Pure and mixed Dicke state ansatz for equality and inequality constraints in variational quantum eigensolver

本文引入了一种用于变分量子特征值求解器（VQE）的保持可行性的混合狄克态（Dicke state）拟设，该拟设在结构上编码了等式和不等式汉明重量约束，从而消除了对惩罚项的需求，在组合投资组合优化方面展示了优于随机搜索的卓越性能，同时强调了在 NISQ 硬件部署中仍面临的挑战。

要点

大局观：在海量选项中寻找最佳团队

想象你是一名经理，正试图从 100 名候选人中组建一支完美的团队。你有两个主要目标：

1. 最大化表现（获得最佳结果）。
2. 遵守严格的规则（例如：“你必须恰好挑选 5 个人”，或者“你必须挑选 3 到 7 人之间的数量”）。

在金融领域，这被称为投资组合优化（Portfolio Optimization）。这里不是在挑选员工，而是在挑选股票；这里追求的不是表现，而是高回报与低风险的平衡。

问题在于，随着候选人数量的增加，可能的团队组合数量会呈爆炸式增长。逐一检查每一个组合（就像暴力搜索）需要耗费极长的时间。这正是**量子计算（Quantum Computing）**大显身手的地方。它承诺能比传统计算机更快地探索这些庞大的可能性。

问题所在：“惩罚”陷阱

过去，当科学家尝试用量子计算机解决这个问题时，他们使用了一种称为**变分量子特征值求解器（VQE）**的方法。你可以把 VQE 想象成一个正在尝试解数学题的学生。

为了确保学生遵守规则（比如“恰好挑选 5 只股票”），老师通常会添加一个惩罚项（Penalty）。

• 老师：“如果你选了 6 只股票，你的卷子上会被画一个巨大的红叉。”
• 学生：“好吧，我会尽量避免那个红叉。”

问题在于，老师必须猜测这个“红叉”应该有多大。如果惩罚太小，学生就会忽略规则；如果惩罚太大，学生就会感到困惑，从而无法找到最优解。调整这个“惩罚值”是一个巨大的难题，且往往会导致糟糕的结果。

解决方案：将规则构建进蓝图

这篇论文介绍了一种构建量子计算机“学生”（称为 Ansatz）的新方法。与其在事后添加惩罚，作者选择将规则直接构建进学生的“DNA”中。

他们使用了被称为 Dicke States 的技术。

• 类比： 想象一个神奇的盒子，它只能吐出恰好 5 人的团队。你无法要求这个盒子给出 4 人或 6 人的团队。这个盒子在物理上就不可能打破规则。
• 纯 Dicke 态（Pure Dicke State）： 这是那个只吐出恰好 5 人团队的盒子。它解决了“等式约束”（必须恰好是 5 个）。
• 混合 Dicke 态（Mixed Dicke State）： 这是本文的核心创新。想象一个可以吐出 3、4、5、6 或 7 人的团队，但绝不会吐出 2 人或 8 人的盒子。它是不同有效团队规模的一种“混合”。这解决了“不等式约束”（必须在 3 到 7 之间）。

通过使用密度矩阵（Density Matrices）（一种描述多种可能性的高级数学方法），作者创建了一个只会在有效解范围内进行探索的量子电路。

• 无需惩罚： 由于机器在物理上无法生成无效的团队，因此你不需要添加红叉或惩罚项。
• 无需调优： 你不需要去猜规则该有多严格，因为规则已经硬编码在机器中了。

他们是如何测试的

作者使用了一个“组合投资组合优化”（Combinatorial Portfolio Optimization）问题（即挑选最佳股票组合）来测试这一想法。他们创建了三个场景，就像攀登难度递增的山峰一样：

1. 场景 1（小山丘）： 从 11 个选项中最多挑选 4 只股票。
2. 场景 2（中等山丘）： 从 11 个选项中挑选 3 到 6 只股票。
3. 场景 3（大山脉）： 一个复杂的混合场景，不同的股票组有不同的规则（例如：“能源类选恰好 3 只”，“金融类选 1 或 2 只”）。

他们将这种新的“规则内置型”量子方法与随机搜索（Random Search）（即随机猜测有效的团队）进行了对比。

结果显示：

• 随着有效团队数量的增加（从场景 1 到场景 3），他们的方法表现得比随机猜测好得多。
• 随机猜测就像蒙着眼睛投掷飞镖；虽然最终你可能会射中靶心，但那需要很长时间。而他们的方法则像是一枚导引导弹，只向着有效目标飞行。
• 他们比随机搜索更快地找到了高质量的解决方案（即处于“有效前沿”上的投资组合，即风险与回报的最佳平衡点）。

潜在的问题：现实世界的噪声

论文还测试了在真实量子计算机（IBM 的嘈杂机器）上的表现。

• 问题所在： 真实的量子计算机就像精密的仪器，它们是“多噪”的。微小的干扰就可能导致比特翻转（将 0 变成 1）。
• 风险： 如果发生比特翻转，一个原本有效的 5 人团队可能会意外变成 6 人团队，从而破坏规则。
• 发现： 作者发现，他们的“混合（Mixed）”方法（允许 3、4、5、6 或 7 人的盒子）实际上比严格的“纯（Pure）”方法对这些错误更具鲁棒性（Robustness）。如果发生单个错误，由于“混合”盒子允许的范围更广，它比“纯”盒子更有可能保持在有效范围内。
• 现实情况： 尽管有此优势，但现实中的硬件仍然非常嘈杂。他们在真实机器上的结果与模拟结果相比有约 50% 的误差率。论文结论指出，虽然这个想法非常出色，但在将其用于真正的资产管理之前，我们需要更好的“噪声消除”技术。

总结

这篇论文为量子计算机提出了一个聪明的技巧：不要再去惩罚错误的答案，而是构建一个根本无法产生错误答案的机器。 通过使用“混合 Dicke 态”将规则（如“挑选 3 到 7 只股票”）直接结构化地编码进量子电路，他们消除了繁琐的惩罚项调优。实验表明，这种方法寻找最优解的速度远快于随机搜索，尤其是在处理复杂问题时；尽管现实世界的硬件噪声仍是一个亟待克服的障碍。

技术摘要

技术摘要：用于变分量子特征值求解器中等式与不等式约束的纯态与混合 Dicke 态拟设

问题陈述
本文探讨了将变分量子算法（VQA），特别是变分量子特征值求解器（VQE），应用于组合优化的一个核心挑战：设计一种足够强大的拟设（ansatz），既能充分探索希尔伯特空间的特征子空间，又能遵守问题的约束条件。传统的做法通常依赖于目标函数中的惩罚项来强制执行约束（例如汉明重量限制），这需要对拉格朗日乘子进行困难的调优。此外，随着变量和约束数量的增加，寻找最优解的计算成本呈指数级增长，使得精确的经典方法变得难以处理，从而迫使人们依赖于次优的近似方法。本文强调的具体问题领域是组合投资组合优化，其目标是在满足资产选择数量（汉明重量）约束的前提下，通过选择一组资产来实现收益最大化并使风险最小化。

方法论
作者提出了一种可行性保持框架，该框架在结构上将等式和不等式约束直接编码进量子电路拟设中，从而消除了对惩罚项的需求。

1. 纯态与混合 Dicke 态：

   • 等式约束： 对于要求精确选择资产数量（$k=b$）的约束，作者利用了参数化的纯 Dicke 态拟设。该状态是具有固定汉明重量 $k$ 的计算基态的叠加，自然地将搜索范围限制在可行子空间内。
   • 不等式约束： 对于涉及上下界（$k \leq b$ 或 $k \geq b$）的约束，作者将该形式扩展到了混合 Dicke 态。通过利用密度矩阵形式和开放量子系统理论，他们构建了一个能够表示在可行范围内具有不同汉明重量的 Dicke 态系综（mixture）的拟设。
   • 实现： 混合态是通过辅助比特（ancilla qubits）来控制不同 Dicke 态的条件制备而生成的。系统的约化密度矩阵（通过对辅助比特求偏迹获得）描述了这种混合。VQE 目标函数被泛化为最小化密度矩阵与问题哈密顿量乘积的迹：$\min \text{tr}(\sigma H)$。

2. 张量积结构：
   该框架通过构建单个纯态或混合 Dicke 态密度矩阵的张量积，推广到具有多个约束组的问题（例如，投资组合中的不同板块）。这允许在变量的不同子集上同时满足多种类型的约束（等式和不等式）。

3. 实验设置：
   该方法通过三个复杂度递增的组合投资组合优化场景进行了验证：

   • 场景 I： 11 种资产，带有上界约束（$k \leq 4$）。
   • 场景 II： 11 种资产，带有范围约束（$3 \leq k \leq 6$）。
   • 场景 III： 多板块投资组合（4 个板块，每个板块 5 种资产），结合了等式和不等式约束，并使用了张量积拟设。
     优化过程使用了 CMA-ES（协方差矩阵自适应进化策略）优化器，这是一种无梯度方法，并与受限于可行子空间的随机搜索进行了对比。模拟在经典硬件（CPU/GPU）上进行，并在 IBM NISQ 处理器上进行了验证。

关键结果

• 搜索效率： 随着可行搜索空间的大小增加（从场景 I 的 561 增加到场景 III 的 45,000），所提出的 VQE-Dicke 框架表现出明显的优于随机搜索的优势。它在识别高质量解和最优解时，所需的客观函数调用次数显著减少。
• 解的质量： 在所有场景中，从优化后的分布中采样的比特串所映射的投资组合均位于或接近经典有效前沿。即使优化器未能将密度矩阵完全集中在单个最优比特串上，采样的解仍然是高质量的可行候选方案。
• 硬件性能： 在 IBM NISQ 处理器上的实验证实了理论上的可行性，但也凸显了实际应用的局限性。该拟设在量子处理器（QPU）上的相对误差约为 50%。作者指出，虽然混合态拟设在理论上对单比特翻转错误（这类错误可能会使纯态脱离可行集）具有更强的鲁棒性，但来自两比特门的累积噪声仍然是一个重大挑战。

意义与主张
本文声称引入了首个能够处理等式和不等式约束且无需惩罚项的可行性保持混合 Dicke 态拟设。其主要意义在于：

1. 结构化约束编码： 通过利用密度矩阵形式将约束嵌入拟设，该方法消除了对拉格朗日乘子调优的需求，并降低了优化景观的复杂性。
2. 可扩展性： 当可行子空间足够大以至于使穷举随机采样变得不切实际，但又足够小以至于仅占总希尔伯特空间的一小部分（$O(n^k)$ 对比 $O(2^n)$）时，该方法特别有效。
3. 通用性： 虽然在投资组合优化中得到了验证，但该框架被认为可以直接应用于其他具有汉明重量约束的组合问题，如特征选择和集成选择。

作者对实际部署持谨慎态度，承认噪声缓解和电路转译优化仍是 NISQ 时代硬件面临的挑战。他们强调，目前的工作是对该拟设潜力的理论与实验验证，而非一个完全成熟的商业解决方案。