⚛️ quantum physics

Comment on "Beyond-classical computation in quantum simulation"

该评论对近期的一项研究结果提出了质疑，即认为神经量子态（NQS）在模拟量子退火方面逊于量子处理器，其论点是，如果能妥善处理蒙特卡洛噪声和大自相关时间，NQS 实际上可以实现具有竞争力的精度。

原作者： Wladislaw Krinitsin, Nikita Alert, Matteo Rizzi, Markus Schmitt

发布于 2026-07-13

📖 1 分钟阅读🧠 深度阅读

原作者： Wladislaw Krinitsin, Nikita Alert, Matteo Rizzi, Markus Schmitt

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，你正试图预测一个巨大的、纠缠在一起的毛线球在被摇晃特定时间后的最终姿态。在量子物理的世界里，这团“毛线”是一组位于网格上的微小磁体（自旋），而这种“摇晃”被称为退火过程。最近，一个研究小组利用一台超先进的量子处理器（QPU）摇晃了这团“毛线”，并声称一种流行的计算机模拟方法——神经量子态（NQS）无法跟上其步伐。他们认为这种模拟方法由于过于混乱，无法达到量子计算机的精度。

但在这一篇新论文中，作者们进行了重新审视，并指出该模拟方法并非真的在比赛中落后，它只是被自身测量中的噪声所迷惑了。

以下是他们的发现：

信号中的“静电噪声”
研究人员专注于特定的网格尺寸 $L = 8$ 以及退火时间 $t_a = 7$ ns。他们注意到，当 NQS 方法尝试测量磁体之间相互“交谈”的距离（相关性）时，一旦距离变得过大，结果就会趋于平缓并停止改善。

这就像是在一个拥挤的体育场里试图听清耳语。如果你站在演讲者附近，你能听得很清楚；但如果你站得太远，人群的背景噪音就会淹没耳语。作者们意识到，NQS 方法并不是无法理解物理现象，它只是撞上了一堵“统计噪声”的墙。因为该方法使用了一种称为蒙特卡洛（Monte Carlo）的采样技术（类似于通过拍摄一百万张快照来推测平均值），所以存在一个天然的噪声极限。在拥有 $N_{MC} = 10^6$ 个样本的预算下，这个噪声底限大约在 $10^{-3}$ 左右。一旦实际的信号（远距离磁体之间的相关性）降至此水平以下，噪声就会将其淹没，使得模拟看起来像是失效了。

真正的比赛
为了证明这一点，作者们进行了一项新测试。他们将“噪声”和“真实的误差”视为两个独立的东西。他们发现，如果仔细观察数据，NQS 方法实际上在短距离内能完美地收敛到真实答案，就像高质量的参考模拟（MPS）一样。这种混乱只发生在信号过于微弱、难以在静电噪声中被听清的长距离处。

当他们在数学上剥离掉噪声以观察“纯净”的表现时，结果令人惊讶。NQS 方法不仅赶上了量子处理器，对于这个特定的设置，它产生的误差率甚至比量子处理器本身还要低。

这意味着什么（以及不意味着什么）
作者们谨慎地表示，这并不是经典计算机对量子计算机的全面胜利。他们指出，他们的分析局限于简单的正方形网格和较短的时间（ $t_a \le 7$ ns）。最初的研究探讨了更复杂的形状和更长的时间（高达 $t_a = 20$ ns），在那些情况下情况可能会变得更加困难。他们还提到，如果“毛线”是由更粗糙或更混沌的材料（使用双峰耦合）制成的，经典方法可能会面临更大的挑战。

因此，主要的结论是一个启发：认为神经量子态无法与量子处理器竞争的说法，可能是一种由于未考虑到测量中的“静电噪声”而产生的错觉。当我们清理掉这些静电噪声时，模拟方法依然能够维持其表现，并且在这种特定情况下，它的表现甚至优于量子硬件。作者希望这能鼓励更多的实验，以观察这些经典方法在何处真正闪光，以及在何处它们可能仍然需要量子的助力。

技术摘要：“量子模拟中的超越经典计算”

问题陈述
本评论针对一项近期的基准测试研究 [1]（King 等人，《Science》388, 199-204, 2025），该研究将各种经典数值方法与用于模拟自旋玻璃哈密顿量量子退火动力学的超导量子处理器单元（QPU）进行了对比。原研究结论认为，神经量子态（NQS）——一种基于人工神经网络的变分拟设——在特定实例中（具体为 $L=8$ 的二维方格点阵，退火时间为 $t_a = 7$ ns）未能达到 QPU 的准确度水平。本文作者指出，报告中 NQS 的失败可能并非源于该方法本身的根本局限性，而是统计采样限制所导致的伪影。

方法论
作者重新审视了原研究中所使用的特定无序实现和参数，重点研究了 NQS 的时间相关变分原理（TDVP）演化。其分析包括：

重新评估相关性： 作者并未仅仅依赖于原论文中的聚合相关误差指标（ $\epsilon_c$ ），而是分析了距离分辨的两点相关性量级， $C(d) = \langle |c_{i,j}| \rangle$ ，其中 $c_{i,j} = \langle \sigma^z_i \sigma^z_j \rangle$ 。
统计噪声分析： 他们调查了蒙特卡洛（MC）采样噪声对相关性估计的影响。他们推导出，对于真值较小的长程相关性，MC 噪声按 $\sigma_{MC} \approx 1/\sqrt{N_{MC}}$ 比例缩放。利用原有的采样预算 $N_{MC} = 10^6$ ，噪声底限约为 $10^{-3}$ 。
误差分解： 作者提出了一个关于相关误差 $\epsilon_c(N_{MC})$ 随采样预算变化的解析模型：
$\epsilon_c(N_{MC}) = \sqrt{\epsilon_{sys} + \frac{\epsilon_{stat}}{N_{MC}}}$
此处， $\epsilon_{sys}$ 代表系统性的、方法特有的误差，而 $\epsilon_{stat}$ 代表统计误差贡献。
拟合与外推： 通过改变样本数量并将数据拟合到上述模型中，他们将相关误差外推至无限采样极限（ $N_{MC} \to \infty$ ），以分离出 NQS 方法固有的系统误差。

关键结果

平台行为： 作者观察到，对于长距离相关性，NQS 的结果在 $C(d) \approx 10^{-3}$ 处出现平台期。他们证明了这一平台期恰好与 $N_{MC} = 10^6$ 时预期的 MC 噪声量级相吻合，这表明“无法捕捉长程相关性”的原因是信号被统计噪声淹没了，而非变分拟设本身的失效。
收敛性分析： 当分析按距离分类的相关性时，短程相关性能迅速收敛至矩阵乘积态（MPS）基准真值。相比之下，长程相关性遵循统计噪声所预期的 $1/\sqrt{N_{MC}}$ 缩放规律，这证实了在原始采样预算下它们尚未收敛。
修正后的准确度： 通过拟合误差模型并外推至无限采样极限，研究发现 NQS 方法的系统误差（ $\epsilon_{sys}$ ）低于原研究中报告的 QPU 误差。此外，外推后的 NQS 误差也低于原论文中报告的 NQS 误差（后者是基于有限采样得出的）。
自相关考虑： 作者指出，对于较长的退火时间（例如 $t_a = 7$ ns），最终态会产生高度集中的 Born 分布，从而导致马尔可夫链 MC 采样中的长自相关时间。虽然这增加了采样的复杂性，但相关性的量级会随之增加，从而在固定的 $N_{MC}$ 下降低相对误差。

意义与主张
本文通过证明原研究中 NQS 表观性能不佳受采样预算及由此产生的统计噪声（特别是对于趋于零的长程相关性）显著影响，从而对 King 等人的发现进行了重新定性。

竞争性表现： 作者得出结论，NQS 可以为量子退火协议提供具有竞争力的结果。在所分析的具体实例中，在考虑了采样噪声后，NQS 方法产生的相关误差优于 QPU。
局限性与范围： 作者保持了谨慎的学术态度，承认其分析仅限于最简单的晶格几何结构（ $L=8$ ）以及不超过 $t_a = 7$ ns 的退火时间。他们注意到，原研究涵盖了更复杂的几何结构、更长的退火时间（ $t_a = 20$ ns）以及不同的耦合分布（双峰分布与均匀分布）。
未来方向： 本文并非声称具有普遍优越性，而是旨在通过进一步的数值实验来更好地理解 NQS 在更广泛范围内的优势与局限，并引用之前在较大菱形结构点阵上的成功应用 [4] 作为先例。

总而言之，本文认为 NQS 并非在所研究的问题上本质上劣于 QPU，而是需要通过仔细核算蒙特卡洛噪声和自相关时间，才能揭示其真实的系统准确度。

技术摘要：“量子模拟中的超越经典计算”

类似论文