技术摘要：用于纯态系综生成的随机薛定谔扩散模型

1. 问题陈述

在量子机器学习（QML）中，经典数据常被编码为量子纯态（希尔伯特空间中模去全局相位的向量），以利用量子特征空间。当量子数据稀缺时，一种自然的思路是从底层系综中采样新状态以扩充数据集。然而，直接扰动经典输入并重新编码往往会产生病态的量子态，例如近乎正交的特征态或坍缩的纠缠结构，这会损害训练的稳定性与泛化能力。

挑战在于将基于分数的扩散模型扩展至量子纯态空间。与欧几里得空间不同，纯态位于复射影流形 $\mathbb{CP}^{d-1}$ 上，该流形赋予有 Fubini–Study（FS）度量。这种非欧几里得几何带来了两个主要障碍：

1. 转移密度难以处理：标准基于分数的训练所需的转移密度在 $\mathbb{CP}^{d-1}$ 上通常没有闭式解。
2. 几何复杂性：定义前向扩散、分数函数及反向时间采样器需要仔细处理流形的曲率以及全局相位不变性。

现有的“量子扩散”方法通常侧重于通过噪声信道或密度矩阵演化进行状态恢复，而非针对数据增强进行纯态系综的生成式建模。

2. 方法论：随机薛定谔扩散模型（SSDMs）

作者提出了随机薛定谔扩散模型（SSDMs），这是一个直接定义在纯态流形 $\mathbb{CP}^{d-1}$ 上的内蕴分数生成框架。

2.1. 前向扩散与 SSE 实现

该框架在流形 $(\mathbb{CP}^{d-1}, g_{FS})$ 上构建了一个连续时间前向扩散过程 $\{\psi_t\}_{t \in [0,T]}$。

• 黎曼 OU 过程：前向过程被建模为一个时间非齐次的黎曼 Ornstein–Uhlenbeck（OU）扩散：
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  其中 $W^{(M)}_t$ 是在 FS 度量下的流形布朗运动，$b$ 是漂移项（例如，将状态拉向某个参考态）。
• 随机薛定谔方程（SSE）实现：为了将该流形扩散与物理量子动力学联系起来，作者在希尔伯特球面上提供了 SSE 实现。该动力学由涉及哈密顿量和类 Lindblad 噪声项的随机幺正演化驱动。在商去全局相位后，这在 $\mathbb{CP}^{d-1}$ 上诱导出所需的各向同性扩散。

2.2. 反向时间动力学与黎曼分数

基于黎曼流形上扩散过程的时间反演理论，反向时间过程也是 $\mathbb{CP}^{d-1}$ 上的一个扩散过程，具有相同的扩散系数但漂移项经过修正：
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
此处，$\nabla_{FS} \log p_t(\psi)$ 是黎曼分数，定义为关于 FS 度量的对数密度的梯度。该项驱动生成过程从简单的先验（例如 Clifford $t$-设计系综）回到数据分布。

2.3. 局部时间学习目标

由于转移密度 $p_t(\psi)$ 和全局分数难以处理，SSDMs 采用局部时间学习目标：

1. 局部近似：在以点 $\phi$ 为中心的 Fubini–Study 法坐标中，内蕴流形扩散在小时间步长 $\delta t$ 下，一阶近似为局部欧几里得 OU/VP 扩散。曲率效应仅出现在高阶项中。
2. 解析教师分数：该局部近似在切空间中产生了一个闭式的高斯条件密度。该高斯分布对数梯度的导数在法坐标中提供了一个解析教师分数。
3. 映射回流形：利用对数映射微分的伴随算子 $(d \log_\phi)^*_\psi$，将该教师分数映射回流形。
4. 训练：训练一个分数网络 $s_\theta(\psi, t)$ 以最小化黎曼去噪分数匹配目标，通过匹配由短时转移导出的解析教师分数来逼近真实的黎曼分数。

2.4. 采样

采样通过在流形上积分学习到的反向时间随机微分方程（SDE）来实现。该过程从一个可处理的先验（由 Clifford $t$-设计近似）开始，在局部切空间中采用 Euler–Maruyama 方案，随后通过重traction（或指数映射）投影回 $\mathbb{CP}^{d-1}$。

3. 主要贡献

1. SSDM 框架：引入了专门针对 $\mathbb{CP}^{d-1}$ 上量子纯态分布的基于分数的生成框架。
2. 内蕴扩散设计：设计了具有随机薛定谔方程（SSE）实现的黎曼 OU 前向扩散，建立了物理量子轨迹与流形扩散之间的桥梁。
3. 局部时间训练：提出了一种实用的训练目标，利用 FS 法坐标中的局部欧几里得极限来推导解析教师分数，从而绕过了对闭式全局转移密度的需求。
4. 黎曼分数推广：推导了由 FS 度量下的黎曼分数驱动的反向时间动力学，为将欧几里得基于分数的建模推广到量子纯态系综提供了原则性的方法。

4. 实验结果

作者评估了 SSDMs 在 $n=2, 4, 6$ 个量子比特的纯态系综生成及其在下游 QML 任务中的效用。

• 生成质量：在所有系统规模下，SSDMs 的表现始终优于基线模型（包括欧几里得 VP-SDE、黎曼分数生成模型（RSGM）、QGANs 和 QuDDPMs）。
  • 指标：SSDMs 实现了更高的态保真度（$F_0$）以及更低的最大均值差异（MMD）、可观测量失配（$\Delta_{obs}$）和纠缠 Wasserstein 距离。
  • 几何影响：对 FS 几何的内蕴建模相比欧几里得基线带来了显著改进，特别是在系统维度增加时，这证实了在 $\mathbb{CP}^{d-1}$ 上内蕴地学习切空间分数至关重要。
• 局部时间监督：消融研究表明，与有限差分近似或无局部监督的模型相比，使用解析局部时间 OU 教师分数显著提高了采样质量。
• 下游 QML 效用：在表示级数据增强任务中，SSDM 生成的量子态改善了下游分类器（如核 SVM、变分分类器）在有限标记数据下的泛化能力，证据包括核对齐度、核间隙和平均边距的改善。

5. 意义与主张

本文主张 SSDMs 为量子纯态系综的基于分数的生成建模提供了一条具有物理基础且几何原则明确的路径。

• 表示级增强：该框架能够在特征空间中直接生成新的量子表示，为 QML 中的数据稀缺问题提供了解决方案，同时避免了经典输入扰动带来的病态问题。
• 几何必要性：结果表明，尊重 Fubini–Study 几何不仅仅是理论上的完善，更是高维量子态空间中实现稳定且准确采样的实际必要条件。
• 连接物理与机器学习：通过利用 SSE 实现，该工作将随机量子动力学与现代生成式建模联系起来，为弯曲流形上稳定的前向扩散提供了灵活的设计原则。

作者指出了局限性，包括对局部教师信号的小步长近似的依赖、目前仅关注纯态（排除混合态），以及希尔伯特空间的指数增长和 $\mathbb{CP}^{d-1}$ 的非线性几何所固有的可扩展性挑战。然而，他们将 SSDMs 定位为在近期量子时代实现量子态系综模拟的高效经典代理的基础性步骤。