⚛️ quantum physics

Discrete Flow-Based Generative Models for Measurement Optimization in Quantum Computing

本文介绍了一种生成式流网络（GFlowNet）算法，该算法通过采样奖励驱动的解来平衡采样次数与门复杂度，从而优化非重叠哈密顿分组，进而为进一步降低测量成本和双比特门需求的重叠方法提供更优的初始化。

原作者： Isaac L. Huidobro-Meezs, Jun Dai, Rodrigo A. Vargas-Hernández

发布于 2026-06-26

📖 1 分钟阅读🧠 深度阅读

原作者： Isaac L. Huidobro-Meezs, Jun Dai, Rodrigo A. Vargas-Hernández

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

想象一下你正在试图解决一个巨大且极其复杂的谜题。在量子计算的世界里，这个谜题就是计算一个分子（比如一个微小的化学引擎）的能量。为了解决它，量子计算机需要“测量”分子的不同行为部分。

然而，有一个巨大的问题：测量瓶颈（The Measurement Bottleneck）。

把量子计算机想象成一个非常害羞、容易分心的摄影师。为了获得分子的清晰图像，摄影师必须拍摄数千张照片（称为“采样次数”或“shots”），因为图像往往是模糊或带有噪声的。如果你需要拍摄一百万张照片才能得到一个清晰的结果，那么这个过程即使对于最先进的计算机来说也会变得过于缓慢且昂贵。

旧的方法：“贪婪”的组织者

为了解决这个问题，科学家们尝试将谜题的碎片组合在一起。如果两个碎片“相处融洽”（它们是对易的，即不会互相干扰），它们就可以同时被测量。这减少了所需拍摄的照片数量。

执行这种标准方法的做法就像是一个派对上的**“贪婪”组织者**。这个组织者观察每一位宾客（即谜题碎片），并将他们放入第一个可以容纳他们的组别中。这种方法很快，但往往会导致混乱的安排。它可能会把10个人放进一个组，而实际上可以将他们分成两个更高效的小组。它会陷入“局部最优解”——一个不错但并非最好的解。

新的方法：“创意探索者”（GFlowNets）

这篇论文介绍了一种使用被称为 GFlowNets（生成流网络）的新方法。

不像一个只会寻找第一个可用位置的贪婪组织者，想象一下一个拥有整个派对地图的创意探索者。这个探索者不仅仅是在寻找一种好的座位安排；他们在探索许多种不同的安排，以找到那些真正最好的方案。

以下是论文中的方法是如何运作的，使用了简单的类比：

着色游戏： 科学家们将分子的数学问题转化为一个图（由线条连接的点组成的图形）。目标是为这些点“着色”，使得任何两个相连的点颜色都不相同。每种颜色代表一组可以同时进行的测量。
奖励机制： 探索者被赋予了一个“计分卡”（奖励函数）。他们会因为以下行为获得积分：
- 拍摄更少的照片（更少的测量次数）。
- 使用更少的组别（更少的电路运行次数）。
- 减少复杂的“双比特门”（two-qubit gates，它们像是游戏中难度较高、易出错的动作）。
在实践中学习： 与只计算一次答案的计算机不同，这个模型通过尝试数千种不同的着色模式来进行学习。它学习到某些模式会导致更高的得分。至关重要的是，它不仅仅是找到一个完美的答案；它能找到一系列多样化的高分答案。

为什么这很重要（论文的观点）

作者在几个小分子（如氢、氢化锂和水）上测试了这个“创意探索者”。以下是他们的发现：

更好的起点： 探索者创建的组别比标准“贪婪”方法创建的组别更好。
“双重收益”效应： 论文表明，如果你将探索者找到的组别作为其他高级方法（称为“重叠方法”）的起点，你会得到更好的结果。
- 结果： 与标准方法相比，这种方法平均减少了 19% 的测量次数。在某些情况下，减少幅度高达 38%。
灵活性： 最棒的部分是你可以告诉探索者你最看重什么。
- 如果你想节省时间，你可以告诉它优先考虑更少的测量次数。
- 如果你的计算机容易出错，你可以告诉它优先考虑更少的复杂动作（双比特门），即使这意味着要多拍一些照片。
- 论文表明，追求节省时间的“最佳”方案并不总是减少错误动作的“最佳”方案。探索者能帮你清晰地看到这些权衡。

局限性（论文所述）

论文诚实地指出了面临的挑战：

复杂度： 随着分子变大，图变得更加拥挤，探索者很难在不产生混乱的情况下找到有效的安排。
训练时间： 探索者需要尝试非常多次的模式才能学会最佳方案。对于非常大的系统，这需要大量的计算能力。
特定的范围： 目前的结果仅限于特定类型的分组（称为“完全对易”或“比特对易”）以及特定的微小分子。论文并未声称这适用于所有量子问题，但它证明了该概念在所测试的问题上是行之有效的。

核心结论

这篇论文提出了一种组织量子测量的新方法。它没有使用一种僵化的、循序渐进的规则（这种规则往往会错过最优解），而是使用了一个智能的生成模型来探索多种可能性。它找到的安排既能节省时间，又能减少误差，并提供了一种灵活平衡不同成本的方式，最终使量子模拟变得更加高效。

技术摘要：用于量子计算测量优化的离散流式生成模型

问题陈述
在量子模拟（特别是变分量子特征值求解器 VQE 框架）中，实现化学精度目前受到“测量瓶颈”的限制。估计分子哈密顿量的期望值需要极大量的测量次数（shots）。在含噪声中型量子（NISQ）设备上，由于有限的电路保真度和误差缓解带来的开销，这一成本会被进一步放大。

目前的减小测量开销的策略依赖于将哈密顿量项（泡利词）分组为可同时测量的碎片。这些方法通常涉及两个阶段：

非重叠分组： 将哈密顿量划分为不相交的集合（例如，全交换 FC 或量子比特级交换 QWC）。这通常通过应用于图着色问题的贪婪启发式算法（如排序插入法 SI 或递归最大优先法 RLF）来实现。
重叠分组： 使用迭代系数拆分（ICS）等技术对这些初始划分进行细化，以进一步减少测量次数。

然而，现有方法面临显著局限性：

单一目标关注： 大多数方法优化单一指标（例如最小化测量方差），并且往往收敛到单个局部最优解，忽略了解空间的多元性。
忽视电路成本： 标准的分组算法并未显式考虑由此产生的电路编译成本，例如双量子比特门（CNOT）的数量或电路深度，而这些对于 NISQ 性能至关重要。
初始化敏感性： 最终重叠分组（如 ICS）的质量高度依赖于初始的非重叠分组。贪婪启发式算法可能会提供次优的起点，从而限制后续优化过程的潜在收益。

方法论
作者提出了一种使用 生成式流网络（GFlowNets） 将哈密顿量分组视为生成式搜索问题的新颖方法。GFlowNets 不仅仅是寻找单个最优解，而是学习一种策略，以与用户定义的奖励函数成比例的方式采样一组多样化的高质量分组。

图表示： 该问题被映射为图着色问题。构造哈密顿量交换图的补图，其中节点代表泡利词，边连接非交换项。有效的分组对应于该图的一个有效着色（相邻节点不会共享相同颜色）。
GFlowNet 架构： 作者采用带有边特征的图同构网络（GINE）来参数化前向和后向转移概率。模型按顺序为节点分配颜色，并遵守有效性约束（通过掩码屏蔽掉与邻居共享颜色的无效动作）。
奖励函数： 其核心创新在于奖励函数 $R(x)$ 的灵活性，该函数定义为三个组成部分的加权和：
1. 测量成本 ( $R_M$ )： 与达到目标精度（例如 1 mHa）所需的估计测量次数成反比，通过碎片的方差计算得出。
2. 分组惩罚 ( $R_G$ )： 一个正则化项，惩罚过多的不同分组（电路）数量。
3. 双量子比特门计数 ( $R_{N2q}$ )： 用于编译 FC 分组测量电路所需的双量子比特门总数的倒数。
该奖励函数对动作是不可微的，这使得能够包含难以通过标准梯度下降法优化的硬件特定指标（如门计数）。
训练目标： 模型使用 轨迹平衡（Trajectory Balance, TB） 目标进行训练，该目标强制执行整个轨迹的流守恒。这实现了高效的信用分配，通过单步操作即可将奖励信号传播回整个序列的着色步骤，而非逐步进行。

核心贡献

用于哈密顿量分组的 GFlowNets： 本文首次将 GFlowNets 应用于测量问题，将哈密顿量分组建模为图上的序列着色任务。
多目标优化： 该框架能够通过复合奖励函数同时优化测量次数、电路数量和双量子比特门计数，捕捉到了单一目标启发式算法所忽略的权衡关系。
优化的初始化方案： 作者证明，由 GFlowNets 生成的非重叠分组相比于标准的排序插入法（SI），能为重叠技术（特别是 ICS）提供更优的初始化。
硬件感知灵活性： 该方法允许直接在采样过程中纳入非微分的、硬件特定的约束（如双量子比特门计数）。

结果
作者在通过 Jordan-Wigner (JW) 和 Bravyi-Kitaev (BK) 变换映射的基准分子哈密顿量（H2, H4, LiH, BeH2, H2O, N2）上评估了其方法。

测量减少： 对于 FC 分组，GFlowNets（特别是 GINEw 架构）始终能找到比 SI 和 RLF 基准具有更低估计测量成本的非重叠分组。
初始化增益： 当用于初始化 ICS 算法（GFN-ICS）时，与 SI 初始化的 ICS（SI-ICS）相比，GFlowNet 生成的分组在 JW 映射的哈密顿量上实现了 平均 19% 的测量成本降低，最高降幅达 38%。
双量子比特门减少： 通过优化包含双量子比特门计数的复合奖励，该方法识别出了能显著减少 CNOT 数量的分组（例如，对于 H4 减少了超过 100 个门），同时保持了具有竞争力的测量估计值。
帕累托前沿探索： 采样过程揭示了多样化的帕累托解集。研究发现，具有最低非重叠测量估计值的分组并不总是 ICS 的最佳初始化。保留来自帕累托前沿的一组候选方案，相比于仅选择单个最佳非重叠候选方案，可使下游 ICS 的性能额外提升 12–15%。
QWC 挑战： 对于量子比特级交换（QWC）分组，由于图神经网络（GNN）在稠密图上的“邻居爆炸”问题，该方法在处理较大分子（如 H2O）时表现挣扎，导致其采样效率和有效图生成率低于 FC 分组。

意义与主张
本文声称，GFlowNets 为量子测量优化提供了一种原则性的、灵活的替代方案，优于传统的贪婪启发式算法。其主要意义在于能够：

探索解空间： 与容易陷入单一模式的强化学习（RL）智能体不同，GFlowNets 生成的是多样化的高奖励解集，允许研究人员分析测量成本与电路复杂度之间的权衡。
集成硬件约束： 该框架自然地容纳了硬件特定指标（如双量子比特门计数），这些指标在标准分组算法中通常被忽略。
提升下游性能： 生成的非重叠分组作为更好的“热启动”方案，为重叠优化技术提供了实质性的资源需求削减，从而优化了 VQE 的执行。

作者谦逊地指出，尽管其结果在特定基准测试中表现出色，但扩展到更大规模的系统仍需解决 GNN 可扩展性和轨迹长度的问题。他们建议，生成的模型可以作为未来在更广泛的泡利群上训练的可迁移模型的初始化。本文将 GFlowNets 定位为处理量子计算中复杂设计问题的强大工具，实现了生成式建模与领域特定约束的统一。