Who can compete with quantum computers? Lecture notes on quantum inspired… — 通俗解释

以下是关于论文《谁能与量子计算机竞争？量子启发式张量网络讲义》的解释，已将其翻译成简单易懂的日常语言，并使用了类比。

核心思想：那座“不可能”的图书馆

想象你拥有一个拥有 $2^{50}$ 本书的图书馆（这比你体内的原子数量还要多）。量子计算机是一台旨在极速翻阅这些书籍的神奇机器。然而，有一个限制：你不能同时阅读整个图书馆。你一次只能窥视一本书（即一个“样本”）。

这篇论文提出了一个挑衅性的问题：一台普通的、传统的计算机（经典超级计算机）能否完成这个神奇量子机器的工作？

通常情况下，答案是“不”，因为图书馆太大，无法装入内存。但作者认为，这些“图书馆”中许多都隐藏着一个秘密：它们并不是真正的随机混沌。它们具有简单的、重复的结构，就像分形或某种模式一样。如果你知道了这种模式，你就不需要存储每一本书，你只需要存储如何构建它们的指令。

这篇论文教你如何使用一种叫做**张量网络（Tensor Networks）**的工具来寻找这些模式。

主要工具：“乐高”方法（张量网络）

作者引入了一种名为张量网络的数学技术。把一个巨大的、复杂的 3D 物体（比如一座宏伟的雕塑）想象成一个代表量子态的对象。

问题： 试图一次性描述整个雕塑需要数十亿个数字。
解决方案（张量网络）： 与其描述整个物体，不如将其分解为许多小的、简单的乐高积木。
- MPS（矩阵乘积态）： 这些就像一长串连接在一起的乐高积木。每个积木都与下一个连接。如果雕塑不是太“扭曲”（纠缠），你只需用几块小积木就能重建整个物体。
- MPO（矩阵乘积算符）： 这些就像乐高说明书或工具，告诉你在如何改变雕塑（例如量子电路中的门操作）。
  作者展示了对于许多问题，你并不需要那数十亿个数字组成的图书馆。你只需要那条乐高积木链。这使得普通计算机能够模拟量子计算机的行为，而且速度更快，占用的内存也更少。

“神奇”的学习算法 (TCI)

论文中最酷的部分之一是名为**张量交叉插值（Tensor Cross Interpolation, TCI）**的算法。

类比： 想象你正在试图猜测一座隐藏的山脉的形状。你看不见全貌，但你可以询问向导：“这个特定位置的高度是多少？”
工作原理： TCI 不会询问每一个点（那样会耗时太久），它是一个聪明的侦探。它只询问一些具有战略意义的点，从而推断出模式，然后填补剩余的地图。
结果： 它可以通过只观察极小比例的数据，就能学习到一个复杂函数（如波形或热分布）的形状。它将一个“黑盒”问题转化为了可以用计算机轻松处理的 MPS（乐高指令集）。

“量化”（Quantics）技巧：放大与缩小

论文引入了一个用于求解物理方程（如热扩散或波动）的概念——Quantics。

类比： 想象一张国家的地图。通常，你会同时观察整个国家。但如果你可以同时对一个城市、一条街道、甚至一栋房子进行缩放呢？
技巧： 作者用二进制（0 和 1）来表示数字。第一个位（bit）告诉你是在国家的左侧还是右侧（大尺度）；下一个位告诉你是在该侧的北边还是南边（中尺度）；最后一个位告诉你是在你家左边还是右边（微观尺度）。
为什么有效： 通过这种方式排列数据，计算机可以发现“大尺度”的变化和“微观尺度”的变化通常是相互独立的。这使得“乐高链”（MPS）变得非常短且易于计算。
结果： 他们可以在一台普通的笔记本电脑上，求解网格规模高达数万亿个点的方程。普通的计算机在尝试持有这么多点时会崩溃，但通过“Quantics”乐高技巧，可以将数据压缩到可处理的程度。

“量子霸权”的现实检验

论文讨论了著名的“量子霸权”（Quantum Supremacy）实验（即公司声称其量子计算机完成了经典计算机无法完成的任务）。

论文观点： 作者对这些炒作持怀疑态度。他们认为这些实验的设计初衷是创造“随机噪声”（一种没有模式的混沌状态）。当然，经典计算机在模拟随机噪声时会感到吃力！
关键点： 如果量子计算机正在做有用的事情（比如模拟化学反应或特定的材料），那么其状态通常具有丰富的结构。论文表明，利用这些乐高技术，经典计算机实际上可以非常好地模拟那些有用的量子态。
结论： 量子计算机并不是解决所有问题的魔杖。它是一个特定的工具。如果问题具有“低秩”（low-rank）结构（即简单的乐高模式），经典计算机通常可以胜过量子计算机。

他们做了什么（总结）

教授基础知识： 如何将巨大的数学问题分解为细小且相互连接的部分（张量网络）。
展示如何模拟量子计算机： 他们在普通笔记本电脑上构建了一个“虚拟”量子计算机，只要电路不是过于混沌，该设备可以处理数百个量子比特。
引入学习工具 (TCI)： 一种让计算机仅通过窥视少量数据点就能学习问题形状的方法。
解决现实世界的物理问题： 他们使用这些工具，在通常情况下无法处理的巨大网格上，解决了复杂的方程（如热流和波动方程），而这一切都在一台标准工作站上完成。

底线

这篇论文声称，经典计算机并没有被判死刑。 只要问题具有某种潜在的结构（大多数有用的科学问题都是如此），我们就可以使用“张量网络”来压缩数据并解决问题。我们并不总是需要量子计算机来承担重任；有时，一个聪明的经典算法可以与之竞争，甚至反超。

技术摘要：“谁能与量子计算机竞争？关于量子启发式张量网络计算技术的讲义”

问题陈述
本文探讨了模拟量子系统以及解决随系统规模呈指数级增长（对于 $N$ 个量子比特，为 $2^N$ ）的高维线性代数问题的根本挑战。虽然量子计算机在理论上能够操纵这些指数级巨大的状态空间，但经典超级计算机无法存储 $N \gtrsim 50$ 的全波函数。然而，作者指出，许多具有物理意义的状态拥有内在的数学结构，允许进行高效的经典表示。核心问题在于识别并利用这些结构——特别是低秩特性——来进行矩阵-向量乘法、求解特征值问题以及模拟动力学，而无需显式存储完整的指数级对象。这些讲义旨在将张量网络算法从其传统的多体物理语境中解构出来，将其作为处理大规模矩阵和向量的通用线性代数工具进行展示。

方法论
本文介绍了一套基于矩阵乘积态 (MPS) 和 矩阵乘积算符 (MPO) 的综合算法。这些是张量网络表示形式，通过将指数级大的向量和矩阵分解为由虚拟索引（键维数）连接的一系列小型局部张量。

精确仿真： 作者首先确立了量子线路即张量网络。他们描述了精确仿真策略：
- 全状态模拟器： 分配一个大小为 $2^N$ 的向量并顺序应用门。其内存消耗随 $N$ 指数级增长 ( $O(2^N)$ )，但在门数量上呈线性缩放。
- 精确 MPS 模拟器： 将状态表示为 MPS。对于具有有限纠缠度的电路（例如作用于积态上的最近邻门），其规模随 $N$ 呈线性缩放，并随电路深度呈多项式缩放，前提是键维数 $\chi$ 保持较小。
压缩与近似： 为了处理更大的系统，讲义引入了通过奇异值分解 (SVD) 实现的低秩压缩。
- 规范形式 (Canonical Form)： 一种规范选择，其中张量是等距映射（isometries），从而可以直接从中心张量的奇异值中读取纠缠熵。
- TEBD (时间演化块减缩)： 一种用于量子电路的算法，通过应用门并利用 SVD 进行截断，以保持固定的键维数 $\chi$ 。这引入了由丢弃的奇异值所控制的误差。
- DMRG (密度矩阵重整化群)： 在此处被改编用于量子电路和哈密顿量对角化。它通过一次优化一两个张量来最小化能量（针对哈密顿量）或最大化保真度（针对电路），并在系统中进行“扫掠”（sweeping）直至收敛。
学习与构建 (TCI)： 方法论的很大一部分致力于张量交叉插值 (Tensor Cross Interpolation, TCI)。与需要访问完整张量的传统方法不同，TCI 是一种主动学习算法，通过在特定索引处查询函数 $F(\sigma)$ 来构建 MPS/MPO 表示。
- 它利用交叉插值 (CI) 和 部分秩显式 LU (prrLU) 分解来选择“枢轴”（pivots，即行和列），通过最大化行列式（maxvol 原理）来确保选定的切片能够捕捉到矩阵的核心信息。
- 这使得将任意函数（例如积分器、势函数）转换为 MPS/MPO 格式成为可能，而无需预先了解其张量结构。
“量化 (Quantics)”表示： 作者引入了一种特定的离散化方案，其中连续变量 $x$ 被映射为二进制位串。这种“量化”表示允许将连续变量的函数视为 MPS。
- 他们提供了微分算子（微分、积分、拉普拉斯算子）、卷积以及量子傅里叶变换 (QFT) 的解析 MPO 构建方法。
- 至关重要的是，QFT 被证明是一个低秩 MPO（对于机器精度，秩 $\chi \approx 15$ ），能够在具有 $2^N$ 个点的网格上实现“超快速”傅里叶变换。

核心贡献

张量网络的泛化： 讲义将 MPS 和 MPO 重新定义为不仅限于凝聚态物理工具，而是作为指数级大向量和矩阵的通用线性代数求解器。
算法工具箱： 文献提供了详细的逐步推导过程，包括：
- 从 MPS 中采样（通过贝叶斯链式法则进行精确采样）。
- MPS/MPO 的加法与乘法。
- 使用 MPS 求解线性方程组 ($Ax=b$)。
- 解析地构建微分算子和 QFT 的 MPO。
TCI 作为桥梁： 论文将 TCI 定位为关键的桥梁，允许将非张量网络问题（如偏微分方程）映射到张量网络框架中。
用于 PDE 的 Quantics： 作者展示了如何结合 TCI 和低秩 MPO，利用 quantics 表示法，在标准工作站上解决具有 $2^{30}$ 到 $2^{40}$ 个点的网格上的偏微分方程 (PDE) 问题。

结果
论文通过以下具体应用说明了这些方法：

量子电路模拟： 对比显示，对于低纠缠电路（如 GHZ 态生成），精确 MPS 模拟器的规模约为 $\sim N^2$ ，而全状态模拟器的规模约为 $\sim N 2^N$ 。
随机电路与保真度： 对随机量子电路（类似于“量子优越性”实验）的模拟表明，保达度随电路深度呈指数级衰减，且受键维数控制。这表明，即使对于较大的 $N$ ，如果误差率（或有效键维数）足够低，张量网络仍能模拟该系统。
PDE 解法：
- 积分： 使用 TCI 计算一个 10 维振荡积分，其收敛速度为 $\sim 1/N_{eval}^4$ ，显著优于存在符号问题且规模为 $1/\sqrt{N_{eval}}$ 的蒙特卡洛方法。
- 热传导方程： 利用低秩 QFT MPO，在仅需几秒钟的时间内，在笔记本电脑上解决了具有 $2^{30}$ 个点（一万亿个点）网格的热传导方程。
- Gross-Pitaevskii 方程： 在准周期势能下对该非线性方程进行了模拟，每维网格点数为 $2^{20}$ ，展示了处理极大幅度长度尺度的能力。

意义与主张
作者声称，这些“量子启发式”技术通过利用使量子态变得可处理的相同底层数学结构（低纠缠/低秩），直接与量子计算机的能力相抗衡。

重构量子优越性： 论文认为，“量子优越性”实验通常针对的是难以模拟但可能缺乏物理相关性的随机、混沌状态。相反，许多有用的量子算法和物理系统都具有允许经典张量网络高效模拟的结构。
I/O 瓶颈： 作者强调，量子计算机面临“I/O 瓶颈”（仅输出 $N$ 比特的概率信息），而张量网络可以提供完整的波函数或高精度积分。
未来展望： 作者认为，张量网络和 TCI 将在量子计算的未来发挥关键作用，它们可以作为将问题输入映射为张量网络格式，进而编译成量子电路的接口。作者强调，虽然张量网络功能强大，但它们并非万能药；它们依赖于低秩结构的存在，而这种结构并非所有问题都具备。

总之，本文作为一份教学与技术指南，证明了经典的张量网络算法（特别是辅以 TCI 和 quantics 表示法时）对于广泛的高维问题，提供了一种稳健、可扩展且通常更优的替代方案，有效地挑战了对特定任务必须使用量子硬件的必要性。

Who can compete with quantum computers? Lecture notes on quantum inspired tensor networks computational techniques