Harnessing DEN models for quantum computing tasks on neutral atom QPUs

本文展示了利用距离编码器网络将蛋白质和细胞天线网络图成功嵌入中性原子量子处理器（PASQAL 的 Orion Alpha 和 QuEra 的 Aquila），从而在量子机器学习和图着色任务中实现了高嵌入率。

要点

想象一下，你拥有一个由微小、悬浮原子构成的非常特殊的高科技游乐场。这个游乐场是一个量子计算机（具体而言，是使用“中性原子”的量子计算机）。与使用比特（0 和 1）的普通计算机不同，这台机器使用可以同时处于两种状态的原子。

本文的研究人员面临一个棘手的难题：如何将一张复杂的地图（图）完美地适配到这个特定的游乐场中？

以下是他们工作的分解说明，使用了简单的类比：

1. 游乐场规则（硬件）

将量子计算机想象成一个由不可见“陷阱”组成的网格，你可以在其中停放原子。

• “禁行区”： 如果两个原子靠得太近，它们会像两个同极相对的磁铁一样剧烈排斥。这被称为“阻塞效应”。
• “友谊区”： 如果原子靠得足够近（但又不是太近），它们就可以相互“交流”。
• 形状： 游乐场不是一个完美的圆形，而是一个矩形。此外，原子必须整齐地停放在行中，且这些行必须间距恰当。

目标是将网络图（如蛋白质结构或手机信号塔地图）的绘制重新排列，使其符合这些严格的停车规则。如果这些点符合规则，量子计算机就能瞬间解决有关该网络的问题。

2. 问题：“自由空间”与“现实世界”

在他们之前的工作中，团队使用了一个名为DEN 模型的智能 AI 工具，该工具可以在“自由空间”（想象一张没有任何线条的白纸）中任意排列这些点。它在寻找完美形状方面表现出色。

但当他们尝试使用真实的量子计算机（两个特定的机器，分别名为Orion Alpha和Aquila）时，却遇到了障碍：

• Orion Alpha： 原子必须停放在特定的三角形网格上（像蜂巢一样）。你不能随意放置原子；它们必须卡入特定的陷阱中。
• Aquila： 原子必须适应一个矩形，并保持行状排列，且间距必须特定。

这就像试图把车停进车库，车位都画在地上，但你的 AI 却告诉你把车停在车道中间。

3. 解决方案：“智能搬运工”

团队升级了他们的 AI 工具，以应对这些现实世界的约束。

• 针对蜂巢（Orion Alpha）：
  他们使用了一种“最近邻”策略。想象你有一份人员名单（点）和一份椅子名单（陷阱）。

  1. AI 首先计算出自由空间中的理想座位安排。
  2. 然后，它将最重要的人（那些朋友/连接最多的人）优先安排入座。
  3. 它将他们安排在蜂巢网格上最近的可用车位。
  • 结果： 他们成功将意大利都灵的一个包含 90 个手机信号塔的网络映射到了机器上。尽管座位安排并非数学上的完美，但计算机仍然能够解决“着色问题”（为信号塔分配唯一 ID 以避免信号冲突）。

• 针对矩形（Aquila）：
  他们在 AI 的“大脑”中增加了一条新“规则”。他们教导 AI，如果两个点在同一行，它们必须相距足够远；或者如果它们在不同行，行与行之间必须保持间距。

  • 结果： 他们尝试映射数百种蛋白质结构。
    • 对于小型蛋白质（最多 12 个点），成功率约为76%。
    • 对于中型蛋白质（最多 16 个点），成功率降至68%。
    • 对于大型蛋白质（最多 256 个点），成功率降至34%。

4. 为什么这很重要（“那又怎样？”）

这篇论文表明，虽然将这些复杂形状适配到这些量子机器上很难（就像试图将一张大地图折叠进一个小口袋），但他们的方法比传统的数学求解器更有效。

• 对比： 老式的数学工具尝试解决这个问题长达数小时，且经常放弃（0% 的成功率）。而团队的 AI 方法通常在不到 5 分钟内就能找到解决方案。
• 结论： 即使他们无法完美地适配每一个图，但他们能够适配足够多的图以进行真实实验。他们证明了可以将现实世界的数据（如信号塔或蛋白质）转化为这些量子机器能够理解的语言。

总结类比

想象你正在尝试安排一群朋友拍照。

• 旧方法： 你让他们站成一个完美的圆圈。
• 新现实： 你站在一个舞台上，舞台上有特定的、预先标记好的位置，而且有些朋友对靠得太近过敏。
• 本文的贡献： 他们构建了一个智能助手，能够快速计算出谁应该站在舞台上的哪个特定位置，以便让每个人都满意（或者至少能拍出照片），即使完美的圆圈无法实现。他们在两个不同的舞台上测试了这一点，并证明这对许多不同的朋友群体都有效。

技术摘要

技术摘要：利用 DEN 模型在中性原子量子处理器上执行量子计算任务

问题陈述
中性原子量子处理器（QPUs），例如 PASQAL（Orion Alpha）和 QuEra（Aquila）开发的设备，利用单个铷原子作为量子比特。这些机器通过其哈密顿动力学原生地表示单位圆盘图（UDGs），其中如果量子比特之间的物理距离在特定的里德伯半径（$r_b$）内，则它们之间存在边。然而，将任意问题图（例如蛋白质结构或蜂窝天线网络）映射到这些物理寄存器受到硬件限制。具体而言，原子必须位于固定坐标（通常是三角晶格）或遵守严格的行间距约束，且系统必须满足距离要求以区分相邻和非相邻顶点。先前的工作引入了距离编码器网络（DEN）以在“自由空间”假设下嵌入 UDG，但这些模型未考虑现实世界 QPU 的离散、受限几何结构。

方法论
作者调整了 DEN 框架，以解决两种不同 QPU 的特定硬件约束：

1. Orion Alpha (PASQAL)：

   • 约束： 原子必须占据三角晶格内的固定位置（61 个陷阱，边长 5µm），原子间最小距离为 5µm，最大距离为 40µm。
   • 方法： 由于 DEN 模型生成连续的自由空间坐标，且无法在其可微损失函数中原生处理离散整数约束，作者采用了两步流程。首先，训练 DEN 模型在自由空间假设下生成可行的嵌入。其次，应用最近邻算法将这些连续坐标映射到三角晶格中最近的可用陷阱。在映射前，顶点按度（降序）排序，以优先放置高度连接的节点。

2. Aquila (QuEra)：

   • 约束： 寄存器为矩形（75µm × 76µm），要求原子按行组织，最小垂直间距为 4µm。
   • 方法： 作者直接修改了 DEN 架构。他们在嵌入损失函数（ELF）中引入了行间距约束。模型架构更新为包含 CoordL 层（使用 tanh 激活函数将坐标限制在矩形寄存器内）和 DistL 层。DistL 层计算标准的成对平方距离以及行平方距离（$(y'_i - y'_j)^2$）。在损失函数中添加了新的惩罚分量 ELFrow，以惩罚行间距在 0 到 4µm 之间的配置，同时允许距离 $\ge$ 4µm 或 0（同一行）。

主要贡献

• 硬件感知嵌入： 本文提出了一种方法论，将理论上的自由空间 UDG 嵌入转化为适用于两种真实 QPU 的硬件可行方案。
• 算法适配：
  • 对于离散晶格（Orion Alpha），开发了一种启发式最近邻重映射策略，将 DEN 输出转换为有效的陷阱配置。
  • 对于具有行约束的矩形寄存器（Aquila），对 DEN 模型进行了结构性修改，直接在神经网络的损失函数中强制执行行间距约束。
• 特定应用验证： 该方法在两个不同的用例中得到了验证：
  • 图着色： 使用 Orion Alpha 上的混合 BBQ-mIS 算法，解决意大利都灵 90 个蜂窝天线的主小区标识符（PCI）优化问题。
  • 量子机器学习： 使用 Aquila 上的 PROTEINS 数据集对蛋白质（酶与非酶）进行分类。

结果

• Orion Alpha（图着色）： 90 个天线的数据集被分解为连通分量。虽然孤立顶点和完全图具有平凡解，但作者成功嵌入了四个非平凡子图（大小分别为 7、7、10 和 19 个顶点）。尽管重映射到晶格降低了嵌入质量（减小了相邻与非相邻距离之间的差距），但 BBQ-mIS 算法仍保持稳健，成功找到了最优着色，尽管 UDG 表示并不完美。
• Aquila（蛋白质分类）：
  • 对于 $n \le 12$ 的图，DEN 模型实现了 76% 的成功率（207 个样本中的 158 个）。
  • 对于 $n \le 16$ 的图，成功率降至 68%（307 个样本中的 210 个）。
  • 对于完整数据集（$n \le 256$），成功率为 34%（279 个样本）。
  • 作者指出，虽然由于几何约束，随着图大小的增加成功率会下降，但 DEN 启发式算法显著优于最先进的混合整数规划（MIP）求解器，后者即使在 5–10 小时的计算时间内，在较小图上的成功率也接近 0%。DEN 模型通常在 5 分钟内提供解决方案。

意义与主张
本文声称，这些结果强调了基于 DEN 的嵌入方法在跨多样化应用中表示中性原子量子计算机上单位圆盘图的有效性和通用性。作者强调，即使在嵌入大型复杂图方面取得部分成功，也代表了重大进展，特别是考虑到目前缺乏将问题映射到这些特定硬件架构的工具。他们建议，对于较小的图，一种在寄存器内多次复制图（确保副本之间有足够距离）的策略，可以通过减少测量要求来进一步优化量子任务执行。这项工作充当了理论图问题与当前中性原子 QPU 物理约束之间的实用桥梁。