴拟设不表现出 barren plateau 现象。通过分析梯度分量的方差，他们表明对于所测试的哈密顿量，方差不会随量子比特数量呈指数级衰减。
3. 验证：该框架通过成功近似各种物理模型的基态得到了验证，包括横场伊辛模型（TFIM）和海森堡模型。

结果

• 梯度方差：在 $Z_1Z_2$、海森堡模型和 TFIM（涵盖有序、无间隙及无序相）等哈密顿量上的数值实验表明，手风琴拟设的梯度方差呈非指数级缩放。这证实了该方法对于这些特定结构的可训练性。
• 基态近似：对于 10 量子比特系统，VDD 成功最小化了 $Z_1Z_2$ 和海森堡模型的能量误差。
• 无序相中的局限性：在具有强横场（$g=10$）的 TFIM 中，VDD 收敛至状态 $|+, \dots, +\rangle$，但在无序相中难以准确近似中等场强下的真实基态能量。作者将此归因于手风琴拟设（二聚化乘积态）有限的表达能力，无法捕捉该区域由 $ZZ$项诱导的特定短程关联。然而，随着横场强度进一步增加，当真实状态趋近于完全可分的$|+, \dots, +\rangle$ 状态时，精度有所提高。

意义与主张
本文主张 VDDs 为现有方法（如张量网络（例如 MPS）和神经网络量子态（NQS））提供了有希望的替代方案。

• 归一化：与许多难以强制执行归一化的非自回归 NQS 架构不同，VDDs 通过其边参数化自然地强制执行归一化约束。
• 效率：VDDs 通过路径而非显式张量分解来捕捉振幅关联，可能为某些结构提供更紧凑的表示。
• 可训练性：手风琴拟设中不存在 barren plateaus，表明 VDDs 可以在经典计算机上高效训练，用于那些传统变分量子电路因梯度消失而失效的问题。
• 未来范围：虽然当前工作聚焦于基态估计，但作者指出，只要损失函数允许评估比特串概率，VDDs 可应用于其他 QML 任务，如分类、回归和生成建模（例如投资组合优化）。

作者总结道，虽然拟设的设计至关重要，且当前实现可能缺乏对长程纠缠的灵活性，但 VDDs 代表了高效经典模拟量子系统的重要一步，也是变分量子模拟的多功能平台。