⚛️ quantum physics

Empirical Evaluation of QAOA with Zero Noise Extrapolation on NISQ Hardware for Carbon Credit Portfolio Optimization in the Brazilian Cerrado

本研究证明，结合零噪声外推（ZNE）的量子近似优化算法（QAOA）在优化巴西塞拉多地区的复杂碳信用组合方面优于经典启发式方法，从而在含噪声中等规模量子（NISQ）时代硬件上为环境保育规划确立了实证量子效用。

原作者： Hugo José Ribeiro

发布于 2026-02-11

📖 1 分钟阅读🧠 深度阅读

原作者： Hugo José Ribeiro

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

想象你是一位景观建筑师，正试图拯救巴西一个名为塞拉多（Cerrado）的巨大且多样化的生态系统。你拥有有限的预算，并有一份包含 88 个不同城镇（市镇）的清单，你可以在这些城镇投资保护工作。你的目标是从中恰好挑选出 28 个城镇进行保护。

但这里有个棘手之处：你不能仅仅挑选地图上看起来“最绿”的 28 个城镇。你必须同时平衡三件事：

碳汇：树木能吸收多少污染？
生物多样性：这些城镇在多大程度上能相互连接，以帮助动物迁徙和生存？
人类：这将如何帮助当地社区？

这是一个巨大的谜题。如果你试图通过逐个挑选“最佳”城镇来解决它（这种方法称为贪婪启发式算法），你可能会错过全局。你可能会挑选两个相距甚远的优秀城镇，却在它们之间留下动物无法穿越的缺口；或者你可能会漏掉一个单独来看并非绝对最佳，但却是连接另外两个优秀区域的完美“粘合剂”的城镇。

量子解决方案：看待谜题的新视角

这篇论文的作者 Hugo José Ribeiro 尝试使用量子计算机来解决这个谜题。将经典计算机（如你的笔记本电脑）想象为一个非常聪明、非常快速的人，他在查看地图并一次检查一条路径。然而，量子计算机则像拥有一种魔法能力，可以同时查看所有可能的路径。

他们使用的具体工具称为QAOA（量子近似优化算法）。它就像一位数字探险家，在可能性的景观中跳跃，寻找 28 个城镇的完美组合。

问题：量子计算机是“有噪声”的

这里是棘手的地方：当今可用的量子计算机（称为NISQ设备）就像一台充满静电干扰的收音机。它们很强大，但由于“噪声”（干扰）而会犯错。如果你让量子计算机解决这个谜题，静电往往会扰乱答案，使其比人类用基本清单得出的结果还要差。

解决方案：零噪声外推（ZNE）

为了消除静电干扰，研究人员使用了一个巧妙的技巧，称为零噪声外推（ZNE）。

类比：想象你试图猜测房间的确切温度，但你的温度计坏了，读数略高。

你用坏掉的温度计读取一次（正常噪声）。
然后你故意通过摇晃或加热让温度计变得更糟，并读取第二次数据（放大噪声）。
你再次这样做，让它变得更糟（最大噪声）。

现在，你有了三个数据点：“正常”、“更糟”和“最糟”。通过在穿过这些点画一条线并将其向后延伸至摇晃为零的位置，你可以在数学上推测出如果温度计完美无缺时温度会是多少。

在这篇论文中，研究人员对量子计算机做了同样的事情。他们以三种方式运行了同一个谜题：一次正常，一次添加“额外噪声”，一次添加“双倍额外噪声”。然后，他们利用数学“外推”回如果计算机具有零噪声时答案会是什么。

结果：它奏效了吗？

该论文报告了在 17 天的时间里，在真实的 IBM 量子计算机上运行此实验的一些非常令人兴奋的结果：

经典基线：标准的“贪婪”方法（逐个挑选最佳城镇）得分为44.42。
原始量子尝试：在不修复噪声的情况下，量子计算机得分约为43.55。由于静电干扰，它实际上比简单方法略差。
量子 + ZNE 结果：在使用“零噪声外推”技巧清理答案后，量子计算机得分达到58.47。

结论：清理噪声后的量子方法比标准经典方法高出 31.6%。

这为什么重要？

最有趣的部分不仅仅是更高的分数，而是量子计算机如何找到解决方案。

“贪婪”方法是根据城镇的个体得分来挑选的。但量子方法发现了一个名为Chapadão do Céu的城镇。

贪婪方法忽略了它，因为它的个体得分不是最高的。
量子方法选择了它，因为尽管它单独来看并非“最佳”，但它是完美的连接者。它与邻居拥有惊人的生物多样性联系。

量子计算机看到了简单方法所忽略的“协同效应”（城镇之间的团队合作）。它通过观察整体画面而非仅仅关注个体部分，找到了更好的组合方案。

底线

这篇论文并不声称量子计算机准备好在明天取代所有人类规划者。作者谨慎地表示，这是“实证量子效用”——意味着，对于这种特定的现实世界问题，量子方法比他们测试的标准工具更有效。

它证明，即使使用当今“有噪声”的量子计算机，如果你使用正确的技巧（如 ZNE）来清理信号，你就能为复杂的环境问题找到比传统方法更好的解决方案。这是利用量子魔法来帮助拯救地球上最多样化生态系统的一小步，但却是重要的一步。

技术摘要：在含噪声中等规模量子硬件上利用零噪声外推法对碳信用投资组合进行 QAOA 的实证评估

问题定义
本研究针对巴西塞拉多生物群系内碳信用投资组合的多目标优化问题，该区域以高生物多样性为特征，但面临严重的农业侵占。核心挑战在于在固定预算（基数约束）下，选择一个市政区子集，以同时最大化碳封存、生物多样性连通性和社会影响。该问题被表述为一个二次无约束二进制优化（QUBO）问题，包含 $n=88$ 个决策变量（市政区）和目标选择数量 $k=28$ 。搜索空间约为 $1.45 \times 10^{22}$ 种组合，使得穷举枚举变得不可行。经典方法（如贪婪启发式算法）往往无法捕捉领土间复杂的空间协同效应和非线性相互作用，可能导致次优的 conservation 结果，或通过低效分配导致“漂绿”。

方法论
作者实施了一种混合量子 - 经典工作流，利用量子近似优化算法（QAOA），并在含噪声中等规模量子（NISQ）硬件上结合零噪声外推法（ZNE）。

问题表述：目标函数整合了线性项（碳、生物多样性和社会指标的单项得分）和二次项（空间邻接和协同矩阵）。基数约束（ $k=28$ ）通过在 QUBO 公式中引入二次惩罚项来强制执行。
量子算法：QAOA 拟设采用单层（ $p=1$ ）以保持在当前硬件的相干极限内。为了在演化过程中严格遵守基数约束，使用 XY 混合哈密顿量代替标准的横向场混合器，确保跃迁仅发生在具有相同数量激活量子比特的状态之间。
初始化：采用“热启动”策略，利用经典贪婪启发式算法的解来初始化量子态，参数 $\gamma=0.05$ 和 $\beta=0.20$ 经过经验校准，以在保留贪婪结构的同时允许局部探索。
误差缓解：应用零噪声外推法（ZNE）以缓解门噪声。电路在三个噪声尺度因子（ $\lambda \in \{1, 2, 3\}$ ）下通过门折叠（具体针对双量子比特门）执行。结果使用线性、二次和理查森外推模型外推至零噪声极限（ $\lambda=0$ ）。
实验设置：在 17 天期间（2026 年 1 月 17 日至 2 月 2 日），在两台 IBM Quantum Heron 处理器（ibm_torino (r1) 和 ibm_fez (r2)）上进行了七次独立运行。每次运行在每个噪声尺度下包含 8,192 次采样，每个 ZNE 协议总计 24,576 次采样。

主要贡献

现实世界应用：这项工作展示了 QAOA 在现实世界多目标环境优化问题中的首批应用之一，使用了来自塞拉多 88 个市政区的实证地理空间数据，超越了模拟或合成基准。
统计严谨性：该研究通过七次独立的硬件执行提供了统计上稳健的验证，证明了针对硬件校准漂移的时间稳定性。
可持续性中的误差缓解：这是将零噪声外推法应用于多目标环境可持续性问题的首次尝试，证明了误差缓解可以在当前的 NISQ 设备上恢复优于经典启发式算法的解质量。
可复现性：完整的工作流，包括 QUBO 构建、参数校准和原始实验数据，已公开提供，为高精度的环境保护政策建立了可复现的模板。

结果

性能：QAOA+ZNE 工作流始终优于经典贪婪基线（得分 44.42）。量子方法实现的平均投资组合得分为 58.47 ± 6.98，比贪婪基线提高了 31.6%。
统计显著性：改进具有统计显著性，单侧配对 t 检验得出 $p = 0.0009$ ，且效应量大（Cohen's $d = 2.01$ ）。该方法在所有七次运行中均实现了 100% 的成功率，意味着每次 ZNE 外推得分均超过了贪婪基线。
鲁棒性：即使是最保守的线性外推模型，其平均得分也达到 49.12，仍比基线高出 10.6%。留一法分析证实，显著性并非由单次高性能运行驱动。
解质量：量子方法识别出了非平凡的领土协同效应。例如，Chapadão do Céu 市政区因中等单项得分而被贪婪启发式算法排除，但量子方法因其卓越的生物多样性连通性（第 98 百分位）而一致地选择了它（7 次运行中的 6 次）。
硬件稳定性：该方法在 13 天间隔和两个不同的硬件后端上保持稳定，执行时间与 ZNE 得分之间未发现统计显著的相关性，表明其对校准漂移具有抵抗力。

意义与主张
该论文明确将其发现框架为确立实证量子效用，而非形式化的量子优势。作者并未声称其方法超越了最优经典求解器（如 Gurobi 或 CPLEX）或实现了超多项式加速。相反，其意义在于证明，当结合严格的误差缓解（ZNE）和适当的初始化（热启动）时，当前的 NISQ 设备能够一致地识别出短视的经典启发式算法所忽略的复杂领土协同效应。

该研究验证了量子优化可以作为环境政策的实用决策支持工具，为在高利害的 conservation 背景下分配资源提供了可扩展的方法论模板。结果表明，只要严格应用误差缓解和统计验证，NISQ 时代就有能力在数据驱动的领土规划中，为广泛使用的操作启发式算法提供切实的改进。