✨ 要点🔬 技术摘要
量子计算机有望解决经典机器需要数千年才能解决的问题，但在它们开始运行之前，面临着一个根本性的障碍：如何让机器进入正确的初始状态。在量子力学的世界中，信息存储在微小粒子的状态中，为了运行算法，研究人员必须首先准备好这些粒子的一种特定且复杂的排列方式。这个过程被称为量子态制备（quantum state preparation），就像是在布置一个巨大且复杂的拼图，其中每一块碎片都必须被精准无误地放置。如果初始排列哪怕只有轻微偏差，整个计算就会失败。多年来，科学家们一直致力于构建能够高效创建这些状态的电路，但传统方法往往需要过多的步骤和连接，导致该过程在实际硬件上变得过于缓慢且易出错，从而无法投入实用。
帕尔马大学的一个研究小组提出了一种应对这一挑战的新方法，该方法通过关注问题的底层几何结构来简化流程。他们并没有试图构建一个能同时完成所有任务的电路，而是设计了一个将任务分解为两个不同部分的系统：设定量子态的强度和设定其时序。他们利用了一种被称为李代数（Lie algebra）的数学结构，这种结构描述了量子态如何进行旋转和变换，从而创造出一种专门的工具。该工具基于一种被称为标准递归块基（Standard Recursive Block Basis）的层级结构，使他们能够以比传统方法少得多的连接来构建必要的量子电路。通过剥离不必要的复杂性，并仅专注于数学框架中的对角分量，他们设计出了一个深度更浅且执行操作显著减少的设计。
研究人员通过强大的计算机模拟和真实的量子计算机测试了他们称之为“量子神经网络”的新方法。在模拟中，他们要求系统准备各种量子态，从简单的模式到复杂的随机排列，涉及多达八个量子比特（即量子信息的最小单位）。结果显示，对于多达四个量子比特的系统，该方法具有极高的精确度，创建所需状态的精度之高，使得误差几乎不存在。随着量子比特数量的增加，系统依然保持有效，尽管任务的复杂性使得达到同样的完美程度变得更加困难。团队还在由不同公司提供的真实量子设备上运行了该算法，包括使用超导量子比特和使用离子阱的机器。在这些物理机器上，该系统在处理两个和三个量子比特时表现良好，成功创建了如贝尔态（Bell state）和均匀叠加态等特定状态。然而，当量子比特数量增加到四个和五个时，误差率也随之上升，这是该领域的一个普遍挑战，即噪声和硬件缺陷开始干扰脆弱的量子态。
这项工作最重要的发现之一是新设计如何处理量子态的两个不同方面：其振幅（magnitude）和相位（phase）。研究人员发现，试图同时学习这两者会使系统陷入困境，因此他们将任务拆分了。他们的网络第一部分学习如何设置每个结果的正确概率，而第二部分学习如何调整量子波的时序或相位。这种分离使得系统能够更有效地进行学习。他们还发现，虽然数学理论允许完美的解决方案，但现实世界的硬件引入了一种与全局相位（global phases）相关的特定限制——这是一种不会改变最终测量结果、但会干扰学习过程的微妙偏移。尽管存在这些障碍，该方法证明了使用复杂数学基底的简化对角版本，可以以具有竞争力的深度和门计数来制备量子态。
这项研究既强调了该方法的潜力，也指出了其目前的局限性。虽然该算法在小型系统的模拟中达到了高精度，但在真实硬件上的表现表明，规模化扩展仍然是一个难题。物理设备上的误差率根据所制备状态的不同而显著变化：一些简单的均匀态可以高保真度地创建，而更复杂的稀疏态则会导致更高的误差。研究人员指出，增加机器测量结果的次数（即“采样次数”或 shots）并不能实质性地提高性能，这表明问题在于电路设计和硬件噪声，而非仅仅是统计不确定性。这项工作并不声称已经完全解决了量子态制备的问题，但它提供了一条精简的新路径。通过将量子电路的设计直接与它需要执行的变换群的拓扑结构相联系，该团队为构建更高效的量子算法提供了蓝图，这些算法有朝一日可能使这些强大的机器在实际应用中变得更加实用。
技术摘要：基于 QNN 的 SRBB 算法进行量子态制备
问题陈述 U U U U ∣ 0 ⟩ ⊗ n = ∣ ψ ⟩ U|0\rangle^{\otimes n} = |\psi\rangle U ∣0 ⟩ ⊗ n = ∣ ψ ⟩ ∣ ψ ⟩ |\psi\rangle ∣ ψ ⟩ n n n O ( 2 n ) O(2^n) O ( 2 n )
方法论 S U ( 2 n ) SU(2^n) S U ( 2 n )
理论框架（SRBB 与李代数）：
该算法基于将酉群 U ( 2 n ) U(2^n) U ( 2 n ) U ( 1 ) U(1) U ( 1 ) S U ( 2 n ) SU(2^n) S U ( 2 n ) s u ( 2 n ) \mathfrak{su}(2^n) su ( 2 n )
至关重要的是，作者将变分拟设（ansatz）限制在 SRBB 的对角子代数 （Z Z Z Ψ \Psi Ψ Φ \Phi Φ
通过利用恒等式 R y ( γ ) = S H ⋅ R z ( γ ) ⋅ H S † R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger R y ( γ ) = S H ⋅ R z ( γ ) ⋅ H S † S S S H H H R z R_z R z Z Z Z
算法架构：
所提出的量子神经网络（QNN）通过两个不同的训练阶段运行，以避免优化冲突：
模学习（Modulus Learning）： 电路的第一部分使用对角 SRBB Z Z Z 相位学习（Phase Learning）： 第二部分近似目标态的复相位。
通过利用 SRBB Z Z Z D ( n ) ≈ 6 ⋅ 2 n − n 2 / 2 + 7 n / 2 − 3 D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3 D ( n ) ≈ 6 ⋅ 2 n − n 2 /2 + 7 n /2 − 3
优化与损失函数：
算法使用两种优化器进行测试：Adam （配合保真度 Fidelity 和迹距离 Trace Distance 损失函数）以及 Nelder-Mead （配合 Frobenius 范数）。
训练过程旨在最小化由 VQC 生成的状态与目标态（或理想酉矩阵）之间的距离。
核心贡献
新颖算法： 提出了将 SRBB 层级结构用于近似 QSP 的特定用例，并将其框架化为一个变分问题。深度缩减： 通过仅使用经过 CNOT 优化的对角 SRBB 子代数，实现了传统的 QSP 阶梯结构。这使得电路深度和 CNOT 计数比使用完整代数时降低了指数倍，在没有辅助量子比特的情况下接近渐近最优界限。全面评估： 在 2 到 8 个量子比特的模拟系统中，通过随机态、稀疏态和均匀概率分布对性能进行了评估。真实设备验证： 在真实量子硬件（IQM Deneb, IQM Garnet, Rigetti Ankaa-3, 和 IonQ Forte1）上测试了算法，以评估其在噪声环境下的表现。
结果
模拟：
对于最多 4 个量子比特，使用 Nelder-Mead 优化器可实现高精度，误差范围在 10 − 13 10^{-13} 1 0 − 13 10 − 15 10^{-15} 1 0 − 15
Adam 优化器在小量子比特数下训练时间较长，但在 4 个量子比特的情况下仍能保持高精度，且不会随时间呈指数级增长。
当量子比特数增加到 4 个以上时，性能会下降；对于 8 个量子比特，误差上升至约 10 − 3 10^{-3} 1 0 − 3
网络成功地在高保真度下复现了如 Bell 态和 GHZ 态等特定状态。
真实硬件：
在真实设备（2–5 个量子比特）上，算法在小量子比特数下表现良好，尽管性能因目标态的不同而有显著差异。
对于特定状态（如均匀叠加态和 Bell 态），Hellinger 距离相对较低（例如 2 个量子比特时约为 $0.01至 至 至
对于稀疏态或更复杂的分布，误差显著增加（例如 IQM Deneb 上 4 量子比特稀疏态的 Hellinger 距离约为 $0.74$）。
在 Rigetti 设备上增加采样次数（从 1024 增加到 8192）并未带来明显的性能提升，这表明噪声和电路深度才是限制因素，而非采样噪声（shot noise）。
意义与主张
论文也客观地承认了目前的局限性：
可扩展性： 随着量子比特数量的增加，算法面临挑战，优化器难以有效收敛，这可能是由于参数景观的复杂性（潜在的贫瘠高原问题/Barren Plateaus）导致的。硬件噪声： 在真实设备上，误差并非固定不变，而是随特定目标态的变化而显著变化，这表明算法对噪声和状态复杂度具有敏感性。未来工作： 作者建议未来的研究应将此框架与已有的 QSP 算法和编码技术（如振幅编码/Amplitude Encoding）进行对比，进一步优化旋转门，并分析优化景观以缓解大型系统中的收敛问题。
这项工作并不声称立即解决了任意大规模系统的 QSP 问题，而是展示了一种在中小规模量子比特范围内，将李代数理论与实用变分量子电路相结合的、具有资源效率的路径。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。