A Critical Comment on 'Entropy Computing: A Paradigm for Optimization in Open Photonic Systems'

本文对量子计算公司（Quantum Computing Inc.）提出的利用环境噪声的熵量子计算（EQC）范式进行了批判性评估，并得出结论：尽管其主张可以更加严谨，但当前技术尚未超越最先进的经典算法。

要点

以下是用通俗易懂的语言和日常类比对这篇论文的解读。

全局概览：新型计算机 vs. 传统阵营

想象一家名为“量子计算公司”（QCi）的企业建造了一台名为Dirac-3的新机器。他们声称这台机器是一种革命性的“熵计算机”。

公司的宣传：
大多数计算机试图保持绝对安静和隔离，以避免出错。而 Dirac-3 则反其道而行之。它拥抱噪音、混乱和“熵”（无序）。该公司表示，这台机器利用光和热的“混乱”来比任何普通计算机更快地解决难题（优化问题）。他们声称将混乱转化为了一种超能力。

作者的裁决：
两位研究人员 Ali 和 Bahram 决定测试这一说法。他们扮演了怀疑论机械师的角色。他们拿过该公司解决的难题，在标准笔记本电脑上使用老派且经过验证的数学技巧运行，并对比了结果。

他们的结论：
这台新机器并非魔法。它解决的难题太简单了。一台运行简单、知名算法（如“模拟退火”）的标准笔记本电脑，以同样的速度甚至更好的效果解决了完全相同的问题，而且不需要昂贵的光子机器。作者认为，虽然这项技术很有趣，但它尚未证明自己能胜过最好的经典计算机。

---

类比：在雾蒙蒙的山脉中寻找最低的山谷

要理解这些计算机试图做什么，想象你夜晚身处一片巨大的雾蒙蒙的山脉中。你的目标是找到最低的山谷（问题的最佳解决方案）。

1. “旧”方法（梯度下降）：
   想象你是一名只能感受脚下坡度的徒步者。你沿着下坡走。问题在于：如果你从一个小山丘开始，你可能会被困在一个微小的山谷里，而那里并不是全世界最低的山谷。你以为自己赢了，但其实没有。

2. “新”方法（熵/Dirac-3）：
   该公司声称，他们的机器就像一名被允许在雾中随机跳跃的徒步者。他们说：“如果我们摇晃地面（添加噪音/熵），我们就能跳出小山谷，找到最深的那个。”他们声称这种“摇晃”是一种量子超能力。

3. 作者的反驳：
   研究人员说：“且慢。我们有一位非常古老且极其聪明的徒步者（经典算法），他也知道如何随机跳跃以逃离小山谷。我们在一个小公园（测试问题）上测试了这两位徒步者。老徒步者找到谷底的速度和你的新机器一样快，而且他不需要价值 1000 万美元的激光装置就能做到。”

---

三项测试：为何新机器未能闪耀

研究人员进行了三项具体测试，以查看 Dirac-3 是否真的特殊。

测试 1：晃动的多项式（简单的曲线）

• 任务： 找到一条凹凸不平、蜿蜒曲折的线上的最低点。
• 公司的说法： 他们的机器找到了底部。他们将其与一名被困在虚假山谷中的“梯度下降”徒步者进行了比较。
• 现实核查： 研究人员表示：“将你们的机器与一名会陷入困境的徒步者进行比较，是一个薄弱的测试。”他们使用了一名更聪明的“徒步者”（元启发式算法），在0.01 秒内找到了底部。新机器看起来一点也不特别。

测试 2：50 变量谜题（中等挑战）

• 任务： 优化一个包含 50 个移动部件的问题。
• 公司的说法： 他们的机器找到了最佳答案，但必须仔细调整（就像调节收音机音量）才能得到正确结果。
• 现实核查： 一台标准计算机在零调整的情况下，于几分之一秒内解决了这个问题。这就像拿一辆需要机械师启动才能跑的 F1 赛车，与一辆只要骑就能走的自行车做比较。自行车在简单性和速度上获胜。

测试 3：图切割游戏（大挑战）

• 任务： 将 30 个点的网络切成两组，使得两组之间切断的连线最多（最大割问题，Max-Cut）。
• 公司的说法： 他们的机器找到了一个非常好的切割方案，击败了一种名为“半定规划”的标准数学方法。
• 现实核查： 研究人员表示：“在一个仅含 30 个点的微小图上击败一种薄弱的数学方法并不令人印象深刻。”他们在普通笔记本电脑上使用了简单经典的“跳跃”算法（模拟退火和禁忌搜索）。
  • 结果： 笔记本电脑几乎瞬间找到了完美的答案。
  • 新机器： 它找到了一个“好”答案，但不是完美的，而且表现不一致。
  • 启示： 这个问题太简单了，不足以证明新机器强大。这就好比说一台新火箭发动机很神奇，因为它能让风筝飞得比纸飞机高。

---

物理学：是“量子”还是仅仅是“热”？

该公司声称机器利用“量子随机性”（奇怪的量子噪音）来工作。

• 作者的分析： 他们仔细检查了机器内部的光。他们发现它并没有使用真正的“单光子”（福克态），那才是真正量子的。相反，它使用的是“弱激光束”（相干态）。
• 隐喻： 想象一家赌场。
  • 真正的量子： 一颗完美平衡的骰子，其行为违背了正常物理规律。
  • Dirac-3 使用的： 一颗略微配重的骰子，因为气流和桌面的震动而随机滚动。
  • 结论： 这台机器本质上是一台非常复杂的热力学引擎。它就像一台利用温度来探索解决方案的热机。虽然很酷，但这是一种已知的经典物理技巧，而非新的量子超能力。

理论上的“陷阱”（随机图）

这篇论文深入数学领域，以证明关于随机图上“最大割”问题的最后一点。

• 声称： 该公司表示，他们的机器击败了求解这些问题的理论极限。
• 现实： 研究人员证明，在随机图（像杂乱无章、未经规划的网络）上，即使是随机猜测的表现也会优于最坏情况下的理论极限。
• 类比： 想象一场考试，其“硬性限制”是数学考试得 50 分。该公司说：“看！我们的机器得了 90%！”但研究人员指出：“好吧，如果你在随机测试中每道题都猜'C'，你也会得 90%。所以，得 90% 并不能证明你的机器聪明；它只证明了测试太简单了。”

最终总结

该论文得出结论，熵计算是一个有趣的想法，但目前的证据很薄弱。

1. 测试的问题太简单了。 标准计算机解决得更快、更好。
2. “量子”优势很可能只是“经典”噪音。 这台机器表现得像热机，而不是量子计算机。
3. 没有优越性的证明。 除非这台机器在经典计算机难以应对的更困难、更复杂的问题上接受测试，否则它不能声称是一种新范式。

作者并非说这项技术无用；他们只是说：“先别庆祝。我们还没看到它击败旧方法中的佼佼者。”

技术摘要

技术摘要：对“熵计算：开放光子系统中的优化范式”的批判性评论

问题陈述
本文批判性地评估了量子计算公司（QCi）关于“熵量子计算”（EQC），特别是 Dirac-3 系统的主张。原始工作提出，EQC 利用开放光子系统和环境噪声，通过将熵转化为计算资源，能够彻底改变 NP 难优化问题（如 Max-Cut 和二次规划）的求解。本评论的作者调查了 Dirac-3 系统报告的运行性能是否展示了相对于最先进经典算法的真正量子或光子优势，或者观察到的结果是否可以通过常规经典方法复现。

方法论
作者采用三管齐下的方法来评估 Dirac-3 系统：

1. 基准测试的经典复现：作者使用标准消费级硬件（Intel Core i9-13900K）重新实现了原始研究中报告的特定优化问题（一个双变量非凸多项式、QPLIB_0018 连续二次问题以及 30 节点随机图上的 Max-k-Cut）。他们利用了成熟的经典求解器和元启发式算法，包括：

   • 精确求解器：分支切割算法（通过 HiGHS）。
   • 连续优化：内点法（Ipopt）。
   • 元启发式算法：模拟退火（SA）、禁忌搜索、粒子群优化（PSO）和进化中心算法（ECA）。
   • 比较基准：作者认为，针对这些问题规模，将 Dirac-3 与半定规划（SDP）进行比较是不够的；相反，他们将其与精确求解器和稳健的元启发式算法进行比较，后者是此类实例的实际标准。

2. 统计与热力学分析：作者将 Dirac-3 设备建模为从有效吉布斯（玻尔兹曼）分布采样的开放光子系统。他们分析了该设备产生的割值（cut values）的统计特性，将观察到的数据拟合到理论分布 $P(k) \propto \Omega(k)e^{-\beta E_k}$，其中 $\Omega(k)$ 是态密度，$\beta$ 是有效逆温度。

3. 理论渐近分析：本文推导了稠密随机图（$G(n, 1/2)$）中高值割配置数量的渐近行为。在退火近似下使用一阶和二阶矩方法，作者证明了在 $n$ 趋于无穷大的极限下，产生高割值的配置数量遵循泊松分布。他们进一步分析了系统超过 Goemans-Williamson (GW) 近似阈值的概率。

关键结果

• 经典可复现性：作者使用经典算法成功复现了 Dirac-3 报告的优化结果。

  • 对于非凸多项式，经典元启发式算法（PSO、ECA）在可忽略的时间内（<0.01 秒）找到了全局最小值，优于原始研究中使用的基线梯度下降法。
  • 对于 QPLIB_0018 问题（50 个变量），确定性求解器 Ipopt 在不到一秒的时间内找到了最优解，而无需 Dirac-3 所需的随机参数调整。
  • 对于 30 节点图上的 Max-k-Cut，经典元启发式算法（SA 和禁忌搜索）在绝大多数试验中实现了精确的全局最优解，运行时间在亚毫秒范围内。相比之下，Dirac-3 的结果显示出以次优割为中心的分布，其成功率显著低于经典启发式算法。

• 系统的物理性质：分析证实，Dirac-3 系统依赖于弱相干态，而非真正的单光子福克态（Fock states）。因此，驱动优化的“量子随机性”源于经典场的泊松散粒噪声，使得该系统在功能上类似于模拟退火等经典随机优化方法。

• 随机图上的理论局限性：作者证明，对于稠密随机图，吉布斯采样器（如 Dirac-3）超过 Goemans-Williamson 近似阈值的概率随着 $n \to \infty$ 而趋近于 1。然而，他们表明这并非量子优势的迹象。平凡的经典算法（随机猜测）和多项式时间近似方案（PTAS）在随机图上也能渐近地击败这些最坏情况界限。因此，在 $G(n, 1/2)$ 上超过 GW 阈值并不表示计算优越性，因为在该特定区域中问题并不困难。

意义与主张
本文得出结论，目前的证据不支持熵计算在定性计算或量子优势方面优于经典方法的主张。

• 范式重构：作者认为，Dirac-3 系统应被视为一种“物理启发的启发式优化器”，而非新的计算范式。其行为符合受热力学原理支配的经典基于采样的启发式算法。
• 基准测试批判：原始研究中使用的特定基准测试（小规模问题、特定图结构）不足以挑战现代经典算法。缺乏与最先进经典求解器的比较，以及使用薄弱基线（如基本梯度下降），掩盖了真实的性能格局。
• 未来要求：为了确立真正的优势，未来的工作必须提供：
  1. 规模更大、更多样化的基准测试。
  2. 与现代经典算法的直接比较（而不仅仅是 SDP 或基本 GD）。
  3. 清晰展示无法用现有算法或统计框架解释的扩展行为。

总之，虽然探索用于优化的开放光子系统是一个有效的实验方向，但作者断言，目前的结果代表了启发式算法的特定硬件实现演示，而非解决经典计算无法触及的困难组合问题的突破。