⚛️ quantum physics

Pauli Weight Hamiltonian Term Selection for Optimized Machine Learning Based Quantum Error Mitigation

本文介绍了 Pi-QEM，这是一个基于机器学习的量子误差缓解框架，它通过根据泡利权重系统地选择训练观测量，仅利用一小部分占主导地位的低权重泡利算符字符串，来高效地降低基态能量估计误差。

原作者： Fadhil Fatih Shiddiq, Darell Timothy Tarigan, Hadyan Luthfan Prihadi, Jusak S. Kosasih, Yanoar P. Sarwono, Leong-Chuan Kwek, Freddy Permana Zen

发布于 2026-07-01

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Fadhil Fatih Shiddiq, Darell Timothy Tarigan, Hadyan Luthfan Prihadi, Jusak S. Kosasih, Yanoar P. Sarwono, Leong-Chuan Kwek, Freddy Permana Zen

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

核心问题：嘈杂的量子厨房

想象一下，你正试图在一个摇晃不止、灯光闪烁、且烤箱温度极不准确的厨房里烘焙一个完美的蛋糕（计算分子的能量）。这就是当今量子计算机的现状。它功能强大，但充满了“噪声”。当它尝试测量结果时，噪声会引入一种“偏差”（一致性的误差），导致做出来的蛋糕味道不对。

科学家们开发了一种利用机器学习来修复这个问题的方法。他们就像一位聪明的副厨，即使烤箱坏了，也能学习预测蛋糕“应该”是什么味道。他们通过在数据上训练计算机模型来实现这一点：“当嘈杂的烤箱显示‘烤焦了’时，真实的蛋糕其实应该是‘金黄色’。”

瓶颈：数据过多，速度太慢

然而，这里有一个陷阱。要训练这位聪明的副厨，你通常必须测量食谱中的每一项成分。

在量子物理学中，这些“成分”被称为泡利算符串（Pauli strings，构成分子能量的数学项）。
对于像氢分子（ $H_2$ ）这样简单的分子，可能有 15 项成分。对于更大的分子，可能会有成千上万项。
测量每一个成分需要耗费大量的时间和计算能力。这就像是在烤蛋糕之前，试图逐一品尝每一粒盐、每一滴香草精和每一粒面粉，这既低效又缓慢。

目前的方法通常只是随机挑选成分，或者试图测量所有成分。这就像是在没有计划的情况下，试图通过挖掘整个干草堆来寻找其中的一根针。

解决方案：Pi-QEM（“智能选择器”）

本文作者介绍了一种名为 Pi-QEM（泡利权重量子误差缓解）的新方法。把它想象成一个智能过滤器，它能准确告诉你为了得到正确结果，实际上需要品尝哪些成分。

核心理念：“局部”与“全局”噪声

论文解释说，并非所有成分对风味（或误差）的贡献都是平等的。

局部成分（低权重）： 这些就像主要的调料（盐、胡椒）。它们对味道有很大且清晰的影响。在量子术语中，这些是“局部”可观测量。它们易于测量，信号强且清晰。
全局成分（高权重）： 这些就像发生在面团深处复杂的、肉眼不可见的化学反应。它们难以测量，且信号极其微弱，很容易淹没在噪声中。在量子术语中，这些是“全局”可观测量。

作者发现，如果你尝试在“全局”成分上训练机器学习模型，模型会变得混乱，因为信号太弱了（这种现象他们称之为“贫瘠高原”，barren plateau）。这就像是试图通过品尝厨房里的空气来学习食谱；你学不到任何有用的东西。

Pi-QEM 的策略：
与其测量一切，Pi-QEM 会观察成分的“权重”。它会说：“让我们忽略那些微弱的全局化学反应，只针对强烈的局部调料进行训练。”

通过仅选择低权重的（局部的）泡利算符串，模型可以利用极少量的数据快速学习噪声模式。

结果：工作量更少，蛋糕更好

研究人员在模拟嘈杂量子计算机（使用 IBM 的“假 Athens”后端）上对氢分子（ $H_2$ ）进行了测试。

标准方法： 他们在全部 15 个成分上进行训练。效果很好，显著降低了误差。
Pi-QEM 方法： 他们仅在一个占主导地位的低权重成分（称为 $ZIII$）上进行训练。
- 结果： 这个单成分模型的表现几乎与使用全部 15 个成分的模型一样出色。
- 提升： 与原始的嘈杂数据相比，它将最终能量计算中的误差降低了 34%。
警告： 当他们尝试在“重型”（全局）成分上进行训练时，模型的效果反而变差了。这证明了选择“错误”类型的数据会导致机器学习失败。

总结

这篇论文就像是发现你不需要品尝每一粒盐就能知道汤是否够咸；你只需要品尝那一勺盐分最集中的地方即可。

Pi-QEM 为科学家提供了一套系统性的规则，用于挑选出最重要的“勺子”（即最具信息量的、低权重的量子测量值）。这使得他们能够更快、以更少的资源来修复量子计算机上的误差，让这项技术在当下更具实际应用价值。

简而言之： 他们找到了一种停止浪费时间去测量无用数据的方法。通过专注于那些“响亮且清晰”的信号，他们可以像测量了所有数据一样，有效地教计算机如何忽略噪声。

技术摘要：用于优化基于机器学习的量子误差缓解的 Pauli 权重哈密顿量项选择

问题陈述

在嘈杂中规模量子（NISQ）时代，量子误差缓解（QEM）对于抑制计算算法中的噪声诱导偏差至关重要。虽然基于学习的 QEM 方法（如基于随机森林的 RF-QEM）通过避免额外的电路开销，为传统的零噪声外推（ZNE）和概率误差消除（PEC）提供了一种可扩展的替代方案，但它们面临着一个关键瓶观：可观测量的选择。

目前的学习型方法通常依赖于对哈密顿量中 Pauli 字符串的启发式或均匀随机采样来构建训练数据集。这一过程需要每个 Pauli 字符串的数据，导致测量成本随项数（ $N$ ）线性增加，并随系统规模增长。至关重要的是，并非所有可观测量对训练所需的统计信息都有同等贡献。包含无信息的观测量会降低学习效率，而排除高度信息化的观测量则会损害模型性能。目前尚缺乏一种系统性的策略来识别能够最大化缓解精度同时最小化资源需求的最佳可观测量子集。

方法论：Pi-QEM 框架

作者引入了 Pauli 权重量子误差缓解（Pi-QEM），这是一个旨在根据“Pauli 权重”（即 Pauli 字符串中非恒等单比特算符的数量）来选择训练可观测量的系统性框架。该方法流程如下：

理论基础： 该框架利用了可观测量在参数化量子电路（PQC）参数空间中的期望值方差与**贫瘠高原（Barren Plateaus）**现象之间的关系。
- 方差 $\text{Var}_\Theta[f(\hat{P}_k)]$ 作为训练数据的统计表达能力的度量。
- 理论分析表明，全局可观测量（高 Pauli 权重）由于代价集中（cost-concentration）现象会遭受指数级抑制的方差，从而在训练中变得无信息。
- 相反，局部可观测量（低 Pauli 权重）保留了显著的方差，能够提供强烈的训练信号。
选择标准： Pi-QEM 并非通过显式计算每个项的方差（这在计算上非常昂贵），而是使用 Pauli 权重作为局域性的代理指标来近似方差选择。
- 训练子集 $P_{sub}$ 定义为 $\{P_k \in P \mid w(P_k) \leq w_{max}\}$ ，其中 $w(P_k)$ 是 Pauli 权重。
- 这使得数据集复杂度从 $O(MN) $降低到$ O(M|P_{sub}|) $，其中$ |P_{sub}| \ll N$。
机器学习模型：
- 训练一个随机森林回归模型，以学习噪声期望值（ $f_E$ ）与理想、无误差期望值（ $f_{ef}$ ）之间的非线性映射。
- 输入特征向量包括噪声测量结果、PQC 参数（ $\theta$ ）以及 Pauli 字符串的表示。
- 模型在仅包含所选低权重可观测量的缩减数据集上进行训练，但能够预测整个哈密顿量的缓解值。
实现： 该框架在使用了 Jordan-Wigner (JW) 和 Bravyi-Kitaev (BK) 费米子-比特映射的氢分子（ $H_2$ ）上进行了测试。模拟是在嘈杂的 IBM 量子后端模拟器（ibm_fake_athens）上进行的。

关键结果

在 $H_2$ 分子上的数值模拟得出了以下发现：

极简数据下的性能： 一个由单个主导局部可观测量（具体为 $ZIII$，一个权重为 1 的项）训练的 Pi-QEM 模型，与噪声基准相比，实现了34.01% 的基态能量估计误差降低。
与全哈密顿量训练的比较： 该性能与在全哈密顿量 15 个 Pauli 字符串上训练的标准 RF-QEM 模型相当，后者的误差降低为 37.13%。
全局可观测量的失效： 训练高权重全局可观测量（例如 $XXXX$，权重为 4）的模型相对于 Pi-QEM 基准出现了 22.90% 的性能退化，这证实了高权重项提供的统计结构不足以进行学习。
泛化能力： 这一趋势在不同的特征基数（双重和三重子集）以及映射方案（JW 和 BK）中均成立。由较低权重可观测量组成的子集始终比包含较高权重项的子集产生更低的平均绝对误差（MAE）。
效率： Pi-QEM 方法成功降低了所需的训练资源，同时保持了与 ZNE 和全集 RF-QEM 相当的精度，且没有 ZNE 所涉及的电路折叠开销。

意义与主张

论文声称 Pi-QEM 为近即时（NISQ）设备上的高精度误差缓解提供了一条系统化、可扩展且资源高效的路径。其主要贡献在于：

架起理论与实践的桥梁： 它建立了贫瘠高原现象（方差抑制）与实际选择训练可观测量之间的直接联系，证明了使用 Pauli 权重作为选择标准的合理性。
可扩展性： 通过证明一小部分低权重可观测量足以捕捉完整哈密顿量的底层噪声结构，该方法解决了当前基于学习的 QEM 的可扩展性瓶颈。
优化训练数据： 该框架证明了“更多数据”（所有 Pauli 项）并不一定更好；相反，“更好的数据”（具有统计信息量的、低权重的项）对于有效的学习型缓解至关重要。

作者得出结论，将机器学习策略与量子优化景观的几何特性（特别是与局域性相关的可观测量方差）相结合，对于推进近期的量子算法中的误差缓解至关重要。