⚛️ quantum physics

Symbolic Pauli Propagation for Gradient-Enabled Pre-Training of Quantum Circuits

本文引入了一种符号保利传播方法，该方法推导出了量子电路的解析梯度估计量，通过对快速增长的保利项进行受控截断，实现了如变分量子特征值求解器等变分算法的可扩展经典预训练。

原作者： Saverio Monaco, Jamal Slim, Florian Rehm, Dirk Krücker, Kerstin Borras

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

原作者： Saverio Monaco, Jamal Slim, Florian Rehm, Dirk Krücker, Kerstin Borras

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，你正在试图教一个机器人如何解开一个复杂的谜题。在量子计算的世界里，这个“机器人”就是一个量子线路，而“谜题”则是寻找问题的最优解（比如寻找分子的最低能量状态）。

通常情况下，教导这个机器人是非常缓慢且昂贵的。你必须让机器人去真实的、物理上的量子计算机（即“片上”硬件）那里，去测试它的每一个尝试。这就像是通过在车流量巨大的真实高速公路上反复驾驶来学习开车，每一次失误都会耗费大量的时间和燃料。此外，确定该往哪个方向转向（计算“梯度”）也是一场噩梦，因为这需要你一遍又一遍地反复驾驶汽车，才能看清自己是否走对了方向。

这篇论文的核心思想：“纸质地图”策略

作者们提出了一个聪明的捷径。与其在机器人离开车库之前就把它送到真实的高速公路上，不如在出发前先为整个旅程绘制一张符号化的“纸质地图”。

以下是他们的方法，通过简单的概念进行拆解：

1. 向后行走（泡利传播/Pauli Propagation）

通常，我们认为量子线路是一个向前的行进过程：你从一个状态开始，应用逻辑门，然后得到结果。
作者们使用了被称为**海森堡表示（Heisenberg representation）**的技巧。想象你正在沿着线路向后行走。我们不是让机器人向前移动，而是将“目标”（你想要测量的观测量）向后推过那些逻辑门。

类比： 想象你在纸上写下了一个特定的指令（“寻找红球”）。当你向后穿过由镜子和旋转门组成的迷宫（量子逻辑门）时，这条指令会被扭曲和倍增。当你走到起点时，原本单一的指令已经变成了一份冗长且复杂的指令清单，详细描述了根据你如何转动这些门来找到红球的方法。

2. 指数级爆炸问题

这种“向后行走”的方法存在一个问题：指令列表会呈爆炸式增长。

类比： 每当你经过一个旋转门，你的单条指令就会分裂成两条。如果你经过了20个门，你的指令清单在理论上可能会变得比宇宙中的原子数量还要多。这使得“纸质地图”变得无法阅读，也无法使用。

3. “修剪”技巧（截断/Truncation）

为了解决爆炸问题，作者引入了两个“修剪”规则，旨在将清单缩减到可控的大小，同时又不丢失重要的部分：

规则 A：“重量”切割（泡利权重/Pauli Weight）： 他们注意到，清单中的某些指令非常“重”（它们涉及许多不同部分的同时作用）。在许多量子系统中，这些“重型”指令实际上非常微弱，并不重要。因此，他们直接丢弃了这些重型指令。
规则 B：“复杂度”切割（频率/Frequency）： 这些指令还包含数学波形（正弦和余弦）。有些指令只是一个简单的波；而另一些则是数十个波组成的混乱组合。作者发现，那些极其复杂、高频的混乱组合对最终答案的贡献微乎其微。于是，他们也将这些部分切掉了。

通过应用这两项切割，他们将一份不可能处理的无限长的指令清单，变成了一份简短、易读且依然足够精确的“速查表”。

4. 结果：经典预训练

现在，不再需要使用昂贵的真实量子计算机来训练机器人，而是使用普通的经典计算机来优化这张“速查表”。

类比： 你现在可以利用这张纸质地图，在模拟器上练习驾驶。你可以在笔记本电脑上进行成千上万次的尝试，在几秒钟内就能学会最佳路线并精细调整你的转向。
回报： 一旦机器人在这种廉价、快速的模拟中完成了“预训练”，你只需要将它送到真实的量子硬件上进行最后的、快速的润色（微调）即可。这节省了大量的时间和资金。

他们证明了什么？

作者们在名为**变分量子特征值求解器（VQE）**的特定问题上测试了这种方法，该方法用于寻找一种称为 ANNNI 模型的自旋模型的基态（最低能量）。

他们模拟了一个拥有 18 个量子比特的系统（对于经典计算机来说，这已经是一个难以精确处理的规模了）。
他们展示了这种“修剪”后的符号化方法能够以极高的精度找到正确答案。
他们证明了即使进行了上述切割（修剪），误差依然极小，且该方法能很好地扩展到更大的系统。

总结：
这篇论文介绍了一种将量子线路转化为普通计算机可以理解并优化的数学公式的方法。通过智能地忽略公式中的“噪声”（即那些微小的、复杂的组成部分），他们可以在接触真实的量子计算机之前，先在笔记本电脑上完成量子模型的训练，这使得整个过程变得更加快速且廉价。

技术摘要：用于量子电路梯度增强预训练的符号化保利传播法

问题陈述
量子机器学习（QML）模型，特别是基于参数化量子电路（PQC）的模型，面临着训练效率显著下降的瓶颈。在当前的量子硬件上评估和优化 PQC 是资源密集型的，且通过解析方法（如参数移位规则）获取梯度需要与参数数量呈线性比例的电路评估次数。对于现实任务，这会导致极其漫长的训练时间。虽然存在无梯度优化器，但它们往往存在不稳定性问题，且无法消除对昂贵量子硬件的依赖。此外，随着系统规模增大，梯度呈指数级消失的“贫瘠高原”（barren-plateau）现象，使得训练深层电路变得异常困难。

方法论
作者提出了一种将量子可观测量表示为关于电路参数的显式符号解析函数的方法，该方法独立于特定的参数赋值。这是通过海森堡绘景中的**符号化保利传播（Symbolic Pauli Propagation）**实现的。

精确传播： 该方法并非在薛定谔绘景中向前演化量子态，而是在海森堡绘景中通过相似变换（ $O \to U^\dagger O U$ ）向后演化可观测量。当受限于保利基底时，非克利福德门（non-Clifford gates）会诱导一种“分支”效应，即单个保利词（Pauli word）会分裂为两个词的线性组合。这导致项的数量随电路深度呈指数级增长。
符号化表示： 不同于以往在传播过程中分配数值参数的方法，本方法在传播过程中保持参数 $\vec{\theta}$ 未赋值。因此，最终传播的可观测量是一个由正弦和余弦函数乘积加权的保利词之和构成的解析函数。
截断方案： 为了控制指数级增长的项数，作者引入了两种截断方案：
- 保利权重截断（ $w_{cut}$ ）： 丢弃非恒等算符数量超过阈值的保利词。这在局部散射系综（locally scrambling ansätze）中是有理有据的，因为研究观察到项的重要性随权重呈指数衰减。
- 频率截断（ $\nu_{cut}$ ）： 丢弃正弦/余弦因子数量（频率）超过阈值的项。由于系数是小于或等于 1 的值的乘积，高频项在统计学上极有可能具有较小的系数。
误差界限： 作者推导了权重与频率联合截断的统一误差界限。假设系数满足局部性诱导的衰减，只要衰减常数能够主导项的组合增长，近似误差就会随截断值呈指数级下降。对于梯度也建立了类似的控制。

核心贡献

符号化框架： 引入了一个符号化传播框架，可产生可观测量量的解析表达式，从而实现无需立即求助于量子硬件的基于梯度的优化。
可扩展截断： 证明了通过对保利权重和频率进行受控截断，结合合适的系综（特别是局部散射系综），可以获得即使在超越经典模拟能力的系统规模下依然准确的估计量。
经典预训练： 提出了一个“经典预训练”工作流，即在经典硬件上使用符号代理目标函数优化 PQC，然后再在量子设备上进行微调。
理论证明： 推导了严格的误差界限（公式 7 和 8），量化了截断阈值与损失函数及梯度近似精度之间的权衡关系。

结果
该方法通过求解轴向次近邻伊辛（ANNNI）模型的基态，利用变分量子特征求解器（VQE）进行了验证。

模拟设置： 实验在 18 个量子比特的系统上进行，采用了局部纠缠系综。结果与精确对角化方法进行了对比。
准确度： 使用截断值 $w_{cut} = 8$ 和 $\nu_{cut} = 20$ 时，该方法达到了极高的准确度。传播后的 VQE 结果与精确对角化之间的相对误差极小，偏差主要出现在模型的“反相”（antiphase）区域（低磁场 $h$ ，高相互作用 $\kappa$ ），该区域的自旋构型较不规则。
收敛性： 训练曲线表明，增加截断值会导致向精确值快速收敛。值得注意的是，相对较小的频率截断（ $\nu_{cut} = 20$ ）就足以实现近乎完美的收敛，凸显了该近似法的效率。
梯度控制： 通过在截后代理目标函数上使用参数移位规则计算出的梯度，被证明能够提供对精确梯度景观的可控近似。

意义与主张
本文声称，这种方法通过将计算负担从量子硬件转移到经典模拟，实现了更大规模量子系统的可扩展训练。通过推导符号表示，作者促进了一种计算高效的梯度增强预训练形式。

作者认为，尽管该方法对于可表示为可观测量期望值（如 VQE）且具有良好传播特性的系综（如局部散射系综）特别有效，但在处理需要传播大量可观测量量的生成式任务时可能会面临挑战。这项工作表明，只要截断假设成立，该框架可以扩展到经典上难以模拟的系统规模。未来的研究方向包括将该方法应用于非模拟电路，并扩大其在其他 QML 问题类别中的适用范围。