Quantum Encoding of Structured Data with Matrix Product States

量子计算机承诺解决目前经典机器无法解决的问题，但在它们能够开始运行之前，面临着一个根本性的障碍：如何将正确的信息输入其中。为了执行计算，量子计算机必须首先将经典数据（数字、图像或函数）加载到其量子态中。这个过程被称为“态准备”（state preparation），而它是出了名的困难。由于量子系统的可能性空间随着每增加一个粒子而呈指数级增长，加载复杂的、无结构的庞大数据集通常需要一个如此深且复杂的电路，以至于在当今的硬件上运行的时间甚至会超过宇宙的年龄。这一瓶颈威胁着要抵消量子计算机在金融、医学和机器学习等领域所提供的速度优势。因此，挑战不仅在于制造更快的机器，还在于找到一种方法，将海量数据压缩成一种足够简单、可以快速且准确加载的量子格式。

西澳大利亚大学的研究人员开发出一种新方法，通过利用许多现实世界数据集中存在的隐藏结构来绕过这一瓶颈。他们并没有试图强迫量子计算机去死记硬背图像中的每一个像素或复杂函数的每一个数值，而是使用了一种称为“矩阵乘积态”（matrix product state）的数学技术。可以将这想象成一种描述长而复杂的数据串的方法，通过将其分解为小的、相互连接的块，这些块只需要记住它们的直接邻居，而不是整个数据串。这种方法之所以奏效，是因为许多自然现象——从数学函数的平滑曲线到医学扫描中的模式——并不具有随机、混沌的连接；它们拥有有限的局部结构，可以用比完整、无结构的描述所需的资源少得多的资源来捕捉。

由 Josh Green 和 Jingbo Wang 领导的团队证明，这种压缩技术使他们能够以极高的速度和精度准备代表复杂函数和图像的量子态。他们专注于一种被称为“矩阵乘积解纠缠器”（Matrix Product Disentangler）的特定算法，它扮演着一种逆向工程工具的角色。它获取目标数据集，并找出创建该数据集所需的最简单的量子操作序列。然而，这个初始工具本身并不完美。为了优化结果，研究人员将其与第二步——“张量网络优化”（tensor network optimization）相结合。这个过程就像是一个精细调节机制，通过调整量子电路参数来最小化误差并使精度趋于完美。其结果是一种能够使用足够浅的电路将数据加载到量子计算机中的方法，这种电路足以在当前的、并不完美的硬件（即 NISQ 设备）上运行。

研究人员在广泛的数学函数上测试了他们的方法，包括那些带有尖锐断点、突然跳跃和不规则形状的函数，这些特征通常会让量子算法感到困惑。他们发现，对于并非完全随机的函数（例如低阶多项式、根函数和对数曲线），他们的方法可以以超过 99.99% 的准确度准备量子态。这种高精度的实现仅使用了仅几百步深的电路，相比于通常需要的数百万步，这是一个巨大的缩减。团队表明，即使对于存在不连续性（即数值发生突变）的函数，只要数据的整体结构不是过于混沌，该方法依然保持稳健。

这项能力的演示中最令人瞩目的或许是涉及一个真实世界的医学图像。研究人员从包含用于诊断肺部疾病的胸部 X 光片的 ChestMNIST 数据集中提取了一张 128 x 128 像素的图像。他们成功地仅使用 14 个量子比特将这张图像编码进量子态中。生成的量子电路仅由 425 个基本操作组成，并产生了重建保真度超过 99.2% 的图像。这意味着该量子态持有一个几乎完美的原始医学扫描副本。这次实验的成功意义重大，因为它证明了该方法可以处理像图像这样具有结构的二维数据，而不仅仅是简单的的一维数学曲线。

然而，这项研究也明确界定了该方法的局限性。该方法依赖于数据具有特定类型的有序性，即不同部分之间的连接会迅速衰减。当研究人员在完全随机的数据或高度复杂、无结构的噪声上测试该方法时，准确度显著下降。该算法无法神奇地压缩没有任何潜在模式的信息；如果数据是真正混沌的，那么表示该数据所需的量子电路也会变得和原始问题一样深且难以构建。这种区别至关重要：该技术是处理结构化数据的强大工具，但它并不是解决所有类型信息的通用方案。

研究人员还将他们优化的方法与其他已知的数据加载技术进行了比较。他们发现，虽然其他方法在理论上可以达到同样的准确度，但它们通常需要更深的电路，或者需要额外的“辅助”（ancilla）量子比特作为临时存储，而目前的硬件无法支持这一点。相比之下，新方法在无需额外量子比特的情况下实现了高精度，并且使用的电路深度随数据规模线性缩放，这使其在不久的将来更具实用性。团队指出，对于 ChestMNIST 图像，他们的优化方法达到了与理论上的“精确”方法相同的准确度水平，但电路深度大约只有后者的四分之一。

在更广泛的领域背景下，这项工作为量子计算的应用指明了一条清晰的路径。它表明，对于涉及结构化数据的任务——例如为求解物理方程设置边界条件、为金融模拟准备概率分布或为机器学习编码图像——量子计算机可以比之前预想的更早投入使用。利用浅层电路进行高保真数据加载的能力，消除了阻碍许多量子算法在真实硬件上进行测试的主要障碍。虽然该方法没有解决加载完全无结构数据的难题，但它为处理科学家和工程师实际使用的绝大多数结构化数据集提供了一种高效且节省资源的方法。

研究结论认为，解纠缠算法与随后的优化相结合，创造了一个适用于当前量子技术时代的通用工具。它使研究人员能够超越态准备的理论限制，开始使用真实世界数据进行实际实验。通过展示 128 x 128 的图像如何在少量量子比特上以如此高的保真度进行编码，这项工作提供了一个具体的例子，说明量子计算机可能很快就会被用于处理医疗数据或金融模型。这些发现并非声称解决了量子态准备中的所有问题，但它们确实为最相关的近程应用建立了一种可靠、高效且准确的方法。