⚛️ quantum physics

Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits

本文提出了一种可扩展的生成式量子机器学习框架，该框架在经典硬件上高效训练瞬时量子多项式电路以避免贫瘠高原，从而实现对高达一千个量子比特的量子设备上的成功采样与学习。

原作者： Erik Recio-Armengol, Shahnawaz Ahmed, Joseph Bowles

发布于 2026-02-09

📖 1 分钟阅读🧠 深度阅读

原作者： Erik Recio-Armengol, Shahnawaz Ahmed, Joseph Bowles

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

以下是关于论文《在经典计算机上训练，在量子计算机上部署》（Train on classical, deploy on quantum）的解释，使用了简单的语言和日常类比。

核心问题：“量子交通拥堵”

想象一下，你想教一个机器人（量子计算机）画画。过去，教导机器人的标准方法是让机器人尝试绘画，检查画作有多糟糕，然后告诉机器人如何移动画笔来修正它。

然而，这种方法对于量子计算机来说存在一个巨大的问题：

“贫瘠高原”（Barren Plateau，即平坦沙漠）： 随着机器人变得越来越复杂（拥有更多的“量子比特”或部件），关于如何修正画作的指令会变得极其微弱，最终消失在噪声中。这就像是在飓风中试图听清一声低语。机器人会陷入停滞，无法学习。
检查成本过高： 为了弄清楚如何修正画作，你必须要求你的量子机器人重复运行同一个实验数千次，仅仅为了获取一点点微小的信息。如果你的机器人规模很大，这会导致训练过程极其漫长，甚至可能需要数十年才能完成一个简单数据集的训练。

该论文的作者们问道：有没有一种方法，既不会让机器人在沙漠中迷失，又不需要等待数十年？

解决方案：“在模拟器上训练，在实物上部署”

作者们提出了一个聪明的两步走策略：在经典计算机上训练，在量子计算机上部署。

你可以这样理解：

量子计算机是一个超级昂贵、充满魔力的画笔，它可以创造出人类无法绘制的图案。但它的缺点是，向它寻求建议的速度很慢。
经典计算机是一台普通的、快速的笔记本电脑。它无法画出那些魔力的图案，但它可以从数学角度模拟那支魔力画笔将会如何表现。

工作流程：

模拟（训练）： 作者没有要求缓慢且昂贵的量子机器人去检查它的作品，而是使用一台快速的笔记本电脑来模拟机器人的行为。他们使用了一种特殊的数学电路（称为 IQP 电路），这种电路对于笔记本电脑来说易于计算，但对于笔记本电脑后期去“模仿”其结果却很难。
损失函数（评分卡）： 他们使用了一种特定的评分系统，称为 MMD（最大平均差异）。想象一下，你有一堆真实的图片（数据）和一堆机器人画的图片。MMD 分数衡量这两堆图片看起来有多不同。目标是让机器人的那一堆图片看起来与真实的那一堆完全一致。
神奇的技巧： 作者发现了一种方法，可以完全在笔记本电脑上计算出这个分数和“修正”指令。因为对于这种特定类型的电路，其数学逻辑非常顺畅，笔记本电脑可以在几秒钟内完成计算，即使是针对拥有 1,000 个量子比特（规模巨大！）的电路也是如此。
部署（回报）： 一旦笔记本电脑计算出了机器人的完美设置（参数），你就可以将这些设置发送给真正的量子计算机。现在，量子计算机运行该电路来生成新的图像。因为数学证明了这些电路对于笔记本电脑来说是“难以复制”的，所以量子计算机能够产生普通计算机无法轻易模仿的结果。

成功的关键要素

1. “数据依赖型”起始点
通常，当我们开始训练一个模型时，我们会随机猜测参数设置。这往往会导致“贫瘠高原”（机器人迷失方向）。

解决方法： 作者在开始之前先观察数据。如果数据表明两个像素通常会同时变化，他们会在一开始就将机器人的设置调整为反映这种关系。
类比： 与其告诉学生“去猜答案”，不如根据教科书给他们一个提示。这能防止他们在随机猜测的“沙漠”中迷失。

2. 相干性是王道
作者将他们的量子模型与一个“退相干”（经典化）的版本进行了对比。

结果： 量子模型（利用“相干性”或波粒二象性的特性）很好地学习了模式。而经典版本（仅仅是随机翻转比特）在处理大型数据集时表现得非常糟糕。
结论： 量子力学的“魔力”不仅仅是一个噱头；它确实有助于模型学习经典模型无法捕捉到的复杂结构。

他们实际做了什么（实验）

团队不仅停留在理论层面，还构建了模型并在真实数据上进行了测试。他们在六个不同的数据集上训练了多达 1,000 个量子比特（数千个参数）的模型：

简单模式： 如 2D 自旋网格或“斑点”像素。
现实世界数据： 手写数字 (MNIST)、基因组数据（DNA 模式）以及来自真实量子退火器（D-Wave）的数据。

实验结果：

速度： 他们在数小时内完成了这些庞大模型的训练，而不是耗费数十年。
性能： 在大型复杂数据集（如 D-Wave 和基因组数据）上，他们的量子模型表现得比标准的经典模型（如受限玻尔兹曼机和能量模型）更好。
原因： 经典模型经常陷入“模式坍塌”（Mode Collapse，即它们只能学会画一种类型的图片，而忽略了其余部分）。量子模型则学习了完整的图像。

总结

这篇论文证明了我们不需要等待完美的量子计算机出现才能开展有用的工作。通过使用一种“混合”方法——在快速的经典计算机上进行繁重的训练工作，并将生成任务留给量子计算机——我们今天就可以实现大规模的应用。

这就像是在一台快速的电脑上绘制摩天大楼的蓝图，然后使用一台专门的、动作较慢的起重机来实际吊装钢梁。蓝图（训练）是快速且高效的；而施工（采样）才是发挥独特力量的地方。

本论文并未声称：

它并未声称解决了机器学习中的所有问题。
它并未声称量子计算机目前在所有领域都优于经典计算机（在一些经典模型表现良好的小型、简单数据集上，量子模型表现并不占优）。
它并未做出任何医疗或临床声明；基因组数据仅用于测试模式识别能力，而非用于疾病诊断。

技术摘要：经典训练，量子部署

1. 问题陈述

本文探讨了变分量子机器学习（VQML）中根本性的可扩展性危机。虽然经典深度学习在模型和数据集的规模化方面取得了巨大成功，但 VQML 面临着严重的障碍：

贫瘠高原（Barren Plateaus）： 随着量子比特数的增加，随机初始化的量子电路的梯度会呈指数级地集中在零附近，导致优化变得不可能。
梯度估计成本： 与经典神经网络（其梯度计算的规模与损失评估相似）不同，估计量子电路的梯度需要从与参数数量成比例的电路数量中进行采样。对于一个拥有数千个参数的电路，这意味着在每个梯度步中都需要从数千个不同的电路中进行采样。
硬件限制： 量子计算机的采样速率显著低于经典 CPU/GPU，且具有本质上的随机性，需要大规模采样来估计训练值。

作者认为，标准的 VQML 方法受限于小型模型和数据集，限制了其潜在的社会价值。他们提出了一种新的范式，专门针对生成式机器学习来克服这些扩展问题。

2. 方法论

所提出的“在经典上训练，在量子上部署”的方法利用了一类特定的基于**瞬时量子多项式（IQP）**电路的生成模型。其核心创新在于能够高效地在经典硬件上训练这些电路，同时在推理（采样）阶段保留潜在的量子优势。

2.1 模型：参数化 IQP 电路

生成模型 $q_\theta(x)$ 由作用于 $n$ 个量子比特的参数化 IQP 电路定义：

初始化： 状态 $|0\rangle^{\otimes n}$ 。
门操作： 一系列参数化门 $U(\theta) = \prod_j \exp(i\theta_j X_{g_j})$ ，其中 $X_{g_j}$ 是泡利-X 算子的张量积。
测量： 在计算基下进行测量。

至关重要的是，采样这些电路的输出分布被认为在经典上是困难的（基于复杂度理论假设），这表明在部署阶段存在潜在的量子优势。

2.2 通过经典模拟进行训练

训练过程完全避开了量子硬件，而是利用两个理论结果在经典硬件上计算损失及其梯度：

损失函数： 作者使用**最大均差（MMD）**平方作为损失函数。Rudolph 等人（2024）表明，MMD $^2$ 可以表示为泡利-Z 词（Pauli-Z words）期望值的概率混合。
高效估计： Den Nest（2010）证明了 IQP 电路的泡利-Z 词期望值可以通过经典算法进行高效估计。

通过结合这些方法，作者推导出了一个仅依赖于基础线性代数子程序的 MMD $^2$ 及其梯度的无偏估计量。这使得训练可以在经典硬件上执行（具体使用 JAX 中的 IQPopt 包），并且在量子比特数和门数量上均呈现线性缩放。

2.3 数据依赖型初始化

为了避免贫瘠高原并确保成功收敛，作者采用了数据依赖型参数初始化策略：

单量子比特门参数根据对应数据维度的均值进行初始化。
双量子比特门参数根据对应数据维度的协方差进行初始化。
该策略确保模型从匹配数据边缘分布和相关性的乘积分布开始，从而防止损失函数景观在初始化时过于平坦。

2.4 对称性整合

该框架允许通过修改初始状态（例如使用 GHZ 态）来引入归纳偏置（如全局比特翻转对称性 $Z_2$ ），同时保持对经典模拟期望值的能力。

3. 核心贡献

可扩展的训练算法： 一种仅使用经典硬件即可训练包含高达 1,000 个量子比特和数十万个参数的参数化 IQP 电路的方法。
规避贫径高原： 证明了通过数据依赖型初始化，大规模 IQP 电路可以在不遇到随机初始化典型的指数级梯度消失的情况下完成训练。
相干性分析： 将量子 IQP 模型与“退相干”的经典随机比特翻转模型进行了比较，结果表明量子相干性对于复杂数据集的表现至关重要。
经验基准测试： 在六个真实和合成数据集（包括 D-Wave、MNIST 和基因组数据）上进行了广泛评估，并将量子模型与受限玻尔兹曼机（RBM）和能量模型（EBM）进行了对比。

4. 结果

作者在从 16 到 1,000 个量子比特的数据集上训练了模型。主要发现包括：

相对于经典模型的表现： 在大型复杂数据集（D-Wave、无标度网络、基因组）上，IQP 模型显著优于经典的 RBM 和 EBM 模型，后者出现了模式崩塌、模式不平衡或训练失败的问题。在较简单的数据集（2D Ising、二元斑块）上，IQP 模型表现具有竞争力，尽管经典模型有时能获得更好的对数似然得分。
相干性的作用： 尽管采用了相同的训练策略，但“退相干”的随机比特翻转模型在除了最小数据集以外的所有数据集上都未能学习成功。这表明量子相干性在表达能力或损失函数景观结构方面提供了独特的优势。
可扩展性： 训练过程平滑，且对于所有数据集都能在相对较少的步骤内收敛，即使是 1,000 个量子比特的情况也是如此。作者指出，计算成本呈线性缩放，这使得在单个 CPU 节点上训练拥有 10,000 个量子比特的电路大约仅需一分钟。
基因组数据： 在一个基因组数据集（805 个量子比特）上，IQP 模型实现了与在相同数据上训练的已发表经典模型（RBM 和 GAN）相当的 MMD 得分，成功捕捉到了整体相关结构。

5. 重要性与主张

本文声称展示了一条可扩展量子生成式机器学习的可行路径。

对规模化的乐观态度： 这项工作挑战了目前对于大规模量子电路可训练性的普遍悲观情绪。它表明，“贫瘠高原”问题可以通过适当的初始化策略来缓解，而非所有电路结构固有的、不可逾越的障碍。
实用性： 通过将计算密集型的训练阶段转移到经典硬件上，该方法绕过了当前量子设备的硬件瓶颈。这使得研究人员现在就能研究大规模量子模型。
量子优势： 虽然训练是在经典端完成的，但部署（采样）仍然是一个量子任务。由于 IQP 采样在经典上是困难的，训练好的模型为生成式任务提供了实现计算优势的潜在途径。
适度的范围： 作者的声明较为克制。他们并未断言 IQP 电路是通用近似器（证明在没有辅助比特的情况下 $n=2$ 时并非如此），并承认在经过更广泛的超参数微调或不同架构后，经典模型可能会表现得更好。他们强调，这项工作为大规模量子模型的启发式研究打开了大门，这类研究可能会发现超越纯理论的见解。

总之，本文认为“向更大规模的数据集和模型扩展”是量子机器学习最有意义的路径，并且一类特定的生成模型（参数化 IQP）为当今实现这一目标提供了一个具体的、可扩展的机制。