⚛️ quantum physics

Gate Freezing Method for Gradient-Free Variational Quantum Algorithms in Circuit Optimization

该论文提出了一种针对梯度无关变分量子算法的“门冻结”方法，通过利用历史迭代信息将优化资源重新分配给未充分优化的量子门，从而在含噪中等规模量子设备上显著提升了 Rotosolve、Fraxis 和 FQS 等优化器的收敛性能与鲁棒性。

原作者： Joona Pankkonen, Lauri Ylinen, Matti Raasakka, Andrea Marchesin, Ilkka Tittonen

发布于 2026-04-13

📖 1 分钟阅读🧠 深度阅读

原作者： Joona Pankkonen, Lauri Ylinen, Matti Raasakka, Andrea Marchesin, Ilkka Tittonen

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

这篇论文主要解决了一个在量子计算中非常头疼的问题：如何让量子电路“学习”得更快、更聪明，同时不浪费宝贵的计算资源。

为了让你轻松理解，我们可以把整个量子优化过程想象成教一个由 100 个学生（量子门）组成的合唱团唱一首复杂的歌（找到问题的最优解）。

1. 背景：合唱团面临的困境

参数化量子电路 (PQC)：就是那个合唱团。每个“学生”（量子门）都有一个可以调节的“音高”（参数）。
变分量子算法 (VQA)：就是指挥家。指挥家不断调整每个学生的音高，试图让合唱声音最完美（能量最低，即找到问题的解）。
现实困难：
- 噪音：现在的量子计算机（NISQ 设备）就像是在嘈杂的菜市场里排练，听不清声音，容易出错。
- 平坦高原 (Barren Plateaus)：有时候，无论指挥家怎么调整，声音听起来都差不多，完全找不到方向（梯度消失）。
- 资源有限：指挥家（经典计算机）和合唱团（量子计算机）都很累，不能无休止地试错。

2. 核心创新：给合唱团“冻结”部分成员

论文提出了一种叫**“门冻结” (Gate Freezing)** 的新方法。

以前的做法（传统优化器）：
指挥家每一轮都要让所有100 个学生都重新唱一遍，仔细听每个人的音高变化，然后微调。哪怕有些学生已经唱得非常完美了，指挥家还是强迫他们继续微调。这就像让一个已经考满分的学霸，每天还要花 3 小时做同样的基础题，纯属浪费时间。

现在的做法（门冻结）：
指挥家发现，经过几轮排练后，大部分学生的音高其实几乎不再变化了（比如前几层的学生已经唱得很稳了）。
于是，指挥家决定：“你们几个唱得好的，先‘冻结’住，不用动了！把精力集中在那些还在跑调、还没唱好的学生身上。”

冻结 (Freezing)：就是暂时停止调整那些变化很小的参数。
重新分配资源：把省下来的时间（计算资源）全部用来攻克那些最难、变化最大的“顽固分子”。

3. 具体怎么操作？（两种“冻结”策略）

论文里用了两种聪明的方法来判断谁该被“冻结”：

方法 A：看“音高”变化 (基于参数距离)

比喻：指挥家拿着尺子量。如果某个学生今天的音高和昨天相比，变化小于 0.001 度，那就说明他唱稳了，把他“冻结”起来，接下来几轮不用管他。
进阶版（增量冻结）：如果一个学生连续几次都被发现“唱得太稳了”，指挥家就惩罚他，让他被冻结的时间越来越长（比如第一次冻 2 轮，下次冻 3 轮，再下次冻 4 轮）。这样，指挥家就能把 100% 的精力都放在那些还在“挣扎”的学生身上。

方法 B：看“动作”变化 (基于矩阵范数)

比喻：有时候光看音高不够，还得看动作。有些学生虽然音高没变，但手势（旋转轴）变了。这种方法直接比较学生“动作”的整体变化幅度。如果动作幅度太小，就冻结。这就像不仅听声音，还看舞蹈动作是否还在微调。

4. 实验结果：效果如何？

作者用两个经典的物理模型（海森堡模型和费米 - 哈伯德模型，可以理解为两种不同难度的乐谱）进行了测试：

对于 Rotosolve 和 Fraxis 这两种“指挥家”（优化器）：
- 效果显著！使用“冻结”策略后，合唱团收敛得更快，更容易找到完美的和声。
- 特别是在浅层电路（学生不多，排练时间短）和有噪音（菜市场环境）的情况下，这种策略能节省大量资源，让结果更准。
对于 FQS 这种“指挥家”：
- 效果提升比较小，而且取决于具体的乐谱。因为 FQS 本身就很擅长处理复杂的旋转，可能不需要太大幅度的“冻结”。

5. 一个重要的澄清

作者特别强调：这个方法不是为了解决“平坦高原”（Barren Plateaus）这个终极难题的。

比喻：如果整个合唱团都哑了（梯度消失），怎么冻结都没用。
真实作用：它是在已经能训练的前提下，优化资源分配。就像在跑步比赛中，它不是让你跑得更快（解决根本算法问题），而是让你少跑冤枉路，把体力花在冲刺的关键路段上。

总结

这篇论文就像给量子计算优化器装上了一个**“智能节能模式”**。

它不再盲目地让所有量子门都动来动去，而是聪明地识别出哪些门已经“练好了”，把它们暂时“冻结”起来，把宝贵的计算时间全部留给那些还没练好的门。

一句话总结：
别在已经满分的学生身上浪费时间，把精力集中在那些还需要辅导的“差生”身上，这样整个班级（量子电路）就能更快、更稳地拿到高分。

这是一篇关于**变分量子算法（VQAs）中参数化量子电路（PQCs）优化的技术论文。论文提出了一种名为“门冻结”（Gate Freezing）**的新方法，旨在提高无梯度优化器（Gradient-Free Optimizers）的收敛速度和资源利用效率。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：参数化量子电路是变分量子算法的核心，广泛应用于量子化学、组合优化和量子机器学习。然而，在当前的含噪声中等规模量子（NISQ）设备上，PQC 的优化面临巨大挑战。
主要挑战：
- 噪声与退相干：硬件误差影响优化精度。
- ** barren plateaus（ barren 高原）**：在深度电路中，梯度消失导致优化极其困难（尽管本文不旨在解决此问题，但承认其存在）。
- 资源浪费：在优化过程中，许多参数在早期迭代后变化极小，但传统优化器仍对所有参数进行全量更新，导致计算资源（如量子线路执行次数/Shot 数）的浪费。
核心痛点：现有的无梯度优化器（如 Rotosolve, Fraxis, FQS）缺乏一种机制来识别哪些参数已经“收敛”并停止对其优化，从而将资源集中在那些尚未优化的参数上。

2. 方法论 (Methodology)

论文提出了一种门冻结策略，通过监测参数在连续迭代间的变化量来决定是否“冻结”某个量子门（即暂停对该门的优化）。

A. 冻结机制的核心逻辑

距离度量：计算当前迭代参数 $\theta_{new}$ $θ_{n e w}$ 与上一次迭代参数 $\theta_{prev}$ $θ_{p r e v}$ 之间的距离 $D$ $D$ 。
- 基于参数的距离：
  - 对于 Rotosolve（角度参数）：考虑 $(-\pi, \pi]$ 的循环边界，计算最小角度差。
  - 对于 Fraxis（旋转轴）和 FQS（四元数）：在球面上计算测地线距离（Great Arc Distance），并考虑四元数 $q$ 和 $-q$ 代表相同旋转的对称性。
- 基于矩阵范数的距离（更通用）：
  - 利用 Frobenius 范数 $\|U - V\|_F$ 衡量优化前后单量子门酉矩阵的变化。
  - 通过调整全局相位，使距离度量归一化到 $[0, 1]$ 区间，与希尔伯特空间维度无关。
冻结阈值 ( $T$ )：如果参数变化距离 $D < T$ ，则认为该门已收敛，将其“冻结”。
冻结迭代数 ( $\kappa$ )：被冻结的门将在接下来的 $\kappa$ 次迭代中不被优化。
增量冻结策略 (Incremental Gate Freezing)：
- 引入动态机制：每当一个门被冻结，其对应的冻结迭代计数 $\kappa_d$ 增加 1。
- 目的：对持续变化微小的门施加越来越长的冻结惩罚，从而将更多的优化资源（计算预算）重新分配给那些变化较大、尚未优化的“困难”门。

B. 适用的优化器

该方法被集成到三种主流的无梯度单量子门优化器中：

Rotosolve：优化旋转角度。
Fraxis：优化固定角度下的旋转轴。
FQS (Free-Quaternion Selection)：优化四元数表示的旋转。

3. 主要贡献 (Key Contributions)

提出门冻结算法：首次将深度学习中的“层冻结”（Layer Freezing）和微调思想引入变分量子电路优化，通过动态资源分配提升效率。
通用距离度量：不仅提出了基于参数值的距离，还提出了基于矩阵范数的通用距离度量，使其适用于任意 $n$ 量子比特门，而不仅限于单量子比特门。
增量冻结机制：设计了动态调整冻结时长的算法，自动识别并惩罚那些长期停滞的参数，优化资源分配。
广泛的实验验证：在多种模型（海森堡模型、费米 - 哈伯德模型）、不同电路深度（浅层到深层）以及不同噪声条件（理想模拟器、散粒噪声）下进行了全面测试。

4. 实验结果 (Results)

实验在 PennyLane 框架下使用状态向量模拟器和含噪声模拟进行。

收敛性能提升：
- Rotosolve 和 Fraxis：门冻结方法（特别是增量冻结）显著提高了收敛速度。在 5 量子比特海森堡模型中，相比基线版本，平均误差降低了近一个数量级。
- FQS：改进幅度较小且依赖于具体设置，但在某些阈值下（如 $T=0.005$ ）仍表现出更好的分布稳定性。
资源分配优化：
- 分析显示，在优化后期，大部分参数（尤其是深层电路的中间层和末层参数）的变化量极小。冻结这些门后，优化器能更专注于那些仍在剧烈变化的参数。
- 增量冻结通常优于固定冻结迭代数，因为它能自适应地延长对“顽固”门的冻结时间。
噪声鲁棒性：
- 在存在**散粒噪声（Shot Noise）**的浅层电路中，门冻结方法（特别是 Rotosolve 和 Fraxis）依然有效，能减少因噪声导致的随机游走。
- 在深层电路中加入散粒噪声时，由于 barren plateau 效应，优化难度极大，门冻结的改进有限，但并未恶化结果。
可扩展性：
- 在 6-9 量子比特的海森堡模型和随机深层电路中，增量冻结方法在相对误差上 consistently 优于基线 Rotosolve。
- 随着系统规模增大，虽然绝对误差增加，但门冻结方法保持了相对优势。

5. 意义与结论 (Significance & Conclusion)

资源效率：该方法的核心价值在于资源重新分配。它不试图解决 barren plateau 的根本问题，而是通过减少对已收敛参数的冗余计算，提高了现有优化器的效率。
无需梯度：作为一种无梯度方法，它非常适合在梯度难以计算或噪声极大的 NISQ 设备上运行。
通用性：提出的矩阵范数距离度量使得该方法可以扩展到多量子比特门和其他类型的变分算法（如变分量子奇异值分解等）。
未来展望：作者指出，基于参数变化模式的分析（如哪些层或哪些门最先收敛）可以为设计更智能的优化序列（Optimization Sequence）提供指导。

总结：这篇论文通过引入“门冻结”机制，巧妙地利用了优化过程中的历史信息，解决了变分量子算法中计算资源浪费的问题。实验证明，该方法能显著提升 Rotosolve 和 Fraxis 优化器的收敛性能，特别是在噪声环境和中等规模电路中，为 NISQ 时代的量子算法优化提供了实用的工程改进方案。