Fair sampling with temperature-targeted QAOA based on quantum-classical correspondence theory

本文提出了 SBO-QAOA，一种基于量子-经典对应理论的温度靶向量子算法，该算法通过收敛至均匀吉布斯分布来实现对简并基态的公平采样，从而克服了即使在变分参数极少的情况下标准 QAOA 所固有的偏差。

要点

大问题：寻找“公平”的获胜者

想象一下，你正在举办一场竞赛，旨在寻找一个复杂谜题的最佳解。在许多情况下，并不存在唯一的完美答案；而是存在好几个同样完美的答案。我们称这些为“简并基态”（degenerate ground states）。

在现实世界中，如果你有五支不同的队伍并列第一，你会希望随机挑选其中一支，这样就不会让任何一支队伍感到不公平。这被称为公平采样（fair sampling）。你希望计算机以相等的概率选择 A 队、B 队或 C 队，而不是仅仅因为计算机的工作方式就偏袒其中某一个。

问题在于，目前解决这类谜题的主流量子计算方法（称为 QAOA）有点像一个带有偏见的裁判。随着计算机进行更深层的计算（增加“电路深度”），它会开始无意识地偏向某些特定的获胜队伍，尽管这些队伍在数学上是完全平等的。它不再保持公平。

旧方法 vs. 新方法

研究人员 Tetsuro Abe 和 Shu Tanaka 研究了如何修复这个问题。

• 旧方法（标准 QAosa）： 这就像是在尝试寻找山谷的底部。计算机使用一种标准的“摇晃”工具（横场混合器）来帮助球滚向谷底。问题在于，这种摇晃工具会将球推向谷底的特定位置，从而忽略了其他同样深邃的位置。这就像一阵只朝一个方向吹的风，把球推向谷底的一侧。
• 新方法（SBO-QAOA）： 研究人员并没有改变“摇晃”工具，而是决定改变山谷本身的形状。他们利用了一种基于“量子-经典对应关系”的巧妙数学技巧。

创意类比：目标温度图谱

想象你想模拟一间屋子里人群的状态。

• 标准 QAOA 就像是试图让所有人坐到那把最舒服的椅子上。这虽然有效，但它会强迫所有人挤在一个点，或者导致它偏向某一把椅子而非其他椅子。
• SBO-QAOA 则像是设定房间的温度。
  • 如果房间很冷（低温），每个人都想坐在最顶级的座位上。
  • 如果房间很暖和（高温），人们会更加放松并散开，以符合其舒适度分布的概率坐在各种好的座位上。

研究人员设计了一种新的“地图”（称为 SBO 哈密顿量），将这种温度概念直接编码进量子计算机的规则中。计算机不再仅仅寻找单一的最低能量点，而是被编程为自然地趋向于一种分布，看起来就像一个温暖的房间，在那里，每个人都有相等的机会坐在任何一个“最佳”座位上。

他们做了什么（实验）

为了测试这一点，他们使用了一个仅包含 5 个自旋（就像 5 个微型磁铁）的微型“玩具模型”。这个模型被设计为拥有六个同样优秀的解决方案（即六路平局）。

他们运行了两种类型的模拟：

1. 标准 QAOA： 他们增加了计算的复杂度（电路深度），以观察它是否能找到获胜方案。
2. SBO-QAOA： 他们使用了这种全新的“目标温度”图谱。

结果

• 标准 QAOA： 随着计算深度的增加，计算机非常频繁地（几乎 100% 的时间）找到了获胜方案。然而，它是偏心的。它不断选择两个特定的获胜方案，而忽略了其他四个。这个“裁判”是有偏见的。
• SBO-QAOA： 计算机大约 83% 的时间找到了获胜方案（这正是物理学在特定“温度”下所预测的结果）。至关重要的是，当它找到获胜者时，它会以相等的概率选择所有六个方案。它是完全公平的。

更棒的是，他们还测试了一个“简化版”的新方法，将计算机需要调节的设置减少到了仅有的 4 个旋钮。即使在这种简单的设置下，计算机依然保持了公平性和目标温度特性。

总结

论文声称，你不需要发明一种复杂的“摇晃”工具来获得公平的结果。相反，如果你改变计算机瞄准的目标（使用 SBO 哈密顿量），计算机就会自然而然地学会公平地挑选所有并列的获胜者，就像人们在特定温度下散落在房间里一样。

即使在保持设置简单（线性调度）的情况下，这种方法依然有效，这表明公平采样并不需要让量子计算机的电路变得过于复杂。作者指出，虽然这在小型模拟中表现出色，但下一步是如何在真实的、大规模量子机器上高效地实现它，因为这种新的“地图”涉及复杂的相互作用，在物理构建上具有挑战性。

技术摘要

技术摘要：基于温度目标 QAOA 的公平采样

问题陈述
在具有简并基态的组合优化问题中，实现“公平采样”（即在所有简并解上获得均匀分布而不产生偏差）至关重要。虽然量子退火（QA）和量子近似优化算法（QAOA）是这些问题的有力启发式方法，但使用横场混合器（transverse-field mixer）的标准实现往往无法实现公平采样。理论和实验证据表明，随着电路深度的增加，标准 QAOA 会在简并态之间诱导偏差，即使在近似比收敛至 1 时，也会偏向特定的解。现有的解决方案（如专门的混合器或混合后处理）通常会增加电路复杂度或需要额外的经典计算步骤。

方法论
作者提出了 SBO-QAOA，这是一种通过重新设计目标（代价）哈密顿量而非修改混合器来解决采样偏差的 QAOA 变体，该设计基于量子-经典对应理论。

• 理论框架： SBO-QAOA 不再针对经典 Ising 哈密顿量 $\hat{H}_0$ 的基态，而是针对由 Somma 等人推导出的有效哈密顿量 $\hat{H}_S(T)$ 的基态。该哈密顿量的构建方式使得其唯一的基态对应于一个量子态 $|\psi_{Gibbs}(T)\rangle$，其中概率振幅是经典系统在特定温度 $T$ 下玻尔兹曼因子的平方根。
• 哈密顿量构建： SBO 哈密顿量定义为：
  $$\hat{H}_S(T) = -e^{-\alpha/T} \sum_{i=1}^N \left( \hat{\sigma}_i^x - e^{\hat{H}_i/T} \right)$$
  其中 $\hat{H}_i$ 代表依赖于自旋 $i$ 的 $\hat{H}_0$ 的局部项，$\alpha$ 是防止在 $T \to 0$ 时发散的缩放因子。在 SBO-QAOA 中，$\hat{H}_C$ 被设定为 $\hat{H}_S(T)$，同时保留标准的横场混合器 $\hat{H}_X$。
• 参数化方案： 本研究评估了两种变分角度 $\{\gamma_k, \beta_k\}$ 的参数化策略：
  1. 全参数化（Full-parameter）： 对于电路深度 $p$，拥有 $2p$ 个独立变量。
     2. 线性化（Linearized）： 一种简化方案，将角度设为深度索引的线性函数，从而使优化变量无论深度如何都减少到四个（$\gamma_{slope}, \gamma_{intcp}, \beta_{slope}, \beta_{intcp}$）。
• 实验设置： 数值模拟是在一个具有六重基态简并性的 5 自旋受挫 Ising 玩具模型上进行的。系统通过精确模拟（全矩阵演化）进行，以比较标准 QAOA 和 SBO-QAOA 在不同电路深度（$p=1$ 到 $100$）和温度下的表现。

关键结果

• 标准 QAOA 偏差： 在标准 QAOA（针对 $\hat{H}_0$）中，随着电路深度 $p$ 的增加，总基态概率（$P_{GS}$）趋向于 1。然而，简并子空间内的分布仍然存在偏差；特定的状态对变得占主导地位，而其他状态则被抑制，无论使用全参数化还是线性化参数均是如此。
• SBO-QAOA 公平性： 当针对 $\hat{H}_S(T)$ 时，SBO-QAOA 表现出根本不同的行为：
  • 温度目标化： 总基态概率 $P_{GS}$ 并不趋于 1，而是饱和在与指定温度 $T$ 下的 Gibbs 分布概率一致的值（例如，对于 $T=1$，约为 $0.83$）。
  • 均匀采样： 随着 $p$ 的增加，简并基态上的概率分布趋于均匀。不同状态对的概率收敛于相同的值，证实了公平采样的实现。
  • 全变差距离（TVD）： 输出分布与目标 Gibbs 分布之间的 TVD 随着 $p$ 的增加而减小，并趋近于零。这证实了该算法能够重现完整的有限温度分布，而不仅仅是基态。
• 对参数缩减的鲁棒性： 即使在将变分参数从 $2p$ 减少到仅四个的线性化方案下，SBO-QAOA 的公平采样和温度目标特性依然得以保持。

意义与主张
本文声称，无需增加混合器的复杂度或添加经典后处理步骤，即可实现 QAOA 中的公平采样。通过将目标哈密顿量替换为 SBO 哈密顿量，该算法本质上将 Gibbs 分布编码为其基态。作者证明了这种方法可以实现：

1. 公平采样： 实现对简并基态的均匀采样。
2. 温度目标化： 通过参数 $T$ 控制采样分布。
3. 高效性： 保持这些特性所需的变分参数集极小（仅四个），使得该方法在优化复杂度方面具有潜在的可扩展性。

作者指出，虽然目前的工作通过精确对角化在小型系统中验证了这些特性，但未来的工作必须解决可扩展性问题。具体而言，在基于门的设备上实现 $\hat{H}_S(T)$ 需要高效的 Pauli 串展开和电路分解，因为该哈密顿量通常会诱导多体相互作用。