Genetic optimization of ansatz expressibility for enhanced variational quantum algorithm performance

这是一份关于论文《Genetic optimization of ansatz expressibility for enhanced variational quantum algorithm performance》（基于遗传优化的 Ansatz 可表达性以增强变分量子算法性能）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
变分量子算法（VQAs），如变分量子本征求解器（VQE）和量子近似优化算法（QAOA），被认为是含噪声中等规模量子（NISQ）时代最有前景的算法框架。它们采用混合量子 - 经典架构，利用经典优化器调整量子电路参数。

核心挑战：
VQA 的性能高度依赖于**Ansatz（变分量子电路结构）**的设计。Ansatz 设计面临一个关键的权衡（Trade-off）：

• 可表达性 (Expressibility)： 电路需要足够深、参数足够多，以覆盖希尔伯特空间并逼近目标态（如分子基态）。
• 可训练性 (Trainability)： 电路不能太深或参数太多，否则会导致“ barren plateaus"（ barren 平台，梯度消失）现象，且受限于 NISQ 设备的噪声积累，导致难以收敛。

现有方法的局限性：

• 固定 Ansatz： 如 UCCSD（单元耦合簇），虽然化学精度高，但电路深度随系统规模呈 $O(n^3)$ 增长，难以扩展。
• 自适应 Ansatz： 如 ADAPT-VQE，虽然电路较浅，但每次迭代都需要计算大量算符的梯度，经典计算开销巨大。
• 自动搜索方法： 现有的量子架构搜索（QAS）方法（如强化学习、预测器模型）通常计算成本高昂，且往往针对特定问题设计，缺乏通用性。

本文目标：
开发一种与问题无关（problem-agnostic）、可扩展的 Ansatz 设计框架，能够生成高可表达性、浅层深度且参数数量少的电路，并能在不同哈密顿量之间复用，避免重复的搜索过程。

---

2. 方法论 (Methodology)

作者提出了一种受**遗传算法（Genetic Algorithm, GA）**启发的框架，用于自动进化出最优的量子电路结构。

2.1 核心流程

该框架将量子电路视为“个体”，通过进化操作（选择、交叉、变异）来优化电路的可表达性。

1. 编码 (Representation)：

   • 每个个体是一个量子电路，由按层排列的量子门序列组成。
   • 基因（Gene）包括单量子比特门（$R_X, R_Y, R_Z, H$）和双量子比特门（CNOT），以及相应的参数。
   • 支持多种门集合（Gate Sets）配置，包括是否限制 CNOT 仅在相邻量子比特间作用。

2. 初始化 (Initialization)：

   • 随机生成一定数量（Population Size）的电路，深度固定，门从预定义集合中随机选择，参数在 $[0, 2\pi]$ 均匀采样。

3. 适应度评估 (Fitness Evaluation)：

   • 指标： 使用基于保真度（Fidelity）的Jensen-Shannon 散度 (JSD) 来衡量可表达性。
   • 原理： 随机采样两组参数生成量子态，计算它们之间的保真度分布。将该分布与希尔伯特空间上的 Haar 随机分布进行比较。
   • 目标： JSD 值越低，表示电路生成的态分布越接近 Haar 随机分布，即可表达性越高。

4. 进化操作 (Evolutionary Operators)：

   • 选择 (Selection)： 根据 JSD 分数（越低越好）对个体排序，选择表现最好的前 $k$ 个作为父代。
   • 交叉 (Crossover)： 采用单点或多点交叉，将父代电路的层（Layer）进行重组，生成子代。
   • 变异 (Mutation)： 以一定概率随机替换子代中的门（如将 $R_X$ 替换为 $R_Y$）或交换 CNOT 的控制/目标比特，以维持种群多样性。

5. 迭代与输出：

   • 重复上述过程若干代（实验表明 10 代即可收敛），最终输出具有最大可表达性的电路结构。

2.2 关键策略：深度感知与通用性

• 深度感知优化： 框架在固定深度约束下寻找最优配置，平衡门效率与可表达性。
• 一次设计，多次复用： 进化出的电路结构不针对特定哈密顿量设计。一旦生成，该 Ansatz 可直接用于不同的分子或自旋系统，仅需重新优化经典参数，无需重新运行遗传算法。

---

3. 主要贡献 (Key Contributions)

1. 提出 GA 驱动的 Ansatz 设计框架： 首次系统性地利用遗传算法在固定深度约束下搜索高可表达性的量子电路，解决了传统方法在可表达性与可训练性之间的权衡难题。
2. 发现门集合与可表达性的关系： 通过对比 9 种不同的门集合（Gate Sets A-I），发现限制 CNOT 仅在相邻量子比特间作用（如 Set A, B, H）能显著提高可表达性，但同时也增加了门数量；而某些集合（如 Set E）在保持较低资源消耗的同时，在 VQE 任务中表现出最佳性能。
3. 确立最佳深度与可表达性的饱和点： 实验表明，可表达性随深度增加而提升，但在深度约为 $2n$（$n$ 为量子比特数）时达到饱和。这为设计浅层电路提供了理论依据。
4. 实现问题无关的通用 Ansatz： 证明了同一个进化出的 Ansatz 结构可以成功应用于多种分子（$H_2, LiH, BeH_2, H_2O$）和自旋模型（TFIM），且无需针对每个新问题重新搜索架构。
5. 显著降低资源开销： 相比 UCCSD 和 ADAPT-VQE，GA 生成的 Ansatz 在保持竞争力的精度的同时，大幅减少了电路深度（例如 LiH 从 1400+ 层降至 48 层）。

---

4. 实验结果 (Results)

4.1 基准测试：分子哈密顿量

• 测试对象： $H_2, LiH, BeH_2, H_2O$（STO-3G 基组）。
• 对比方法： UCCSD（化学启发）、ADAPT-VQE（自适应）。
• 性能表现：
  • 精度： GA Ansatz 得到的基态能量与 UCCSD 和 ADAPT-VQE 相当，误差在 $10^{-2}$ Hartree 量级。
  • 深度效率：
    • $LiH$：GA 深度 48 vs UCCSD 1423 vs ADAPT 208。
    • $H_2O$：GA 深度 48 vs UCCSD 1442 vs ADAPT 284。
  • 结论： GA Ansatz 在大幅降低电路深度的同时，保持了化学精度。

4.2 基准测试：自旋模型 (TFIM)

• 测试对象： 横向场 Ising 模型（4-12 量子比特）。
• 发现：
  • 并非所有高可表达性的门集合都能获得最好的 VQE 结果。
  • Gate Set E（包含 $R_Y, R_Z, CNOT, I$）虽然可表达性不是最高，但在 VQE 任务中收敛最快且能量误差最小。这表明可训练性（受门数量和噪声影响）与可表达性同样重要。
  • 某些高可表达性集合（如 B, H）由于门过多导致训练困难，容易陷入局部极小值。

4.3 噪声模拟

• 在模拟 IBM 后端噪声条件下，GA Ansatz（深度较浅）比 ADAPT-VQE 表现出更好的抗噪性，最终能量更接近真实基态。

4.4 计算成本

• 遗传算法的经典计算开销是一次性的（One-time cost）。一旦生成 Ansatz，后续应用于不同系统仅需经典参数优化，显著降低了总体计算成本。

---

5. 意义与影响 (Significance)

1. 解决 NISQ 时代的可扩展性瓶颈： 提供了一种生成浅层、低参数、高可表达性电路的自动化方法，使 VQA 能够处理更大规模的量子系统。
2. 重新定义 Ansatz 设计范式： 从“针对特定问题设计”转向“通用架构设计”。这种**可迁移性（Transferability）**极大地简化了量子算法的工作流，避免了为每个新分子重新进行昂贵的架构搜索。
3. 平衡艺术与科学： 揭示了可表达性与可训练性之间的微妙平衡，指出单纯追求高可表达性（更多门）并不总是最优解，资源效率（浅层、少门）对于实际硬件上的收敛至关重要。
4. 实用化前景： 该框架生成的电路结构可以直接在当前的含噪声量子硬件上运行，为量子化学模拟和凝聚态物理研究提供了更具可行性的工具。

总结：
这项工作通过引入遗传算法，成功设计出了一类**“一次进化，广泛适用”**的量子电路 Ansatz。它不仅打破了传统 Ansatz 在深度和精度上的限制，还通过实验证明了在 NISQ 设备上实现高效、稳健的变分量子计算的新路径。