Support Vector Machine with a Scalable Quantum Kernel

本文介绍了汉明量子核（Hamming quantum kernel），这是一种利用全测量统计数据来克服传统保真度量子核中指数级集中问题的可扩展后处理方法，在无需额外量子资源的情况下，证明了其在具有 15 个或更多量子比特的数据集上，性能优于基于保真度的核以及经典高斯核。

要点

想象一下，你正在试图教一台计算机识别模式，比如区分数字“0”和数字“6”的图片。为了实现这一点，计算机使用了一种叫做**支持向量机（SVM）**的工具。你可以把 SVM 想象成一个非常聪明的裁判，它试图在沙地上画一条线，将两组事物分隔开来。

为了帮助裁判画出最好的线，它需要一个“核”（kernel）。你可以把“核”想象成一个特殊的放大镜，它观察两个物体并决定：“这两个东西有多相似？”

问题所在： “保真度”透镜变得模糊了

长期以来，科学家们一直使用一种用于量子计算机的特定类型的放大镜，叫做保真度量子核（Fidelity Quantum Kernel, FQK）。

• 它是如何工作的： 它观察两个数据点，并询问：“这两个量子态是否完全相同？”它根据两者的重叠程度给出一个“是”或“否”的分数。
• 问题在于： 随着量子计算机变得越来越大（增加“量子比特”，即计算机的原子），这个透镜开始变得极其模糊。
• 类比： 想象你在一个安静的房间里听耳语。这很容易。现在想象你在一个坐满了 10,000 人尖叫的体育场里听同样的耳语。耳语（信号）会被噪声淹没。
• 结果： 在大型量子系统中，FQK 透镜变得如此模糊，以至于它无法再分辨“0”和“6”。它看到的只是一片“随机噪声”。这被称为指数级集中（exponential concentration）。这意味着即使你制造了一台巨大的量子计算机，这个特定的工具也无法很好地工作。

解决方案： “汉明”透镜

本文的作者引入了一个新工具，叫做汉明量子核（Hamming Quantum Kernel, HQK）。他们并没有扔掉旧的放大镜，而只是改变了观察的方式。

与其询问“这两个东西是否完全相同？”（这在嘈ibles的体育场里很难听清），HQK 询问的是：“这两个东西有多接近？”

• 类比： 想象你在人群中观察两个人。
  • 旧方法 (FQK)：你只看他们的脸。如果他们没有戴完全一样的帽子，你就说他们完全不同。随着人群变大，你看不清帽子了，于是你就放弃了。
  • 新方法 (HQK)：你观察整个人。你会注意到他们穿着相似的鞋子、相似的衬衫，并且站在房间的同一个区域。即使他们的帽子略有不同，你也会意识到：“嘿，这两个人肯定属于同一组！”
• 技术原理： 与其只检查一个特定的结果（比如“是否得到了全零？”），HQK 会观察结果的整个分布。它计算两次测量之间有多少个比特（0 和 1）是不同的。它会对非常相似的结果给予更高的权重，而对差异较大的结果给予较低的权重。

他们的发现

研究人员在两种类型的数据上测试了这种新方法：

1. 现实世界数据： 手写数字的图片（著名的 MNIST 数据集）。
2. 合成数据： 由其他量子电路生成的模式。

他们在从微型（2 个量子比特）到相当大型（27 个量子比特）的量子系统模拟中运行了这些测试。

• 结果： 当系统较小时，所有方法都运行良好。但一旦达到 15 个量子比特或更多，旧的 FQK 方法就崩溃了，并开始进行随机猜测。
• 获胜者： 新的**汉明量子核（HQK）**始终保持完美运行。它没有变得模糊。事实上，对于合成量子数据，它甚至比最好的标准“经典”（非量子）方法还要出色。

核心结论

该论文声称，通过使用一种更聪明的方式来处理来自量子计算机的数据（观察整体图像而不是仅仅一个像素），他们解决了“透镜模糊”的问题。

• 无需额外硬件： 他们不需要更大或更好的量子计算机；他们只需要一种更好的读取结果的方法。
• 可扩展性： 这种新方法使得量子机器学习能够在不丢失学习能力的情况下，在更大的系统上实际运行。

简而言之，他们找到了一种方法，让量子计算机的“耳朵”足够敏锐，即使在拥挤的体育场里也能听清信号，从而使它能够在以往方法失效的地方，有效地对复杂数据进行分类。

技术摘要

技术摘要：具有可扩展量子核的支持向量机

问题陈述
量子支持向量机（QSVM）依赖于量子生成的核函数，将数据映射到高维希尔伯特空间，这在理论上提供了优于经典方法的方法。然而，标准方法——保真度量子核（Fidelity Quantum Kernel, FQK）面临着一个关键的扩展性障碍，即所谓的“指数收敛”（exponential concentration）。随着量子比特数 ($n$) 的增加，不同量子态之间的重叠呈指数级衰减（$\sim 2^{-n}$）。因此，核矩阵的元素会收敛到单一数值（对于非对角线元素通常为零），使得核矩阵变得与单位矩阵无法区分。这种现象导致需要指数级的测量采样次数（shots）才能分辨出数据点之间的差异，从而有效地阻止了其向多量子比特系统的有效扩展，并导致在大规模数据集上的泛化能力变差。

方法论
为了解决 FQK 的局限性，作者提出了汉明量子核（Hamming Quantum Kernel, HQK）。与仅依赖于测量全零比特串（$|0\dots0\rangle$）的概率来估计状态重叠的 FQK 不同，HQK 利用了量子电路生成的完整测量统计数据。

核心方法包括以下步骤：

1. 状态编码： 将输入数据点 $x_i$ 和 $x_j$ 通过参数化量子电路（具体为 ZZ-kernel 拟设）编码为量子态 $|\psi(x)\rangle = U(x)|0\rangle^{\otimes n}$。
2. 测量： 执行电路 $U^\dagger(x_i)U(x_j)$ 并测量得到的比特串。
3. 基于分布的信息后处理： HQK 不再丢弃除全零串以外的所有结果，而是根据比特串的汉明重量 $h(b)$（即字符串中 1 的个数）对所有测得的比特串 $b$ 进行分组。
4. 核计算： 核元素通过这些比特串概率的加权和进行计算：
   $$\kappa_{HQK}(x_i, x_j) = \sum_{b} |\langle b|U^\dagger(x_i)U(x_j)|0\rangle^{\otimes n}|^2 e^{-\lambda h(b)}$$
   此处，$\lambda$ 是一个可调超参数。
   • 当 $\lambda \to \infty$ 时，HQK 收敛于标准的 FQK（仅关注 $h(b)=0$）。
   • 当 $\lambda \to 0$ 时，核趋近于全为 1 的矩阵。
   • 中间值 $\lambda$ 允许核函数利用低汉明重量比特串的分布，这些比特串对于相似的状态而言概率更高，从而在 $n$ 增加时保持信号强度。

核心贡献

• 可扩展性： HQK 通过利用完整的测量统计数据而非单一的保真度值，缓解了指数收敛问题。这使得该方法能够在不增加量子资源或复杂的混合优化循环的情况下，在更大的量子比特规模下保持有效。
• 经典后处理： 该方法引入了一种特定的经典后处理函数，通过利用汉明重量分布来增强相似性度量，避免了在训练阶段需要进行核对齐（kernel alignment）或迭代参数优化。
• 鲁棒性： 该方法旨在实现问题无关性，依赖于测量结果的统计特性而非特定的数据集结构。

结果
作者使用两个数据集（MNIST 和合成量子数据）评估了 HQK 相对于标准 FQK 和经典径向基函数（RBF）高斯核的表现。

1. 经典数据 (MNIST)： 通过主成分分析（PCA）将手写数字（0 vs. 1, 0 vs. 6, 以及奇数 vs. 偶数）降维至 2 到 27 维。
   • 当 $n < 15$ 时，所有核的表现相似。
   • 当 $n \ge 15$ 时，由于指数收敛，FQK 的准确率大幅下降，趋近于随机猜测。
   • HQK 保持了稳定的准确率，表现优于 FQK，并接近经典 RBF 核的性能。
2. 合成量子数据： 数据由两个不同的量子电路（$V_0$ 和 $V_1$）生成，量子比特数从 4 到 27 不等。
   • 在所有量子比特计数下，HQK 始终优于 FQK 和经典 RBF 核。
   • 至关重要的是，对于较大的 $n$，HQK 达到了接近理论最大值的测试准确率（可区分度极限），而 FFK 和 RBF 核则表现出显著的性能下降或停滞。

意义与主张
论文声称，汉明量子核为可扩展量子机器学习提供了一条切实可行的路径。通过规避保真度核固有的指数收敛问题，HQK 使 QSVM 能够在不需要容错硬件或额外量子资源的情况下，在 15 个或更多量子比特的系统上有效运行。

作者断言，HQK 提高了大规模下量子核的表达能力和鲁棒性。值得注意的是，该方法在量子生成数据上展示了决定性的优势，其表现超越了标准的量子核和经典核。研究发现，最优超参数 $\lambda$ 在不同数据集下始终保持在 0.1 左右，这表明该方法可以在无需进行广泛交叉验证的情况下高效部署。该工作总结道，HQK 是在大规模设置或资源受限环境下取代 FQK 的有力竞争者，它提供了一种能够充分利用量子测量统计全力的可扩展替代方案。