⚛️ quantum physics

Benchmark of Pauli Correlation Encoding for different optimisation problems

本文通过在三个组合问题上评估使用泡利相关编码（Pauli Correlation Encoding）的量子-经典优化框架，展示了其获得具有竞争力的或更优解的能力，并分析了编码顺序、问题结构、超参数以及硬件噪声的影响。

原作者： Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

发布于 2026-07-03

📖 1 分钟阅读🧠 深度阅读

原作者： Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图解决一个巨大且复杂的拼图，但你只有一个很小的盒子来存放这些碎片。这就是当前量子计算的现状：量子计算机（“盒子”）既小又多噪声，而优化问题（“拼图”）却异常庞大。

这篇论文就像是一份来自工程师团队的报告，他们正在测试一种巧妙的新方法，试图将这个巨大的拼图进行“折叠”，使其在不丢失任何图像信息的前提下，能够装进这个小盒子。他们将这种新的折叠方法称为泡利相关编码（Pauli Correlation Encoding, PCE）。

以下是利用简单类比对他们研究结果的拆解：

1. 问题：“大过盒子”的困境

通常情况下，要解决一个具有 100 个变量的问题（比如 100 个送货停靠点或 100 个座位安排），标准的量子计算机需要 100 个“量子比特”（qubits）。但目前的计算机总共只有大约 50 到 100 个量子比特，而且它们对噪声非常敏感（就像是在风暴中搭建积木塔）。

PCE 的解决方案：
作者提出了一种“压缩”拼图的方法。与其为 100 个变量需要 100 个量子比特，PCE 可以仅使用少量的量子比特（例如 10 或 15 个）来表示这 100 个变量。

类比： 想象你有一个拥有 1,000 本书的图书馆。标准方法需要为每一本书准备一个书架。而 PCE 就像是一种神奇的压缩算法，它通过编码变量之间的关系，而不是它们的物理体积，从而让你能把 1,000 本书存放在一个极小的书架上。

2. 路测：三个经典谜题

为了测试这种“折叠技巧”是否真的有效，团队在三个现实世界中常见的逻辑谜题上对其进行了测试：

最大割问题 (Maximum Cut Problem, MCP)： 想象一场派对上的朋友聚会。你想把他们分成两组，使得跨越两组之间的友谊数量最多。
装箱问题 (Bin Packing Problem, BPP)： 想象你有一堆大小不一的箱子和一个有限数量的运输集装箱。你想尽可能用最少的集装箱装载所有东西，且不让其溢出。
旅行商问题 (Traveling Salesman Problem, TSP)： 想象一名销售人员需要恰好访问 20 个城市一次并返回家中，且走过的路径最短。

他们将 PCE 方法与已知最优解（即“金标准”）进行了对比，发现 PCE 经常能找到与标准方法同样好、甚至更好的解决方案。

3. “旋钮与刻度”（超参数）

该方法并非全自动，而是需要进行调优。作者发现有两个主要的“旋钮”需要旋转才能获得理想的结果：

“锐度”旋钮 ( $\alpha$ )： 数学上最初将变量视为“模糊”的数值（如 0.5）而非严格的“是/否”（0 或 1）。 $\alpha$ 旋钮使这些模糊的数值变得更加“锐利”和果断。他们发现，调高这个旋钮（使数字更具辨识度）通常会带来更好的拼图解法。
“平滑”旋钮 ( $\beta$ )： 这有助于计算机进行更平滑的搜索。有趣的是，他们发现有时将此旋钮保持在零，效果与调高它一样好，这有点令人意外。

4. “压缩顺序”的权衡

团队测试了不同的压缩程度（即如何紧密地折叠拼图）。

松散折叠（低压缩）： 对计算机来说更容易处理，但它在处理更大、更难的拼图时会显得吃力。
紧密折叠（高压缩）： 允许计算机解决规模大得多的拼图，但它需要一个更深、更复杂的“电路”（即更长的指令链）。
结果： 这是一种权衡。要解决最难的拼图，你需要折叠得更紧，但这会让指令变得更长且更难完美执行。

5. “噪声”因素：静电有时也有帮助

真实的量子计算机是有噪声的。通常情况下，噪声是有害的——就像收音机里的静电会破坏音乐一样。

发现： 团队模拟了在真实的、有噪声的机器上运行该方法的情况。他们发现，虽然噪声确实限制了答案的精确度，但有时它实际上帮助了计算机跳出“死胡同”。
类比： 想象你正在寻找一个雾气缭绕的山谷中的最低点（最佳解）。如果地面完全平滑，你可能会卡在一个小凹坑里，并误以为那里就是谷底。一点点“晃动”（噪声）有时可以将你从这个小凹坑中震出来，帮助你滚向真正的谷底。

6. “抛光”步骤

量子计算机给出的只是一个粗略的方案草案。作者发现，在量子计算部分完成后，通过经典计算机（普通的笔记本电脑）进行一个快速、简单的“抛光”步骤，可以显著提升最终答案的质量。

类比： 量子计算机就像一位粗糙的雕塑家，负责凿出雕像的大致轮廓；而经典后处理则像是一位精细的艺术家，负责平滑细节并使雕像看起来趋于完美。

总结

论文得出结论，这种“泡利相关编码”是一个强大的工具。它允许我们在规模较小、并不完美的量子计算机上，通过高效压缩数据来解决大规模、复杂的优化问题。尽管它需要仔细调节设置并在之后进行一些额外的“抛光”，但它展示了在当前这个量子机器规模尚小且充满噪声的时代，该技术具有巨大的应用前景。

技术摘要：针对不同优化问题的 Pauli 相关性编码（PCE）基准测试

1. 问题陈述

本文旨在解决变分量子算法（VQA）在含噪声中型量子（NISQ）时代的可扩展性限制问题。具体而言，它针对的是经典组合优化问题的编码挑战，即在这些问题中，所需的量子比特数量通常随二进制变量的数量线性增长。这种线性缩放限制了当前硬件能够解决的问题规模。

作者研究了 Pauli 相关性编码（Pocher Correlation Encoding, PCE），这是一种最近提出的编码方案，能够利用多项式数量的量子比特 $n$ 来表示 $m$ 个二进制变量（其中 $n \ll m$ ）。核心问题是评估当 PCE 与变分框架结合时，能否在保持解的质量和可行性的同时，有效地解决经典优化问题，特别是在基于采样（shot-based）执行和硬件噪声的约束下。

2. 方法论

本研究采用了一种混合量子-经典框架，通过优化参数化量子电路（PQC）来最小化适配于 PCE 方案的代价函数。

2.1 编码方案

PCE 将 $m$ 个二进制变量 $\vec{z} \in \{-1, 1\}^m$ 映射为一组无迹 Pauli 算符 $\Pi$ 的期望值。变量通过以下方式恢复：
$z_i := \text{sgn}(\langle \Psi | \Pi_i | \Psi \rangle)$
其中 $|\Psi\rangle$ 是量子态。该编码使用压缩阶数 $k$ ，选择由 $k$ 个非单位矩阵的张量积构成的 Pauli 算符。这使得在 $n$ 个量子比特上最多可以编码 $m = 3 \binom{n}{k}$ 个变量。

2.2 电路拟设与优化

拟设 (Ansatz)： 使用了一种与问题无关、硬件高效的砖块状结构（brick-like structure）。它在相邻量子比特上交替进行参数化单比特旋转（ $R_X, R_Y, R_Z$ ）和双比特旋转（ $R_{XX}, R_{YY}, R_{ZZ}$ ）。电路深度随 $O(m^{1-1/k})$ 缩放。
松弛 (Relaxation)： 为了便于优化，使用双曲正切函数对离散符号函数进行松弛： $z_i := \tanh(\alpha \langle \Pi_i \rangle)$ 。同时引入了一个正则化项，使期望值集中在零附近。
经典优化器： 使用差分进化算法（Differential Evolution, DE）作为一种无梯度优化器，用以在代价景观中导航并规避局部最小值。
后处理： 对松弛后的解应用经典后处理步骤，以强制执行可行性并提高解的质量（例如，针对 MCP 的位翻转、针对 BPP 的箱体重新分配、针对 TSP 的 2-opt 算法）。

2.3 基准测试与问题

该框架通过 QOPTLib 基准测试集，针对三个经典问题进行评估：

最大剪切问题 (Maximum Cut Problem, MCP)： 10 个实例（ $N \in \{10, \dots, 300\}$ ）。
装箱问题 (Bin Packing Problem, BPP)： 10 个实例（ $N \in \{3, \dots, 14\}$ ）。
旅行商问题 (Travelling Salesman Problem, TSP)： 10 个实例（ $N \in \{3, \dots, 25\}$ ）。

结果与包括 D-WAVE 的 LeapHybridBQMSampler 在内的基准参考解进行对比。

2.4 噪声与执行分析

研究包含了一个关于使用 CUNQA 模拟器（模仿 IBM Sherbrooke 后端）进行基于采样（shot-based）执行的部分。它分析了：

平均绝对误差（MAE）和最大误差随采样次数（shots）变化的缩放情况。
硬件噪声（门效率低下、退相干）对期望值估计的影响。
噪声在帮助优化器跳出局部最小值方面的潜在作用。

3. 核心贡献与结果

3.1 组合问题的表现

最大剪切 (MCP)： PCE 框架取得了具有竞争力的表现。对于大多数实例，其近似比接近于 1。较高的压缩阶数（ $k$ ）通常会产生更好的解质量，因为这增加了模型的表达能力（更多的变分参数），尽管这也会带来电路深度的权衡。
装箱问题 (BPP)： 该方法展示了强大的潜力，但对超参数高度敏感。
- 可行性： 较低的压缩阶数（ $k=2, 3$ ）无法为较大的实例（分别为 $N > 8$ 和 $N > 12$ ）产生可行解。只有 $k=4$ 能在所有测试实例中持续产生可行解。
- 质量： 后处理显著优化了初始解，通常能减少使用的箱体数量。该方法能为广泛的实例产生高质量的解，尽管可行率会随着问题规模的增大而下降。
旅行商问题 (TSP)： 与 BPP 类似，可行性强烈依赖于压缩阶数。 $k=2$ $k = 2$ 在实例 $N > 10$ $N > 10$ 时失效，而 $k \in \{3, 4\}$ $k \in {3, 4}$ 在 $N \le 15$ $N \leq 15$ 时保持高可行性。
- 解质量： 初始解往往能达到或超过基准质量，特别是对于 $k \in \{3, 4\}$ 。后处理（2-opt）一致地改善了最终的路径长度。

3.2 超参数敏感性

研究强调了控制变量二值化程度的超参数 $\alpha$ 的关键作用。

$\alpha$ ： 较大的值通常会导致更好的结果，因为它确保了变量被强力二值化（避免进入 $\tanh$ 的线性区域）。较小的 $\alpha$ 值会导致解在 0.5 附近变得模糊，从而降低重建质量。
$\beta$ (正则化)： 虽然旨在提高性能，但实验表明 $\beta=0$ 的结果与非零值相当，这表明正则化项的影响可能是上下文相关的，或者被其他因素削弱了。
惩罚权重： 论文指出选择惩罚权重存在困难（即“大 M 问题”）。过大的权重会导致“平均化”约束满足（出现分数值），而非真正的二值化，从而阻碍有效组合解的重建。

3.3 噪声与采样分析

理想 vs. 噪声： 在理想模拟中，增加采样次数可将误差降低至 $10^{-3}$ 或 $10^{-4}$ 。然而，在噪声后端（IBM Sherbrooke 模拟）上，噪声占据主导地位，导致误差无论采样次数如何都会停滞在 $0.025$ 左右。
优化动力学： 具有反直觉意义的是，观察到噪声的存在有时能帮助优化器跳出次优局部最小值，从而在特定情况下实现比理想无噪声执行更好的性能。
运行时间： 作者估计，使用基于采样的完整优化计算成本很高（需要数千万次评估），但在高性能计算（HPC）环境下通过并行化策略是可行的。

4. 重要性与主张

本文声称基于 PCE 的框架是 NISQ 及近未来容错量子时代进行量子优化的极具前景的编码策略。其主要意义在于：

可扩展性： 它展示了使用多项式数量的量子比特来编码数百个变量的能力，克服了像 QAOA 这样标准方法的线性缩放瓶颈。
竞争力的表现： 对于 MCP、BPP 和 TSP，该方法在超参数和压缩阶数经过仔细调优的情况下，能够获得等同或优于既有基准（包括混合量子-经典求解器）的解。
实际可行性： 研究提供了在基于采样执行和硬件噪声下的现实评估，为估计精度和执行时间建立了参考界限。

作者保持了谦逊的基调，承认性能高度依赖于特定的问题结构、压缩阶数的选择以及超参数（ $\alpha, \beta$ 及惩罚权重）的精细校准。他们总结道，虽然 PCE 显示出巨大的潜力，但仍需进一步研究以优化拟设、经典优化器与超参数选择之间的相互作用，从而充分发挥其在真实量子硬件上的能力。