⚛️ quantum physics

Two-Gate Extensions of Free Axis and Free Quaternion Selection for Sequential Optimization of Parameterized Quantum Circuits

本文提出了自由轴选择（Fraxis）和自由四元数选择（FQS）的单量子比特优化器的双门扩展版本（TGF 和 TGFQS），通过同时优化两个参数化单量子比特门并构建精确的四次局部成本函数，在多种量子任务中实现了比单门更新更低的误差，尽管这需要以更高的电路评估开销为代价。

原作者： Joona V. Pankkonen

发布于 2026-03-30

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Joona V. Pankkonen

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

这篇论文讲述了一个关于如何更高效地“调教”量子计算机的有趣故事。为了让你轻松理解，我们可以把量子计算机想象成一台极其复杂、拥有成千上万个旋钮的超级收音机，而我们的目标是调出最清晰、最完美的音乐（也就是找到系统的最低能量状态或最佳量子态）。

以下是这篇论文的通俗解读：

1. 背景：调收音机的难题

在量子计算中，我们使用一种叫“变分量子算法”的方法。这就像是你面对一台有几百个旋钮（参数）的收音机，你需要转动这些旋钮，直到收音机发出的声音（能量）最小，或者信号最清晰。

旧方法（单旋钮调频）： 以前的优化器（如 Fraxis 和 FQS）就像是一个笨拙的调音师。他一次只敢动一个旋钮。他转动这个旋钮，听听声音，再转回来，再试另一个。虽然这种方法很稳，但速度很慢，而且容易陷入“死胡同”（也就是所谓的“ barren plateaus"，即无论怎么调，声音都差不多，找不到更好的点）。
新挑战： 旋钮太多了，一个一个调太慢；而且如果旋钮之间互相影响，只调一个可能效果不好。

2. 核心创新：双人舞（Two-Gate Extensions）

这篇论文的作者 Joona Pankkonen 提出了一种新方法，叫做 TGF 和 TGFQS。

新策略（双旋钮调频）： 想象一下，现在的调音师不再一次只动一个旋钮，而是一次同时调整两个旋钮。
为什么有效？ 就像两个人跳舞，如果只动一只脚，动作可能很僵硬；但如果两个人配合着动（比如左脚和右脚同时协调），就能跳出更流畅、更优美的舞步。
- 在数学上，只调一个旋钮时，问题很简单（像解一个二次方程）；
- 同时调两个旋钮时，问题变得复杂了（变成了四次方程），需要更高级的“大脑”（经典计算机优化器）来算出最佳组合。

3. 关键发现：怎么配对很重要？

既然一次调两个，那该选哪两个旋钮一起调呢？作者尝试了不同的“配对策略”，就像在安排舞伴：

线性配对： 按顺序，1 号和 2 号一组，3 号和 4 号一组。（像排队领号）
随机配对： 随便抓两个。（像抽签）
对半移位配对（Half-Shifted）： 1 号和 6 号一组，2 号和 7 号一组。（像把队伍对折，头尾相接）
反向配对： 1 号和最后那个一组。（像首尾呼应）

实验结果令人惊讶：
作者发现，**“随机配对”和“对半移位配对”**效果最好。这就像在跳舞时，随机找舞伴或者把队伍对折找舞伴，往往比按顺序排队更能跳出好舞步。这种策略能让量子计算机更快地找到最佳状态，误差更小。

4. 代价与收益：用“时间”换“质量”

当然，天下没有免费的午餐。

代价： 一次调两个旋钮，需要做的测量（实验）次数比一次调一个要多得多。就像你要同时调两个旋钮，得反复试错很多次才能算出最佳位置。这增加了“测量开销”。
收益： 虽然每次调整花的时间多了，但最终的效果好得多。在测试中（比如模拟分子结构、模拟磁性材料），新方法找到的“完美音乐”比旧方法更清晰、更准确。

5. 总结：这对我们意味着什么？

这就好比我们在训练一个 AI 模型：

旧方法是“单步走”，稳但慢，容易卡住。
新方法是“双人舞”，虽然每一步计算更复杂、更费电（需要更多测量），但它能跳出更复杂的舞步，更快到达目的地。

一句话总结：
这篇论文发明了一种让量子计算机“一次动两个参数”的新技巧，并发现只要随机或巧妙地搭配这两个参数，就能让量子计算机算得更快、更准，尽管这需要付出更多的计算资源。这对于未来在嘈杂的量子硬件上解决复杂的化学和物理问题（比如设计新药或新材料）是一个重要的进步。

这是一份关于论文《Two-Gate Extensions of Free Axis and Free Quaternion Selection for Sequential Optimization of Parameterized Quantum Circuits》（参数化量子电路顺序优化的自由轴和自由四元数选择的双门扩展）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
变分量子算法（VQAs）和参数化量子电路（PQCs）是当前含噪声中等规模量子（NISQ）设备上的核心计算框架。PQCs 通常由可调的单量子比特门和固定的双量子比特纠缠门组成，通过混合量子 - 经典优化循环进行优化。

现有挑战：

优化效率与 barren plateaus（ barren 高原）： 随着量子比特数增加，梯度消失问题（barren plateaus）使得优化变得极其困难。
现有顺序优化器的局限： 现有的顺序优化器如 Fraxis（自由轴选择）和 FQS（自由四元数选择）每次迭代仅更新一个参数化单量子比特门。
- Fraxis 和 FQS 通过构建二次（quadratic）局部成本函数，利用矩阵对角化直接求得最优解。
- 虽然这些方法有效，但它们每次只更新一个门，可能收敛速度较慢，且未能充分利用门之间的相关性。
测量开销： 随着电路规模扩大，估计成本函数所需的测量次数急剧增加。

核心问题：
如何扩展现有的顺序优化器（Fraxis 和 FQS），使其能够同时优化两个参数化单量子比特门，以在保持局部优化优势的同时提高收敛性能，并研究不同的门配对策略对优化效果的影响？

2. 方法论 (Methodology)

作者提出了两种新的双门扩展优化器：双门 Fraxis (TGF) 和 双门 FQS (TGFQS)。

A. 核心原理

从二次到四次： 传统的 Fraxis/FQS 更新单个门时，局部成本函数是关于旋转轴或四元数的二次函数，可通过特征值分解直接求解。
- 当同时优化两个门（ $R_d$ 和 $R_k$ ）时，局部成本函数变为关于两个四元数分量的四次多项式（quartic）。
- 四次函数无法通过简单的矩阵对角化直接求解，必须使用经典约束优化算法（如 SLSQP）进行数值求解。
精确构造： 作者推导了精确的四次局部成本函数，无需近似。
- 利用扩展的泡利基（Extended Pauli basis）将两个单量子比特门表示为四元数形式。
- 通过电路评估（Circuit evaluations）构建系数矩阵，将成本函数表示为四元数分量的四次多项式。
门配对策略 (Gate Pairing Strategies)：
- 为了将 $D$ $D$ 个参数化门划分为 $D/2$ $D /2$ 对进行并行或顺序更新，作者研究了四种配对策略：
  1. 线性 (Linear): 相邻门配对 $(1,2), (3,4)...$
  2. 随机 (Random): 随机打乱后配对。
  3. 对立 (Opposite): 首尾配对 $(1, D), (2, D-1)...$
  4. 半移位 (Half-Shifted): 间隔 $D/2$ 配对 $(1, D/2+1)...$
- 门对不需要相邻，可以在电路的任意位置选择。

B. 计算开销

TGF (双门 Fraxis): 更新一对门需要 36 次电路评估（平均每个门 18 次）。
TGFQS (双门 FQS): 更新一对门需要 100 次电路评估（平均每个门 50 次）。
相比之下，单门 Fraxis 和 FQS 分别仅需 6 次和 10 次评估。
优势： 虽然单次更新开销大，但构建局部成本函数所需的各项测量是相互独立的，理论上可以在多个量子设备上并行执行，从而降低实际时间开销。

3. 主要贡献 (Key Contributions)

提出了 TGF 和 TGFQS 算法： 首次将 Fraxis 和 FQS 从单门更新扩展为双门同时更新，将局部优化问题从二次提升为四次，并给出了精确的系数构造公式。
揭示了门配对策略的重要性： 系统性地研究了线性、随机、对立和半移位四种配对策略。发现随机 (Random) 和 半移位 (Half-Shifted) 策略在大多数测试场景中表现最佳，显著优于线性或对立策略。
广泛的基准测试： 在多种任务上验证了算法的有效性：
- 自旋哈密顿量： 费米 - 哈伯德模型 (Fermi-Hubbard) 和横场伊辛模型 (TFIM)。
- 分子哈密顿量： 氢化锂 (LiH) 和氢化铍 (BeH2) 的基态能量搜索。
- 量子态制备： 最大化与随机目标态的保真度。
有限测量精度下的鲁棒性分析： 在考虑散粒噪声（Shot noise，4096-16384 次测量）的情况下，验证了 TGF/TGFQS 在浅层电路中依然保持相对于单门优化器的优势。

4. 实验结果 (Results)

收敛性能： 在几乎所有基准测试中，TGF 和 TGFQS 最终达到的相对误差（相对于基态能量）或保真度（Infidelity）均显著低于其单门对应版本（Fraxis 和 FQS）。
- 例如，在 12 量子比特的 TFIM 模型中，TGFQS 结合半移位策略相比 FQS 基线实现了 99.98% 的相对误差改善。
- 在 LiH 分子模拟中，TGFQS 实现了 99.8% 的改善。
配对策略表现：
- 随机和半移位策略通常表现最好。
- 线性和对立策略虽然有时优于单门基线，但提升幅度较小。
与梯度下降法对比： 即使考虑了调整后的电路评估次数（即公平比较计算成本），TGF/TGFQS（配合最佳配对策略）在收敛速度和最终精度上仍优于基于梯度的 Adam 优化器（使用参数移位规则）。
有限测量（Shot Noise）： 在浅层电路（ $L=2$ ）中，即使存在测量噪声，TGF 和 TGFQS 依然优于 Fraxis 和 FQS。但在深层电路中，增加层数并未带来额外优势，表明该方法在浅层电路中更有效。
量子态制备： 在 6 量子比特态制备任务中，随着层数增加，双门优化器与单门优化器的性能差距扩大，最佳配对策略能显著降低最终的不可信度（Infidelity）。

5. 意义与结论 (Significance & Conclusion)

权衡分析： 该方法揭示了“局部优化能力”与“测量开销”之间的权衡。虽然 TGF/TGFQS 需要更多的电路评估（单门 18-50 次 vs 6-10 次），但其带来的收敛精度提升和最终误差的降低通常足以抵消这一开销，特别是在需要高精度的化学模拟和态制备任务中。
可扩展性： 由于测量项的独立性，该方法天然适合并行化，有助于缓解 NISQ 设备上的测量瓶颈。
未来方向： 作者指出，虽然目前仅扩展到双门，但理论上可以扩展到 $m$ 个门。然而，随着 $m$ 增加，测量次数呈指数级增长（Fraxis 为 $6^m$ ，FQS 为 $10^m$ ），且成本函数项数急剧增加。未来的工作将探索近似策略以平衡精度与开销。

总结：
这篇论文通过引入双门同时优化机制，成功增强了 Fraxis 和 FQS 顺序优化器的性能。通过构建精确的四次局部成本函数并配合优化的门配对策略（特别是随机和半移位），该方法在多种量子模拟任务中显著降低了最终误差，为 NISQ 时代的变分量子算法提供了一种高效且鲁棒的优化新途径。