Scalable Quantum Machine Learning via Multi-layer Fully-Connected Variational Quantum Circuits

本文提出了多层全连接变分量子电路（FC-VQC），这是一种模块化框架，通过将高维输入分解为局部量子块来解决表达能力与可训练性之间的困境，在多种任务中凭借比单体变分量子电路和深度神经网络更少的可训练参数实现了具有竞争力的性能。

要点

想象一下，你正试图教一台计算机使用一种名为量子计算机的特殊计算器来解决复杂的谜题。在“量子机器学习”的世界里，标准工具是变分量子电路（VQC）。你可以将标准的 VQC 想象成一台单一的、巨大的、整体式的机器。

这台巨大机器的问题在于：

• 如果它很小： 它很容易运行，但过于简单，无法学习复杂的模式（就像一个孩子试图解决博士级别的数学问题）。
• 如果它很大： 它足够强大以进行学习，但它过于庞大，导致试图模拟它的计算机崩溃，或者它变得如此“困惑”以至于完全停止学习（科学家称之为“ barren plateaus（ barren 高原）”问题，即计算机迷失了方向）。

本文的作者提出了一种名为FC-VQC（多层全连接变分量子电路）的新解决方案。他们不再构建一台巨大的机器，而是组建了一支由小型、专业化人员组成的团队。

核心理念：“工厂流水线”类比

想象一下，你需要分拣一大堆 300 种不同颜色的弹珠（高维输入）。

旧方法（整体式 VQC）：
你试图一次性将所有 300 颗弹珠放入一台巨大的分拣机器中。

• 问题： 这台机器太大，无法建造。如果你试图在普通计算机上模拟它，它会占用如此多的内存而导致崩溃。如果你把它做小以适应计算机，它就无法正确分拣颜色。

新方法（FC-VQC）：
你将 300 颗弹珠分成 100 个小组，每组 3 颗。

1. 本地工人： 你将每组的 3 颗弹珠交给一台微小的、简单的分拣机器（“本地 VQC 模块”）。这些微型机器易于构建和运行。
2. 混合器： 在第一轮之后，你不仅仅让分拣好的组保持分离。你从 A 组取一颗弹珠，从 B 组取一颗，从 C 组取一颗，将它们混合在一起，然后传递给下一组微型机器。
3. 链条： 你重复这个过程。微型机器保持小巧且易于管理，但由于它们在各层之间相互传递信息，整个系统学会了处理完整的 300 颗弹珠的谜题。

他们发现了什么？

研究人员在三种类型的任务上，将这种“团队”方法与“巨大机器”以及标准的经典计算机模型（深度神经网络）进行了测试：

1. 简单表格（回归与分类）：

   • 任务： 根据几个数字预测混凝土强度或葡萄酒质量。
   • 结果： 巨大的量子机器表现挣扎。新的“团队”方法（FC-VQC）比巨大机器表现更好，甚至击败了标准的经典计算机模型，尽管它使用的可调整设置（参数）要少得多。这就像一支小型、高效的专业团队，其表现胜过庞大、臃肿的官僚机构。

2. 复杂时空问题（偏微分方程/倒向随机微分方程）：

   • 任务： 求解随时间和空间变化的复杂物理方程（例如预测热量如何扩散或股价如何波动）。这些任务极其困难，因为数据量巨大（高达 300 维）。
   • 结果： 巨大的量子机器甚至无法在计算机上模拟这些任务；它太大了。“团队”方法（FC-VQC）完美运作。它成功扩展以处理海量数据规模而不会崩溃，并且其性能与最佳经典计算机模型相当或更优。

为什么这很重要？

• 可扩展性： 你可以通过添加更多微型工人来扩大系统规模，而无需让单个工人变大。这意味着你可以解决以前量子计算机无法模拟的巨大问题。
• 效率： 他们使用显著更少的“可训练参数”（计算机用于学习的旋钮和拨盘）实现了这些结果。在许多情况下，为了获得相同或更好的结果，他们使用的参数比经典计算机模型少了 10 到 77 倍。
• 可训练性： 由于各个电路都很小，它们不会变得“困惑”或失去学习能力（避免了 barren plateau 问题）。梯度（告诉计算机如何改进的信号）保持强劲。

注意事项（他们未声称的内容）

作者谨慎地避免过度炒作结果：

• 仅限模拟： 这些实验是在模拟量子行为的经典计算机上运行的，尚未在真正的量子硬件上运行。
• 噪声： 他们对“噪声”（模拟嘈杂、不完美的量子计算机）进行了一项小测试，系统表现相当不错，但他们承认这只是第一步。现实世界的硬件更加混乱。
• 并非万能： 他们并没有声称量子计算机在所有方面都更优越。他们声称，与旧的“巨大机器”方法相比，这种特定的“模块化”架构是构建针对这些特定类型问题的量子模型的更好方式。

总结

这篇论文介绍了一种构建量子机器学习模型的新方法：不要构建一个巨大的大脑；要构建一个由小型、相互连接的大脑组成的网络。 这种方法使量子模型能够处理海量、复杂的数据，更高效地学习，并超越旧的量子方法和一些标准经典计算机，同时使用更少的资源。

技术摘要

技术摘要：通过多层全连接变分量子电路实现可扩展的量子机器学习

1. 问题陈述

变分量子电路（VQC），也称为参数化量子电路或量子神经网络，是近期量子机器学习（QML）的领先框架。然而，标准的单体 VQC 架构面临一个根本性的表达能力与可训练性困境：

• 低维设置：小型、浅层的 VQC 易于模拟和优化，但通常缺乏足够的可训练参数来学习具有竞争力的表示（欠参数化）。
• 高维设置：增加电路宽度或深度以提高表达能力会导致希尔伯特空间呈指数级扩展（$d$ 个量子比特为 $O(2^d)$），使得直接模拟不可行。此外，足够深或表达力强的单体电路通常遭受** barren plateaus（ barren 高原）**的影响，即梯度呈指数级消失，阻碍优化。

现有的模块化方法，如联邦 QML、张量网络方法或集成风格电路，往往将表示学习转移到经典前端，依赖结构秩限制，或无法提供足够的全局特征交互。因此，需要一种可扩展的量子架构，在不构建单个大型单体电路或依赖可训练经典编码器的情况下增加模型容量。

2. 方法论：FC-VQC

作者提出了多层全连接变分量子电路（FC-VQC），这是一种模块化框架，旨在使量子参数随输入维度线性扩展，同时保持单个量子计算局部且易于处理。

核心架构

FC-VQC 将高维输入划分为固定大小的局部 $q$ 量子比特 VQC 块。这些块通过确定性、无参数的块混合规则连接。

• 输入层：输入向量 $x \in \mathbb{R}^d$ 被划分为 $B$ 个大小为 $q$ 的块（其中 $d = Bq$）。如果$d$不能被$q$整除，则应用零填充。对于$B$ 较小的低维任务，在划分之前应用确定性特征扩展（例如多项式或根变换）以增加块的数量。
• VQC 块：每个块是一个 $q$ 量子比特映射 $f_\Theta: \mathbb{R}^q \to \mathbb{R}^{n_{out}}$。它采用旋转编码，后接 $K$ 层强纠缠层（广义单量子比特欧拉旋转和 CNOT 模式）。输出源自泡利-Z 期望值。
• 隐藏层（块混合）：在每一层 $l$，前一层块的输出在输入到下一个局部 VQC 块之前，使用确定性映射 $g^{(l)}_b$ 进行混合。
  • 滑动窗口混合（主要）：每个块从大小为 $r$ 的局部环形邻域接收信息。随着深度增加，这允许信息在整个输入维度上传播（$R^{(L)}(b) \approx 2Lr + 1$）。
  • 全连接混合：一种替代方案，其中每个块接收来自所有先前块的聚合信息，从而在单步中实现全局依赖。
• 输出层：支持维度保持映射（用于 BSDE/PDE 求解器）或分阶段降维（用于表格回归/分类），通过测量每个块较少的可观测量来实现。

理论动机

该架构基于三个理论见解：

1. 噪声累积：通过在块之间插入测量和重编码接口（类型 2 架构），该模型减轻了端到端的相干噪声累积。与深相干电路典型的指数级信号收缩（$\lambda^D$）不同，误差传播随层数呈线性增长，受限于每个块的偏差和有限采样噪声。
2. 感受野扩展：块混合扩展了依赖支持。虽然并行块是可分离的，但滑动窗口混合允许局部块捕获随深度增长的跨块交互，而全连接混合则立即实现全局依赖。
3. 支持不匹配：理论界限表明，受限的交互支持（可分离模型）会在需要跨块交互的目标上产生不可约误差。FC-VQC 通过混合扩展可表示函数的结构族，从而减少这种误差。

3. 主要贡献

1. 解决困境：FC-VQC 通过许多小型局部块而非单个更宽/更深的单体电路来增加可训练量子容量，从而解决了表达能力与可训练性之间的权衡问题。
2. 可扩展性：对于固定的块大小 $q$，可训练量子参数的数量随输入维度 $d$ 线性扩展。这使得模拟高维问题（例如 $d=300$）成为可能，而这些问题是单体 VQC 无法处理的（$O(2^{300})$）。
3. 参数效率：FC-VQC 在使用显著更少的可训练参数的情况下，实现了与结构匹配的深层神经网络（DNN）相当或更优的性能。

4. 实验结果

该框架在三个领域进行了评估：表格回归、表格分类以及时空 BSDE/PDE 近似。

预测性能

• 表格任务：在混凝土强度回归任务（$d=8$）上，FC-VQC 达到了 0.8928 的测试 $R^2$，优于单体 VQC（0.6768）和结构匹配的 DNN（0.8486）。在葡萄酒质量分类（$d=11$）上，FC-VQC 达到了 63.6% 的准确率，超过了 DNN 基线（58.4%）。
• 时空 PDE：FC-VQC 在 Black–Scholes、Burgers 和振荡 PDE 上进行了测试，空间维度分别为 $d=36$ 和 $d=300$。
  • 在 Black–Scholes（$d=300$）上，FC-VQC 将相对 MAE 从 0.0189（DNN）降低到 0.0098。
  • 在振荡 PDE（$d=300$）上，它将误差从 0.5699 降低到 0.4650。
  • 在 Burgers PDE（最困难的非线性情况）上，FC-VQC 与 DNN 相当，在 $d=300$ 时误差略高（0.8842 对比 0.8737），表明存在任务相关的性能限制。

可扩展性与复杂度

• 模拟可行性：由于状态向量大小限制，单体 VQC 基线无法模拟 $d=36$ 或 $d=300$ 的情况。FC-VQC 使用大小为 $q=3$ 的局部电路，成功模拟了这些高维任务，具有线性扩展复杂度 $O(d)$。
• 参数效率：FC-VQC 在参数数量上比结构匹配的 DNN 少 7.1 倍至 77.2 倍，同时达到或提升了 DNN 的性能。对于高维 PDE（$d=300$），减少幅度超过 77 倍。

可训练性与鲁棒性

• 梯度动态：在混凝土强度基准上的实证分析表明，狭窄的单体 VQC 遭受梯度方差崩溃。FC-VQC 架构在各种深度和层数上保持了更健康的梯度动态，支持了模块化扩展保留可训练性的主张。
• NISQ 鲁棒性：使用去极化噪声（$p=0.001, 0.01$）的初步测试仅显示出轻微的性能下降（$R^2$ 下降 0.01–0.02），表明测量 - 重编码结构减轻了相干噪声累积。

5. 意义与主张

本文将 FC-VQC 定位为并非声称对所有经典模型具有通用量子优势，而是一种可扩展的模块化架构，将 VQC 风格模型的实用性扩展到超出低维范围。

• 实证贡献：该工作证明，用模块化 FC-VQC 块替换密集的可训练经典模块，可以在显著减少参数的情况下，达到或超过结构匹配的 DNN 性能。
• 架构合理性：理论结果为块混合以及测量/重编码相比深相干电路如何提高表达能力和抗噪性提供了正式依据。
• 局限性：作者承认主要实验依赖于经典状态向量模拟，噪声分析是初步检查而非完整的硬件评估。梯度动态分析是实证的，不构成对 barren plateau 消除的正式证明。参数效率优势是相对于结构匹配的 DNN 展示的，不一定针对所有专用经典架构（例如稀疏网络或树集成）。

总之，FC-VQC 通过将问题分解为通过确定性经典混合连接的易处理局部量子计算，为将量子机器学习扩展到高维问题提供了一条可行途径，从而在表达能力、可训练性和计算可行性之间取得了平衡。