DeepQuantum: A PyTorch-based Software Platform for Quantum Machine Learning and Photonic Quantum Computing

DeepQuantum 是一个开源的、基于 PyTorch 的软件平台，它独特地集成了量子电路、光子量子电路和基于测量的量子计算，以支持高效混合量子 - 经典建模、大规模张量网络模拟，以及为光子量子计算和量子机器学习设计稳健的算法。

要点

想象一下，你正在尝试建造一台复杂的机器，但你手头有三种不同的蓝图：一份用于标准电路，一份用于由光束组成的系统，还有一份用于完全依靠“检查结果”而非按下按钮来运行的机器。通常，你需要三个不同的软件程序来设计这些系统，而且它们彼此之间无法交流。

DeepQuantum 是一个全新的开源软件平台，它充当量子计算的“通用翻译器”和“超级强化车间”。它构建于 PyTorch 之上，PyTorch 是人工智能研究人员用于构建神经网络的著名工具。通过以 PyTorch 为基础，DeepQuantum 让科学家能够像当今程序员混合代码一样，轻松地将这三种不同的量子风格进行混合与搭配。

以下是该论文主张的要点分解，使用了简单的类比：

1. 量子计算的三种语言

该论文强调，DeepQuantum 是首个能够无缝连接三种不同量子数学方法的工具：

• 量子比特（标准模式）： 将它们想象成传统计算机中的“开关”，但它们可以同时处于“开”、“关”或“两者兼有”的状态。DeepQuantum 让你能够像搭建乐高结构一样，使用这些开关来设计电路。
• 光子（光束模式）： 这种方法不使用开关，而是使用光粒子。光的优势在于它不易受到噪声干扰（就像在图书馆里安静的交谈）。DeepQuantum 可以使用三种不同的“透镜”来模拟基于光的计算机：
  • 福克（Fock）： 计数单个光子（就像数弹珠）。
  • 高斯（Gaussian）： 将光视为平滑的波（就像池塘里的涟漪）。
  • 玻色（Bosonic）： 一种混合方法，用于处理非常奇怪的非标准光态。
• 基于测量的模式（“边做边查”）： 这种方法不是运行完整的电路，而是创建一个巨大的纠缠粒子“网”，然后通过测量该网的特定部分来解决问题。DeepQuantum 可以直接将标准电路设计翻译成这种“网”格式。

重大突破： 在此之前，你可能需要用一种风格设计电路，然后手动将其重写为另一种风格。DeepQuantum 自动完成这种转换，允许研究人员设计一种“混合”机器，利用所有三种风格的最佳部分。

2. “人工智能”超能力

该论文强调，这不仅仅是一个计算器；它是一个人工智能增强的工具。

• 类比： 想象一下试图调谐收音机以找到清晰的频道。过去，你必须慢慢转动旋钮并聆听。有了 DeepQuantum，由于它构建于 PyTorch 之上，它能够“感知”到应该朝哪个方向转动旋钮才能立即获得最清晰的声音。
• 重要性： 这使得软件能够自动调整量子计算机的设置，以解决诸如寻找分子最低能量态或图像分类等问题，速度要快得多。它将量子计算机视为更大的人工智能大脑的一部分。

3. “缩放”功能（大规模模拟）

模拟量子计算机极其困难，因为信息量呈指数级增长。模拟 50 个量子比特就像试图记住海滩上的每一粒沙子。

• 张量网络类比： DeepQuantum 使用了一种称为“张量网络”的技巧。想象你有一个巨大且纠缠的毛线球。与其试图握住整个球，不如将其切割成更小、更易于管理的环，这些环仍然相互连接。这使得软件能够在单台笔记本电脑上模拟超过 100 个量子比特的系统，前提是它们之间的连接不会过于混乱。
• 分布式类比： 如果毛线球太大，一个人无法处理，DeepQuantum 可以将工作分配给一组计算机（或一组强大的 GPU）。它就像一位指挥家，告诉每台计算机处理模拟的哪一部分，然后将结果拼接在一起。

4. 他们实际测试的内容（基准测试）

作者们不仅仅说“它很快”；他们通过具体测试证明了这一点：

• 速度： 他们将 DeepQuantum 与其他流行工具（如 PennyLane 和 Strawberry Fields）进行了比较。在涉及梯度（上述提到的“调谐”）和复杂数学函数的测试中，DeepQuantum 通常快 10 到 100 倍，尤其是在使用强大的图形处理器（GPU）时。
• 光子测试： 他们成功模拟了复杂的光基任务，例如：
  • 使用光创建"CNOT"门（一种基本逻辑开关）。
  • 模拟“高斯玻色采样”，这是一项用于证明量子计算机比经典计算机更快的任务。
  • 使用称为“时域复用”（TDM）的技术生成“团簇态”（巨大的纠缠光网），这就像发送一列车光脉冲通过一个环路，随着时间的推移构建一个巨大的结构。
• 现实世界示例： 他们展示了该软件在以下方面的应用：
  • QResNet： 一种量子版本的神经网络，使用“残差连接”（跳过层）来更好地学习，类似于现代人工智能图像识别器的工作方式。
  • MNIST 分类： 使用量子电路区分手写数字（0 和 1），准确率超过 94%。
  • 伊辛模型（Ising Model）： 模拟一个包含 45 个量子比特的磁性系统，这个规模通常是标准计算机无法处理的。

总结

简而言之，DeepQuantum 是一个软件平台，允许研究人员使用当今人工智能工程师相同的工具来设计、模拟和优化量子计算机。它的独特之处在于，它在一个地方用三种不同的“量子语言”（量子比特、光和基于测量的模式）进行交流，并且通过使用智能数学技巧并将工作分配到多台计算机上，其速度足以模拟非常大的系统。该论文声称，这使其成为人工智能辅助量子（优化量子硬件）和量子辅助人工智能（构建更好的机器学习模型）的强大工具。

技术摘要

技术摘要：DeepQuantum

问题陈述

量子计算（QC）领域面临着一个关键挑战：如何将量子优势的理论演示转化为具有实际价值的现实应用。虽然人工智能（AI）已发展成为一种变革性技术，但量子计算仍处于起步阶段，严重依赖量子处理器与经典计算机之间的协同作用，特别是在含噪声中等规模量子（NISQ）时代。现有的量子机器学习（QML）和光子量子计算软件框架往往存在局限性：

1. 碎片化：针对特定范式存在专用框架（例如，PennyLane 用于量子比特电路，Strawberry Fields 用于连续变量光子系统，Graphix 用于基于测量的量子计算），但缺乏一个能够将这些模型与原生 AI 集成相统一的平台。
2. 可扩展性：模拟大规模量子系统受到“维度灾难”的阻碍，即希尔伯特空间随量子比特数量呈指数级增长。
3. 硬件多样性：需要一个不仅支持标准量子比特模型，还支持光子量子计算（包括离散变量和连续变量）以及基于测量的量子计算（MBQC）的框架，这些对于容错架构至关重要。

方法论

作者介绍了DeepQuantum，这是一个基于 PyTorch 的开源软件平台，旨在深度集成 AI 与 QC。该框架建立在简洁性、效率、灵活性和多功能性的原则之上。其核心方法论包括：

• 统一架构：DeepQuantum 提供了三大量子计算范式的闭环集成：
  1. 基于量子比特的电路：通过 QubitCircuit 类实现。
  2. 光子量子电路：通过 QumodeCircuit 类实现，支持三种不同的后端：
     • Fock 后端：用于使用 Fock 基态或状态张量的离散变量（DV）系统。
     • 高斯后端：用于连续变量（CV）系统，通过均值向量和协方差矩阵表征高斯态。
     • 玻色子后端：用于表示为高斯函数线性组合的非高斯态（例如猫态、GKP 态）。
  3. 基于测量的量子计算（MBQC）：通过 Pattern 类实现，支持图态构建、从门基电路的转换、标准化和优化。
• AI 原生集成：利用 PyTorch，该框架将量子电路视为可微分组件。它利用自动微分、向量化并行处理和 GPU 加速，促进混合量子 - 经典模型（例如 VQE、QAOA、QML）的端到端训练和推理。
• 可扩展模拟技术：
  • 张量网络：该框架结合了矩阵乘积态（MPS）表示，在有利纠缠条件下，可在单设备上模拟大规模电路（超过 100 个量子比特）。
  • 分布式计算：分布式并行架构允许将状态向量划分到多个 GPU 和节点上，利用 PyTorch 的原生通信协议进行大规模模拟。
• 光子特定功能：该平台支持时间域复用（TDM）以生成大规模纠缠态（例如簇态），并包含用于高斯玻色采样（GBS）和酉分解（Clements 架构）的专用模块。

主要贡献

1. 首次闭环集成：DeepQuantum 是首个实现量子电路、光子量子电路和 MBQC 闭环集成的框架，能够稳健支持专用和通用光子量子算法设计。
2. 统一光子后端：它在单个 API 中实现了 Fock、高斯和玻色子后端，满足从线性光学到非高斯资源生成的多样化模拟需求。
3. 先进光子特性：该平台引入了对 TDM 光子电路的原生支持，允许模拟复杂的时序动力学（例如顺序 EPR 态生成、二维簇态制备），而无需付出高昂的内存成本。
4. 大规模能力：它通过 MPS 实现了超过 100 个量子比特的系统模拟，并支持跨多节点、多 GPU 集群的分布式模拟，显著扩展了经典量子模拟的范围。
5. 可微分光子训练：该框架提供了内置的无梯度优化器，用于光子量子电路的片上训练，并支持变分算法的自动微分。

结果与基准测试

作者通过与现有框架（PennyLane、MindQuantum、Strawberry Fields、Piquasso、Graphix 等）的全面基准测试验证了 DeepQuantum：

• 梯度和海森矩阵计算：DeepQuantum 在梯度计算效率上比 PennyLane 和 PyQPanda3 提高了一个数量级。对于海森矩阵计算，GPU 加速版本在 22 量子比特配置下，相比 PennyLane 实现了高达 100 倍的加速。
• 矩阵函数评估：在计算 Hafnians、Torontonians 和积和式（对 GBS 至关重要）时，DeepQuantum 采用了批处理方案。虽然单次实例性能可能落后于 The Walrus 等专用库，但在大批量（例如 10–1000 个实例）的高吞吐量场景中，DeepQuantum（GPU）显著优于竞争对手。
• MBQC 性能：虽然 Graphix 在模式转换方面稍快，但 DeepQuantum 在前向状态向量模拟方面显示出更优的扩展效率，为超过 20 个量子比特的电路建立了显著的性能优势。
• 应用演示：
  • QResNet：证明了量子神经网络中的残差连接增强了表达能力并缓解了 barren plateaus（ barren 平原），实现了比传统 QNN 更低的拟合误差。
  • QCNN：使用 12 量子比特量子电路，在 MNIST 二分类（数字 0 与 1）上达到了 94.33% 的测试准确率。
  • 光子应用：成功模拟了概率 CNOT 门、Clements 架构酉分解、用于图问题的 GBS，以及使用 TDM 制备 EPR 态和二维簇态。
  • 非高斯态：演示了通过迭代培育和基于 GBS 的后选择生成近似 GKP 态。
  • 大规模模拟：使用 MPS 模拟了 45 量子比特的横场伊辛模型淬火，并使用 8 块 NVIDIA A100 GPU 在 33 个量子比特上执行了分布式量子傅里叶变换（QFT）（耗时约 1 分钟）。

意义与主张

该论文将 DeepQuantum 定位为"AI for Quantum"和"Quantum for AI"的强大平台。其意义在于：

• 桥接范式：通过统一量子比特、光子和 MBQC 模型，降低了研究人员探索混合算法的门槛，并促进从 NISQ 时代实用工具向容错架构的过渡。
• 加速开发：与 PyTorch 的无缝集成使研究人员能够利用庞大的机器学习生态系统进行量子算法设计、优化和纠错。
• 可扩展性：张量网络技术与分布式计算的结合解决了目前限制大规模量子系统模拟的内存瓶颈，为验证和设计未来大规模量子硬件的算法提供了一条途径。

作者总结道，DeepQuantum 是推进量子信息处理的通用且实用的工具，未来的计划包括扩展光子组件库、增强噪声建模以及改进硬件集成接口。