Recent Advances in Quantum Architecture Search

本文综述了量子架构搜索（QAS）在自动化变分量子算法设计方面的最新进展，涵盖核心概念、方法论、应用及未来研究方向。

要点

想象一下，你正试图用乐高积木搭建一台机器来解决一个特定的谜题。在量子计算的世界里，这些“积木”就是量子门，而“机器”则是量子电路。问题在于，将这些积木拼接在一起的方式实在太多，想要找到完美的设计方案，就像在银河系大小的干草堆中寻找一根特定的针。

本文是对一个名为**量子架构搜索（Quantum Architecture Search, QAS）**的新领域的综述。你可以将 QAS 想象为聘请一位超级聪明、自动化的建筑师来为你设计这些乐高机器，而不是试图亲手搭建它们。

以下是本文内容的梳理，使用了简单的类比：

问题：为什么我们需要建筑师

过去，科学家们手工设计这些量子电路。他们会选择一种固定的积木（门）模式，然后希望它能奏效。

• 问题所在： 这些手工设计往往包含过多的积木（过深），浪费了空间（冗余参数），并且与它们所运行的特定“桌子”（硬件）不兼容。
• 结果： 机器变得过于嘈杂且运行缓慢，无法正常工作。
• 解决方案： 我们不再靠猜测，而是使用量子架构搜索（QAS）。这是一种自动寻找针对特定任务的最佳电路设计的方法，同时会考虑该电路将在其上运行的量子计算机的具体规则。

建筑师如何工作（搜索策略）

本文综述了这些“建筑师”寻找最佳设计的四种主要方式：

1. 进化算法（“适者生存”的花园）：
   想象一个花园，你在那里种植了成千上万种不同的电路设计。你给它们浇水（训练它们），看看哪些长得最高（表现最好）。你从表现最好的植株中采集种子，将它们混合在一起（交叉），并可能添加随机的突变（一块新积木）。经过许多代之后，这个花园会进化成一个完美且高性能的电路。

   • 挑战： 种植和测试所有这些植物需要很长时间。

2. 贝叶斯优化（“智能地图”探险家）：
   想象你正在一个雾气弥漫的岛屿上寻找隐藏的宝藏。与其走遍每一平方英寸，不如使用一张智能地图，它根据你已经查看过的区域来推测宝藏可能的位置。它在探索新区域（地图模糊/不确定的地方）与深入挖掘看似有希望的区域之间取得平衡。

   • 优势： 它能以更少的尝试找到好的设计，从而节省时间和能量。

3. 强化学习（“电子游戏玩家”）：
   想象一个 AI 在玩电子游戏。AI 就是“智能体”。它从一个空的电路开始，一次添加一块积木。每添加一块积木，游戏就会告诉它是更接近目标（奖励）还是更远离目标（惩罚）。随着时间的推移，AI 学会了构建获胜电路的完美移动序列。

   • 挑战： AI 需要玩数百万次游戏才能学会，这在计算上代价高昂。

4. 蒙特卡洛树搜索（“决策树”攀登者）：
   想象一棵巨大的树，每一根树枝代表一种不同的积木选择。算法爬上这棵树，测试不同的路径。它专注于那些最有可能通向顶端（最佳解决方案）的树枝，同时也会检查一些随机的侧枝，以防万一错过了什么。

更聪明的搜索方式（转换搜索）

本文还讨论了通过改变规则来简化搜索的方法：

• 可微搜索： 建筑师不再选择特定的积木（离散的），而是想象一个包含所有可能积木的“云”，并逐渐将这团云固化为特定的形状。这使得计算机能够利用平滑的数学（梯度）来寻找最佳形状，而不是在选项之间跳跃。
• 潜在空间搜索： 想象将所有可能的乐高设计压缩成一张平滑的“小地图”（潜在空间）。建筑师在这张平滑的地图上导航以找到最佳位置，然后将该位置转换回真实的乐高设计。

“作弊码”（高效估计）

测试电路通常需要在量子计算机上运行，这既慢又昂贵。本文强调了加速这一过程的“作弊码”：

• 权重共享： 与其从头开始构建和测试每一个电路，不如想象一个包含所有可能积木的巨型“超级电路”。你只需打开和关闭不同的开关来测试不同的设计，让所有人复用相同的积木。
• 预测器（水晶球）： 训练一个简单的 AI 来观察电路设计，并猜测其表现如何，而无需实际运行它。你只将排名靠前的猜测在真实机器上运行。
• 免训练代理： 使用简单的数学技巧（例如计算设计中的路径数量）来快速猜测哪些设计可能是好的，并立即过滤掉糟糕的设计。

这用在哪里？

本文列举了几个已经正在测试这种自动化设计的领域：

• 量子编译： 将复杂的数学指令转换为一组简单的量子积木。
• 分类： 使用量子电路对数据（如图像）进行排序。
• 量子自编码器： 压缩量子数据以节省空间，类似于在计算机上对文件进行压缩。
• 量子强化学习： 使用量子电路让 AI 智能体做出决策。

未来：接下来是什么？

本文总结道，虽然该领域发展迅速，但仍存在障碍：

• 规模： 大多数测试都是在微小系统（几块积木）上进行的。我们需要弄清楚如何为大规模系统（数百块积木）进行设计，而不会导致计算机崩溃。
• 理解： 有时 AI 找到了一个完美运行的设计，但人类无法理解为什么。我们需要工具来解释这些 AI 设计的电路背后的“逻辑”。
• 硬件感知： 目前，AI 是为“完美”机器设计电路的。在未来，AI 应该设计出完美适应实际物理硬件特定且嘈杂特性的电路。

简而言之： 本文是一本指南，指引我们进入一个新时代：我们不再手动构建量子电路，而是开始使用智能、自动化的搜索方法来设计它们，从而使量子计算机更高效、更易于使用。

技术摘要

以下是 Situ、He 和 Li 所著论文《量子架构搜索最新进展》的详细技术总结。

1. 问题定义

本文解决了为含噪声中等规模量子（NISQ）时代设计**变分量子算法（VQAs）**的关键挑战。

• 核心问题：VQAs（如 VQE、QAOA、量子分类器）的性能高度依赖于底层**变分量子电路（VQC）**或“ Ansatz"的设计。
• 现有方法的局限性：
  • 手动设计：传统方法依赖于固定的、手工构建的结构，这些结构通常包含冗余参数、过深的电路深度以及较差的噪声鲁棒性。
  • 编译开销：与硬件无关的设计需要编译以适配特定的量子比特连接性和原生门集，这会增加电路深度和噪声累积。
• QAS 的目标：量子架构搜索（QAS）旨在自动化发现最优电路结构。形式上，它被定义为一个双层优化问题：
  • 外层循环（离散）：在搜索空间 $\mathcal{S}$ 中寻找最优电路结构 $A^*$，以最小化损失函数 $L$。
  • 内层循环（连续）：对于固定结构 $A$，寻找最优变分参数 $\theta^*$ 以最小化 $L(A, \theta)$。
  • 挑战：搜索空间随量子比特和门的数量呈指数级增长，使得穷举搜索不可行。

2. 方法论

本文将 QAS 方法论分为三大主要技术流派：

A. 离散搜索策略

这些方法将电路设计视为组合优化问题。

1. 进化算法（EA）：
   • 利用交叉和变异等机制进化电路种群。
   • 示例：MQNE（马尔可夫量子神经进化）逐块构建电路；QCEAT 进化可变长度基因组，并结合噪声感知适应度评估。
   • 挑战：由于需要训练大量个体，计算成本高昂。
2. 贝叶斯优化（BO）：
   • 使用概率模型（如高斯过程）来平衡探索与利用。
   • 创新：结合性能预测器（如图神经网络）来估算电路质量，而无需完全训练。它针对可表达性、可训练性和纠缠度等多个目标进行优化。
3. 强化学习（RL）：
   • 将电路设计表述为序列决策问题，智能体选择门以最大化奖励（如保真度或能量精度）。
   • 创新：使用课程学习（逐渐增加任务难度）和纠缠感知奖励，引导智能体走向鲁棒结构。
4. 蒙特卡洛树搜索（MCTS）：
   • 将搜索空间建模为树（超网）。
   • 创新：采用权重共享（在超网的不同路径间重用参数）和渐进扩展，以高效处理无限动作空间。

B. 离散到连续搜索空间转换

为了实现基于梯度的优化，离散结构被松弛到连续域中。

1. 可微 QAS（DQAS）：
   • 引入结构参数（$\alpha$），表示在每个位置选择特定门的概率。
   • 使用梯度下降（例如通过得分函数估计器或 Gumbel-Softmax）联合优化结构参数（$\alpha$）和门参数（$\theta$）。
   • MetaQAS 利用元学习扩展此方法，以找到能快速适应新任务的初始化策略。
2. 基于潜在表示的 QAS：
   • 使用**变分自编码器（VAEs）**将离散电路结构映射到连续潜在空间。
   • 优化在此平滑的潜在空间中进行（使用梯度下降或 RL），而不是直接在离散结构上进行，从而提高了样本效率。

C. 高效性能估计

由于完全训练成本高昂，本文回顾了低成本估算性能的方法：

1. 权重共享：训练一个包含所有候选结构的单一“超网”。参数在所有电路间共享，允许快速评估子电路而无需从头重新训练（例如 QuantumNAS）。
2. 性能预测器：训练神经网络（通常是图神经网络），仅根据结构预测电路性能。利用自监督学习和半监督学习等技术来减少对标记训练数据的需求。
3. 免训练代理：使用与性能相关但无需训练指标，例如：
   • 可表达性：探索希尔伯特空间的能力。
   • 景观波动：成本函数的标准差，用于检测 barren plateaus（ barren 高原）。
   • Clifford 噪声鲁棒性：评估对硬件噪声的鲁棒性。

3. 主要贡献

• 全面的分类法：本文提供了 QAS 的结构化综述，将方法分类为离散策略、连续松弛和高效估计技术。
• 硬件感知设计：强调从与硬件无关的编译向端到端 QAS 的转变，其中硬件约束（连接性、原生门）直接集成到搜索过程中。
• 弥合差距：突出了从手动 Ansatz 设计向自动化、数据驱动发现的过渡，解决了 NISQ 设备固有的"barren plateau"和“噪声累积”问题。
• 多目标优化：讨论了现代 QAS 框架如何不仅针对任务精度进行优化，还同时针对可训练性、可表达性和噪声鲁棒性进行优化。

4. 结果与应用

本文回顾了 QAS 在各个领域的成功应用：

• 量子编译：自动化将任意幺正算子编译为原生门集，减少门数量（例如 QAQC）。
• 量子机器学习：设计最优的量子核和量子自编码器，用于分类和降维。
• 态制备：利用 RL 生成电路，以高保真度制备 Bell 态和 GHZ 态。
• 分布式计算：将 QAS 扩展到分布式 QAS，用于互联的量子处理单元，管理非局部门实现。
• 性能：引用的研究表明，QAS 能够找到比手工构建 Ansatz 具有更少参数和更浅深度的电路，同时实现相当或更优的精度（例如在氢分子的 VQE 中）。

5. 意义与未来方向

• 意义：QAS 被视为近期量子计算机实用化的关键推动者。它减少了对人类直觉的依赖，自动化了对特定硬件的适应，并通过结构优化减轻了噪声影响。
• 未来挑战与方向：
  1. 可扩展性：由于模拟器限制，当前方法在处理超过十几个量子比特的系统时面临困难。未来的工作必须专注于模块化/分层搜索空间和迁移学习。
  2. 可解释性与可解释性：超越“黑盒”设计，转向符合物理对称性且能被人类专家解读的电路。
  3. 软硬件联合优化：同时协同设计电路结构和物理硬件配置（量子比特放置、耦合）。
  4. 量子原生策略：开发显式考虑量子现象（纠缠、干涉、不可克隆）的搜索算法，而不是简单地调整经典神经网络架构搜索（NAS）技术。

总之，本文确立了 QAS 作为一个迅速发展的领域，对于释放 NISQ 设备的潜力至关重要，并提供了一条从当前离散搜索方法向可扩展、硬件感知和量子原生的自动化设计框架发展的路线图。