Software Between Quantum and Machine Learning -- And Down to Pulses

本文在 QML-Essentials 包中引入了一种高性能软件框架，该框架弥合了抽象门级模型与硬件感知脉冲级控制之间的鸿沟，实现了量子机器学习与最优控制技术的无缝集成，从而支持更具表现力和更优化的量子系统设计。

要点

想象一下，你正在尝试教一台机器人创作一幅杰作。

旧方法：按部就班地给出指令
目前，大多数人使用“菜单”式方法来教导量子计算机（即机器人）。你告诉计算机：“执行这个特定操作，然后执行那个特定操作。”在论文的语言中，这些被称为门（gates）。这就像告诉一位厨师：“先切洋葱，然后翻炒它。”这种方法行之有效，但缺乏灵活性。你无法要求厨师切得“稍微快一点”，或者在“略微不同”的温度下翻炒。你只能局限于预先定义好的菜单项。

新方法：直接控制火候
这篇论文介绍了一个名为QML-ESSENTIALS的新软件框架，它让你跳过菜单，直接与炉灶对话。与其说“翻炒”，不如直接控制脉冲——即加热锅具的精确电信号。你可以以极高的精度微调火焰的强度、持续时间和节奏。

作者将这种方法称为脉冲级学习（Pulse-Level Learning）。这就像是一位指挥家，而不仅仅是分发乐谱的人。你可以微调每一件乐器（量子比特），使其演奏出你需要的确切音符，从而在错误发生前将其修正，让音乐（计算）听起来更加完美。

巨大的挑战：选择过多
直接控制炉灶的问题在于令人应接不暇。有数百万个旋钮需要调节。如果你只是随机扭动它们，永远无法做出一顿美餐。

为了解决这个问题，作者构建了一个智能工具箱（即该软件框架），帮助你管理这种复杂性。你可以将其视为一位“智能厨房助手”，它能帮助你：

1. 构建定制食谱（Ansatz 构建）：软件不再强迫你使用单一的标准食谱，而是允许你将不同的积木块（像乐高积木一样）拼接起来，创建自己独特的电路设计。
2. 用特制勺子品尝（傅里叶分析）：论文重点探讨了量子傅里叶模型（QFMs）。想象你的画作是一列复杂的声波。这个工具箱拥有一把特殊的“傅里叶勺子”，能将声波分解为单个音符（频率）。它能帮助你确切地看到量子计算机正在学习什么，以及它是否在学习正确的内容。它能检查“音符”是否过于拥挤，或者是否在无谓地重复。
3. 检查食材（纠缠度量）：量子计算机依赖于粒子之间一种被称为**纠缠（entanglement）**的诡异连接。该工具箱包含测量食材“纠缠”程度的方法。这就像检查你的食材是否真正混合在一起，还是仅仅分别盛在不同的碗里。他们还增加了新的测量方法，即使食材有些“嘈杂”或不完美（比如稍微烧焦的洋葱），也能进行测量。
4. 自动调校炉灶（最优控制）：软件可以自动调整脉冲信号，使量子门尽可能完美地工作，从而最大限度地减少错误并节省时间。

为何这很重要
作者使用高速引擎（JAX）构建了该软件，因此即使在进行非常繁重的数学运算时，它也能快速运行。他们通过将新的“直接炉灶控制”方法与旧的“菜单”方法进行比较，对其进行了测试。

结果：

• 他们发现，虽然直接脉冲控制极其精确，但如果你的食谱（电路）过长，错误可能会累积。
• 然而，他们的工具箱表明，即使存在这些错误，其精度也远优于当前现实世界量子计算机通常能达到的水平。
• 他们证明，观察电路的“音符”（傅里叶谱）有助于理解为何某些设计比其他设计的学习效果更好。

一句话总结
这篇论文为量子机器学习提供了一个通用翻译器和控制面板。它通过为研究人员提供一种结构化、易于使用的方法来实验量子计算机的原始电信号、分析其性能并比以往任何时候更深入地理解其内部运作，从而弥合了高层的“我想计算什么？”与底层的“我如何在物理上让机器执行它？”之间的鸿沟。

技术摘要

技术摘要：介于量子与机器学习之间的软件——直至脉冲层面

问题陈述
当代量子机器学习（QML）研究主要依赖于通过幺正门分解抽象化的参数化量子电路（PQCs）。尽管这些抽象提供了统一的接口，但它们掩盖了底层硬件（如超导量子处理单元 QPU）的物理现实，后者是在控制脉冲层面运行的。这种抽象限制了对完整硬件能力的利用，并阻碍了定制化误差缓解和优化策略的发展。此外，现有的 QML 软件框架通常将脉冲级控制视为实现细节，而非可微对象，从而在高阶电路分析指标（例如傅里叶谱）与低层、硬件感知的脉冲优化之间造成了鸿沟。目前缺乏能够直接学习脉冲级控制序列并分析其对模型表达能力和可训练性影响的系统性工具。

方法论
作者提出了一个集成在QML-ESSENTIALS包中的软件框架，旨在弥合基于抽象电路的模型与脉冲级控制之间的差距。该方法论建立在三大支柱之上：

1. 统一建模范式：该框架将 QML 方法扩展至涵盖脉冲级建模。它将控制脉冲视为可微对象，使得脉冲参数能够与传统门角度一起进行端到端优化。这实现了基于门表示与脉冲级表示的无缝结合。
2. 傅里叶分析诊断：受量子傅里叶模型（QFMs）作用的启发，该框架集成了严格的诊断工具。它通过解析方法或快速傅里叶变换（FFT）计算傅里叶系数和频率，以分析模型表达能力。关键指标包括傅里叶指纹（Fourier Fingerprint）和傅里叶系数相关性（FCC），它们量化了内在傅里叶系数之间的相关性，并揭示了有效表达能力的局限性。
3. 量子最优控制（QOC）集成：该软件实现了用于优化脉冲参数的 QOC 例程。它支持多种脉冲包络形状（高斯、矩形、升余弦、DRAG、双曲正割），并利用多阶段优化程序，包括网格扫描和基于梯度的细化（使用带有权重衰减和余弦衰减学习率的 Adam 优化器）。目标函数是多目标的，在门保真度与脉冲持续时间和宽度之间取得平衡，以遵守相干时间约束。

整个性能关键的基础设施均使用JAX实现，以支持高性能数组计算和并行化。该框架包含一个自定义的可微量子模拟器，支持幺正门执行和脉冲级模拟（通过自适应龙格 - 库塔方法或马格努斯积分器求解含时薛定谔方程）。

主要贡献
本文向 QML-ESSENTIALS 包引入了以下具体贡献：

• 模块化 Ansatz 构建：一个使用可互换构建块（门和拓扑）构建变分 Ansatz 的系统，支持预定义结构（例如强纠缠、硬件高效）和自定义组合。
• 脉冲级接口：一个基于图的接口，允许用户直接使用脉冲参数（幅度、宽度、持续时间、相位）而非仅仅是旋转角度来参数化 Ansatz。该接口支持基础门和复合门，并处理参数冗余。
• 增强诊断：
  • 实现傅里叶系数相关性（FCC）和傅里叶指纹以分析频谱特性。
  • 将纠缠度量扩展为包括形成纠缠（EF）和可集中纠缠（CE），这些度量适用于混合（噪声）量子态，除此之外还包含现有的纯态度量（如 Meyer-Wallach 和贝尔测量）。
• 数据集生成：内置的傅里叶级数数据集生成器，从编码策略中推断内在频率以创建训练数据对。
• 可视化与可复现性：用于导出电路图（文本、Matplotlib、Quantikz）和脉冲序列调度的工具，确保可复现的工作流程。

结果
作者提供了概念验证结果，展示了该框架的能力：

• QOC 优化：该框架成功优化了通用门集（$\hat{RX}, \hat{RY}, \hat{RZ}, \hat{CZ}$）的脉冲参数。所得门保真度极低（例如，单量子比特门约为 $\sim 10^{-13}$），显著优于当前真实设备的保真度（$\sim 10^{-7}$），证实了模拟器在理想环境中的精度。
• 误差累积：实验表明，保真度误差随电路深度和非基础门数量的增加而累积，尽管该框架的结果仍比实际硬件误差率低几个数量级。
• 指标比较：比较基于KL 散度的可表达性和FCC的基准测试揭示了差异；某些 Ansatz 通过 KL 散度显得表达能力较低，但通过 FCC 显示出较低的系数相关性（更高的可训练性），验证了结合这些指标的实用性。
• 可扩展性：运行时基准测试表明，虽然可表达性和 FCC 计算时间均随量子比特数量呈指数级增长（与量子系统复杂性一致），但 FCC 计算在电路深度方面的扩展性优于可表达性，后者需要大量的成对采样。
• 纠缠分析：各种 Ansatz 的纠缠度量（MW、BM、CE、EF）比较显示，对于纯态具有一致的排序。在噪声模型下，BM 和 CE 保持了排序但产生了更高的值，而 EF 表现不同，表明其在噪声区域作为上限或替代度量的实用性。

意义与主张
本文声称，该软件框架为 QML 与量子控制交叉领域的未来发展提供了坚实的基础。其主要意义在于：

1. 弥合鸿沟：它将抽象电路分析与硬件感知的脉冲级优化联系起来，使研究人员能够直接在物理可实现的控制层面研究表达能力、可训练性和纠缠。
2. 系统性调查：它使得对脉冲级学习和特定数据编码策略如何影响 QML 模型进行可复现的、系统性的调查成为可能，超越了理想化的门假设。
3. 科学工具：作者将这项工作定位为科学工具，而非立即面向应用的产品。它旨在促进对脉冲级学习与 QFMs 结合的系统性探索，作者指出此前尚未有单一集成软件包提供这种组合。
4. 未来潜力：该框架为未来的实验奠定了基础，探索误差缓解策略、学习任务中的直接脉冲参数优化，以及硬件感知系统动力学（例如阻尼）的集成。

作者明确指出，尽管该框架包含了性能优化，但其主要贡献是科学性的，旨在提供一个综合工具箱，用于可复现的 QML 研究，将频谱特性与物理实现细节统一起来。