Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

本文展示了利用 256 量子比特中性原子模拟器（Aquila）计算用于 PROTEINS 数据集上图分类的量子演化核特征的有效性，尽管存在硬件噪声，其性能仍略优于经典核方法。

要点

想象你有一大堆杂乱无章的蛋白质结构。其中一些是“酶”（细胞中辛勤工作的工具），而另一些只是“非酶”。你的任务是将它们分成两堆。在计算机世界里，这些蛋白质就像由点（原子）和线（连接）构成的复杂地图。对于普通计算机而言，对这些地图进行分类通常是一项非常缓慢且困难的工作，因为这些地图可能非常庞大且错综复杂。

本文描述了一项实验，研究人员尝试利用一种特殊的“量子游乐场”来更快、更好地完成这项分类工作。以下是他们如何做到的简单解释：

量子游乐场：原子场

研究人员没有使用标准的计算机芯片，而是使用了一台名为Aquila的机器，该机器由 QuEra 公司制造，并通过亚马逊提供。请将 Aquila 想象成一张巨大的、可编程的台球桌，而不是大脑。

• 球： 这张桌子使用的不是台球，而是微小的、漂浮的原子（铷原子）。
• 镊子： 机器使用不可见的“光镊”（像激光手一样）来拾取这些原子，并将它们排列成平坦的二维网格。
• 规则： 原子有一个特殊的技巧。如果两个原子彼此靠得太近，它们就不能同时处于“高能”状态。这被称为里德堡阻塞。这就像一条规则：“如果两个朋友站得太近，他们就不能同时跳起来。”这条规则在原子之间自然地建立了连接，模拟了图的结构。

挑战：拼图的契合

他们数据集中的蛋白质（称为 PROTEINS）就像形状各异的拼图碎片。有些有 10 个点，有些有 200 个。Aquila 机器有一个限制：它一次只能容纳256 个原子。

为了使用这台机器，研究人员必须将蛋白质地图“压平”到机器的网格上，同时不破坏连接。他们使用了一种智能 AI 工具（神经网络）来重新排列原子，使地图完美地契合机器的“台球桌”，同时遵守机器的物理规则。

实验：量子之舞

一旦原子被排列成蛋白质的样子，研究人员并没有只是观察它们；而是让它们“跳舞”。

1. 脉冲： 他们用特定序列的激光脉冲轰击原子。这就像在钢琴上弹奏一首特定的曲子。原子会对这首曲子做出反应，改变其能量状态。
2. 测量： 舞蹈结束后，他们拍了一张快照。他们统计了多少个原子处于“高能”状态，多少个处于“低能”状态。
3. 指纹： 这个计数为该特定蛋白质创建了一个独特的“指纹”（概率分布）。

魔法：量子核

研究人员使用了一种称为**量子演化核（QEK）**的数学技巧。将其想象为一种测量两个指纹相似程度的方法。

• 如果两种蛋白质具有非常相似的“舞步”（能量模式），机器就会说它们很可能是同一类型（都是酶或都是非酶）。
• 如果它们的舞蹈截然不同，机器就会说它们是不同的。

他们将这些指纹输入到一个标准的计算机程序（支持向量机）中，以做出最终决定，确定蛋白质属于哪一堆。

结果：量子机器赢了吗？

研究人员在两组数据上测试了这种方法：

1. 小组（12 个原子）： 他们首先在小样本上测试该方法，以调整“激光歌曲”（脉冲参数）以获得最佳结果。他们发现，一首新的、优化的歌曲比旧版本效果更好。
2. 大组（256 个原子）： 随后，他们在真实的 Aquila 机器上对更大的数据集进行了完整的实验。

结果：

• 量子方法在分类这些蛋白质方面的表现与最好的传统计算机方法一样好。
• 事实上，在较小的数据集上，优化的量子方法实际上比传统方法略好。
• 尽管量子机器是“有噪声的”（它会犯小错误，就像一张略微摇晃的台球桌），但结果仍然很强劲。

底线

这篇论文证明，你可以将复杂的图问题（如蛋白质分类）映射到 256 个原子的量子模拟器上，并获得有用的结果。这是一个“概念验证”，表明即使使用当前不完美的量子硬件，我们也可以开始解决那些对普通计算机来说很困难的现实世界图问题。

他们并没有声称这将治愈明天的疾病或取代所有计算机。他们只是表明，“量子之舞”足以很好地分类这些特定的蛋白质地图，为未来更强大的实验铺平了道路。

技术摘要

技术摘要：利用 256 量子比特中性原子模拟器进行图分类

问题陈述
图分类是一项计算密集型任务，在生物学、电信和社会科学等领域具有广泛应用。虽然量子机器学习（QML）由于希尔伯特空间的指数级规模而具有潜在优势，但在真实硬件上实现这些算法极具挑战性。具体而言，利用里德堡态以模拟模式运行的中性原子平台面临着独特的约束。与通用的门基量子计算机不同，这些模拟器通常依赖全局脉冲，其连通性由里德堡阻塞半径定义，自然地映射到单位圆盘（UD）图。此外，公开可用的量子硬件稀缺，且当前设备固有的噪声使得执行量子机器学习任务（例如通过量子演化核（QEK）提取特征）变得非同寻常。

方法论
作者提出了一种混合量子 - 经典工作流，利用通过 AWS Braket 提供的 256 量子比特 Aquila 中性原子模拟器，对来自 PROTEINS 数据集的蛋白质图（标记为酶或非酶）进行分类。

1. 图嵌入：由于 Aquila 原生实现 UD 图，通用蛋白质图必须嵌入到二维原子寄存器中。作者利用神经增强的 DEN 模型寻找可行的 UD 嵌入，遵循特定的硬件约束：$75\mu m \times 76\mu m$的寄存器面积和$4\mu m$的离散行间距。
2. 量子演化核（QEK）：核心算法涉及在由交替混合项（$\hat{H}_\theta$）和伊辛项（$\hat{H}_G$）组成的含时哈密顿量下演化量子态。演化由参数集$\Lambda = \{\theta_0, t_0, \theta_1, t_1, \theta_2\}$参数化。
   • 系统演化，并在计算基下进行测量。
   • 后处理将测量比特串转换为能量分布。
   • 这些分布被分箱以形成概率向量。
   • 两个图之间的核距离使用其概率分布的 Jensen-Shannon (JS) 散度计算：$K_\mu(G, G') = e^{-\mu JS(P, P')}$。
3. 优化：采用贝叶斯优化程序寻找最优波形参数（$\Lambda_{BO}$），以最大化 F1 分数。该优化在较小的子集（PROTEINS12，最多 12 个节点）上进行，通过 Bloqade 框架进行经典模拟，以避免在搜索过程中产生高昂的量子测量次数成本。
4. 分类：生成的核矩阵被输入到带有类别加权超参数的支持向量机（SVM）中，以处理数据集的不平衡问题。

主要贡献

• 首个真实世界实现：本工作展示了在真实的、有噪声的中性原子模拟器（Aquila，最多 256 量子比特）上首次实现基于 QEK 的图分类流程。
• 硬件感知嵌入：作者调整了 DEN 嵌入模型以满足 Aquila 平台的具体物理约束（全局脉冲、离散行），从而实现了将任意图映射到硬件原生连通性。
• 参数优化：通过贝叶斯优化，作者推导出一组新的脉冲参数（$\Lambda_{BO}$），与之前发表的参数（$\Lambda_a$）相比，将总协议持续时间缩短了约 33%，从而减轻了退相干效应。
• 基准测试：该研究提供了严格的基准测试，在模拟和真实硬件环境中，将量子方法与经典最短路径核（SPK）以及不同的参数集进行了比较。

结果

• 经典模拟（PROTEINS12）：优化后的参数（$\Lambda_{BO}$）在 F1 分数（SPK 为 44.1%，优化后为 46.3%）和精确度方面优于文献参数（$\Lambda_a$）和经典 SPK，尽管数据集规模较小且存在类别不平衡。
• 真实硬件（Aquila）：
  • PROTEINS12：在 Aquila 上执行的优化 QEK 实现了 49% 的 F1 分数和 63.7% 的准确率，优于经典 SPK（F1 44.1%）和模拟结果。较短的协议持续时间（$\Lambda_{BO}$）比较长的$\Lambda_a$协议产生了更好的结果，表明噪声影响有所降低。
  • PROTEINS256：在更大的数据集（最多 256 个节点）上，优化后的 QEK 实现了 65.6% 的 F1 分数和 65.4% 的准确率，与经典 SPK（F1 65.3%）相当。
• 测量效率：统计分析显示，将测量次数从 1,000 次减少到 100 次仅导致约 1% 的性能下降，而减少到 10 次则会导致显著下降。

意义与主张
该论文声称证明了在当前中性原子平台上执行具有数百个节点和任意连通性的图问题量子机器学习工作负载的可行性。作者强调，尽管当前硬件存在噪声且量子比特数量有限，但优化后的 QEK 方法在与经典核的竞争中仍取得了有竞争力的性能。他们认为，随着中性原子架构在量子比特数量和保真度方面的扩展，其固有的连通性映射可能为图分析提供独特的优势。这项工作作为利用这些特定量子模拟器进行实际机器学习任务的“首个概念验证”，突出了将算法与硬件约束（如全局脉冲限制和嵌入要求）协同设计的重要性。