Operator Learning for efficient Quantum Computation

技术摘要：用于高效量子计算的算子学习

问题陈述
量子算法的高效实现目前受到缺乏高效算子与态制备原语（primitives）的阻碍。这一限制限制了近期的含噪声中规模量子（NISQ）硬件模拟复杂问题的能力，并阻碍了容错算法实现实际的量子优势。现有的挑战包括：

• 硬件约束： 有限的相干时间、门误差以及受限的量子比特连通性（例如线性最近邻或特定的晶格拓扑）限制了电路深度，并增加了多比特操作的成本。
• 算法开销： 渐近量子加速往往被来自块编码（block-encoding）开销、量子态制备（QSP）成本以及测量复杂性的巨大常数因子所抵消。
• 可扩展性问题： 通用多比特幺正矩阵的分解和 QSP 通常需要随量子比特数量呈指数级增长的资源。
• 连通性失配： 许多现有的合成方法依赖于简单的 1D 拓扑，这无法反映多样化硬件架构（如具有远程相互作用的中性原子或离子阱）的现实情况，也无法捕捉算子中的远程相关性。

方法论
作者提出了一个全栈式变分框架用于算子学习，旨在将任意离散算子（包括幺正和非幺正算子）转化为针对特定硬件连通性和相互作用范围定制的紧凑量子电路。

• 数学框架：

  • 块编码（Block Encoding）： 将非幺正算子 $A$ 嵌入到一个作用在 $n = n_s + n_a$ 个量子比特（系统比特 + 辅助比特）上的更大幺正算子 $G$ 中。该框架利用单个辅助量子比特（$n_a=1$）进行块编码，其定义条件为 $\|A - c \text{Tr}_{anc}[PG]\|_{\text{fro}} \le \tau$，其中 $P$ 是向辅助态 $|0\rangle$ 的投影。
  • 代价函数： 优化过程最小化残差误差的归一化 Frobenius 范数。一项关键创新是引入了基于五点模板滤波器（five-point stencil filter）的正则化项。该项通过惩罚误差离群值，确保残差矩阵是平滑的，从而减少整个算子空间的近似误差。
  • 约束： 通过在每次梯度更新后使用奇异值分解（SVD）进行的投影技术来强制执行所学习门的幺正约束，而非仅仅依赖黎曼优化。

• 计算策略：

  • 拟设（Ansatz）： 该算法采用一种由参数化 $r$-体门层组成的通用、无约束电路拟设。门的连通性和范围被明确定义以匹配目标硬件（例如，最近邻、远程或 2D 晶格）。
  • 优化： 该方法使用反向传播（自动微分）来计算梯度，从而避免了对黎曼梯度的需求。它采用了分层优化协议（算法 1），通过逐层、逐量子比特地训练门（从单个门开始并逐步扩展）来进行训练。这一策略缓解了“贫瘠高原”（Barren Plateau）问题，并避免了陷入次优局部极小值。
  • 幺正投影： 在进行最速下降更新后，非幺正潜变量门通过 SVD（$G = UV^\dagger$）被投影回幺正流形（$U(2^r)$），实际上执行了极分解。

核心贡献

1. 硬件无关的算子学习： 一个将特定的芯片布局、量子比特连通性和远程可编程相互作用直接纳入电路合成过程的框架，超越了简单的 1D 假设。
2. 单辅助比特块编码： 一种仅使用一个辅助量子比特来编码任意非幺正算子的方法，这与需要随辅助维度或 LCU（幺正线性组合）中幺正算子数量缩放的其它方法形成对比。
3. 用于误差抑制的正则化： 引入了特定的正则化项，通过抑制残差矩阵中的离群值来降低近似误差，从而实现更均匀的精度。
4. 分层训练： 一种增量构建电路的学习协议，与仅进行全局优化相比，提高了收敛性和鲁棒性，有效应对了贫瘠高原问题。

结果与应用
该框架在四个不同的应用场景中得到了验证，展示了优于标准 Suzuki-Trotter (ST) 展开和基于张量网络 (TN) 方法的性能：

1. 量子模拟（横场伊辛模型）：

   • 学习到的变分电路实现了比标准 ST 展开显著改进的误差缩放。
   • 对于较小的时间步长，学习到的电路 $G_1$ 的误差比一阶 ST 展开小约 150 倍。
   • 学习到的电路 $G_2$ 和 $G_3$ 的误差缩放分别为 $\delta t^{4.26}$ 和 $\delta t^{5.14}$，分别比二阶 ST 展开高出约三个数量级。

2. 量子化学（丁二烯 PPP 模型）：

   • 应用于具有非局部费米子相互作用并映射到量子比特的丁二烯 Pariser–Parr–Pople (PPP) 模型。
   • 在测试的时间步长内，学习到的电路相比一阶 ST 展开将误差降低了约 20%。由于在此特定哈密顿量中 Trotter 化生成子的稀疏度较低，改进程度不如伊辛模型显著。

3. 工程领域：有限差分近似：

   • 该框架学习了拉普拉斯算子的二阶中心有限差分近似。
   • 它成功处理了 1D 线性最近邻 (LNN) 和 2D 晶格 (2DL) 拓扑。
   • 2DL 拟设在处理较大系统规模时始终优于 LNN 方法，因为它能更好地捕捉远程相关性。
   • 分层策略结合正则化，使目标函数比仅使用全局优化时降低了六个数量级，显著抑制了误差离群值。

4. 工程领域：无粘势流：

   • 该方法学习了源自 NACA 0012 翼型周围 Smith-Hess 面元法的稠密、非幺正算子。
   • 尽管该矩阵具有稠密且无结构的特性（这对基于张量网络的压缩构成了挑战），但该框架仍实现了高精度，相对误差约为 $10^{-9}$。
   • 正则化将块编码的成功概率从 $\approx 0.027$ 提高到 $\approx 0.047$，同时保持了高精度。

意义与主张
本文声称该通用框架为解决超越原型量子和工程应用的通用问题打开了大门。其重要性在于：

• 资源效率： 提供比标准分解（如 Suzuki-Trotter）更精确且更紧凑的电路表示，并且对于非幺正算子，所需的辅助量子比特比基于张量网络的构建更少。
• 实用性： 作为一层实用的编程层，在设计阶段将经典的离散化模型与量子硬件连接起来，并明确考虑了硬件约束。
• 普适性： 展示了学习既有稀疏结构算子（量子哈密顿量）又有稠密无结构算子（工程矩阵）的能力，表明其在广泛的科学计算问题中的适用性。

作者指出，虽然该方法功能强大，但对于极大型系统的可扩展初始化策略仍是一个开放性挑战，未来的工作可能涉及将其扩展到张量网络表示，以降低经典内存成本。