On the convergence of the variational quantum eigensolver and quantum optimal control

技术摘要：变分量子特征值求解器与量子最优控制的收敛性

问题陈述
变分量子算法（VQAs），特别是变分量子特征值求解器（VQE），面临着一个根本性的挑战：如何确定经典优化程序何时收敛于全局最优解（哈密顿量的基态），而非陷入次优的局部极小值。虽然数值证据表明过参数化可以改善收敛性，但刻画“何时参数化量子电路能保证收敛至全局最优”的严格标准仍然难以捉摸。由于非凸优化景观的存在以及电路拟设（ansatz）与问题实例之间复杂的相互作用，往往会导致出现“糟糕”的局部最优解，尤其是在参数数量相对于问题维度较小时。

方法论
作者通过利用量子控制景观（quantum control landscapes）的术语和数学框架，为 VQE 开发了一种收敛理论。其核心方法是分析用于 VQE 拟设的参数化幺正变换 $U(\theta)$ 的几何特性。

1. 微分几何视角： 代价函数 $J(\theta) = \langle \psi_0 | U^\dagger(\theta) H U(\theta) | \psi_0 \rangle$ 被视为参数化映射与定义在幺正群上的代价函数的复合。代价函数对参数 $\theta$ 的梯度是通过参数化映射与幺正群上的黎曼梯度及切向量 $\Omega_j(\theta) = U^\dagger(\theta) \partial_{\theta_j} U(\theta)$ 之间的希尔伯特-施密特（Hilbert-Schmidt）内积来表示的。
2. 局部满射性（Local Surjectivity）： 作者引入了局部满射性的概念（定义 1）。如果参数化映射在每个 $\theta$ 点处，由李代数元素 $\{\Omega_j(\theta)\}$ 构成的集合能够张成特殊幺正群 $SU(d)$（或相关子群的李代数 $\mathfrak{g}$）的完整切空间，则称该参数化是局部满射的。这一条件确保了优化景观不存在“缺失方向”，即不会因为缺乏控制能力而导致梯度消失，这种现象类似于机器人学中的“万向节死锁”（gimbal lock）。
3. 临界点分析： 在假设满足局部满射性且李代数元素有界的条件下，作者证明了代价函数的临界点仅对应于全局最优解（基态）或严格鞍点。他们利用非线性稳定性理论的结果指出，只要梯度是 Lipschitz 连续的，梯度下降算法几乎处处（就勒贝格测度而言）会避开严格鞍点。
4. 拟设构建： 本文分析了常见的拟设族（$SU(d)$-门和指数乘积形式），并证明它们本质上都包含局部满射性失效的奇异点，无论是否进行过参数化。为了解决这一问题，作者构建了新的参数化方案：
   • 复合拟设（Composite Ansatz）： 一个由满射映射与限制在小定义域内的局部满射映射组成的乘积，确保了全局可达性和局部满射性。
   • 凯莱变换（Cayley Transform）： 一种使用凯莱变换的参数化方式，被证明具有 $d^2$ 个参数且满足局部满射性。

主要贡献与结果

• 定理 1（$SU(d)$ 上的收敛性）： 作者建立，如果 VQE 拟设 $U(\theta)$ 满足局部满射性且李代数元素一致有界，那么对于足够小的步长以及几乎所有的初始参数，梯度下降算法要么发散至无穷大，要么收敛至哈密顿量的基态。至关重要的是，该算法几乎不会收敛到次优的局部极小值。
• 定理 2（子群上的收敛性）： 该收敛保证被扩展到在闭李子群 $G \subset SU(d)$ 上的优化。如果拟设是局部 $\mathfrak{g}$-满射的，且哈密顿量（或初始态投影算符）位于相应的代数结构内，则算法收敛至该子群上的全局最优解。
• 定理 3（通过表示论实现的可达性）： 利用准最小表示（quasi-minuscule representations）理论，作者提供了充分条件，使得基态可以保证从特定的初始状态集（权重向量）通过子群 $G$ 实现可达。
• 在自由费米子上的应用： 该理论被应用于自由费米子哈密顿量，表明使用局部 $so(2n)$-满射参数化的 VQE 对于几乎所有初始点都会收敛到基态，前提是初始态是该表示的权重向量。
• 对常见拟设的分析： 本文证明了标准的拟设（如 $SU(d)$-门和指数乘积形式）即使在过参数化的情况下，也始终包含局部满射性失效的奇异点。具体而言，对于 $SU(d)$-门拟设，奇异点无法通过过参数化来消除。
• 构建鲁棒拟设： 作者提出了复合拟设（公式 15）和凯莱变换（公式 24）作为显式的构造方案，它们满足局部满射性，从而在理论上消除了因奇异控制而陷入次优局部极小值的风险。

意义与主张
本文声称为建立 VQA 的严格解保证迈出了“第一步”。其主要意义在于将关注点从过参数化的经验观察转向了一个几何条件——局部满射性——该条件保证了优化景观中不存在次优局部极小值。

作者强调，虽然满足局部满射性可以防止局部极小值的存在，但它并不保证梯度下降算法一定会终止（即它可能会逃逸至无穷大）。作者承认，同时确保终止和收敛至全局最优是一个非平凡问题，这可能与某些 VQE 实例的停机问题有关。因此，本文并不声称完全解决了收敛问题，而是提供了一个充分判据（局部满射性），在该判据下，假设算法收敛，则解的“质量”（即避免次优局部极小值）是有保证的。这项工作同时也指出了常见电路架构的局限性，并提供了构建能够规避这些陷阱的参数化幺正矩阵的、具有数学严谨性的具体替代方案。