⚛️ quantum physics

Structure-Agnostic Unitary Learning from Quantum Observable Dynamics with Application to Hamiltonian Identification

本文提出了一种与结构无关的变分算法，该算法利用硬件高效电路和 SPSA-Adam 优化器，通过时序观测数据学习未知的量子幺正算符，成功实现了在不依赖于如 Trotter 化等结构性假设的情况下恢复哈密顿量参数并拟合任意门。

原作者： Mohamed Berkani

发布于 2026-07-20

📖 1 分钟阅读🧠 深度阅读

原作者： Mohamed Berkani

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

量子侦探的困境

想象一下，你是一名试图在一个封闭房间内破解谜题的侦探。在量子物理的世界里，这个“房间”是一个由原子构成的微型机器，而这个“谜题”则是关于这台机器如何随时间移动和变化。为了理解这些机器，科学家们通常会观察“可观测物理量”——可以将它们想象成机器仪表盘上的指示灯。通过观察这些灯光如何随时间闪烁和变化，他们希望能找出支配机器行为的隐藏规则（称为“哈密顿量”）。

传统上，解决这个谜题就像是在已知可能包含哪些字母的情况下，仅通过观察最终结果来猜测一个秘密代码。科学家们必须预先猜测规则的结构，假设他们已经知道了哪些特定的相互作用是可能的。如果猜错了，整个调查就会失败。但如果这台机器正在做一些完全出乎意料的事情，或者规则比人们想象的更加复杂呢？这正是这项新研究发挥作用的地方，它提供了一种方法，让机器能够讲述自己的故事，而不是被强行塞进一个预设的框架中。

无结构学习者的故事

在这篇论文中，来自塞提夫第一费尔哈特·阿巴斯大学的研究人员提出了一种巧妙的新方法来学习这些量子规则。他们不再试图立即猜测哈密顿量的具体成分（即机器的“秘密配方”），而是教计算机程序首先学习“运动”本身。

这就像学习跳舞。旧的方法是背诵一份特定的动作清单（哈密顿量），并希望你能完成这些动作。而新方法是观看一段舞者的视频，并尝试完美地模仿他们的精确动作（幺正算符），而不必担心他们为什么那样移动。一旦计算机完美地复制了舞蹈，它就可以在之后通过观察动作来推导出的步骤。这种分离是本文的核心思想：首先学习运动；其次，如果这种运动是由特定的规则引起的，那么再找出这些规则是什么。如果这种运动并非由任何规则引起（比如随机的、混沌的自旋），那么第一步仍然有效，只是第二步不再适用。

研究人员通过三种不同的方式测试了这个想法，就像在实验室中运行了三场不同的实验。

第一，完美世界测试：
在没有噪声或误差的模拟环境中，他们要求计算机学习一个简单的双比特（two-qubit）机器的舞蹈。结果极其精确。计算机对运动的学习如此之好，以至于误差仅为 $1.61 \times 10^{-14}$ （即小数点后跟着 13 个 0 再加一个 1！）。当他们随后观察“步骤”（哈密顿量系数）时，他们完美地恢复了这些系数，精度达到了小数点后六位。这证明了如果数据是纯净的，该方法完全符合数学预期。

第二，“非哈密顿量”测试：
这里的情况变得非常有趣。研究人员尝试教计算机去学习那些并非由任何固定规则驱动的舞蹈。他们使用了三种特定的动作：“CNOT”门、“iSWAP”门，以及从庞大的可能性库中随机抽取的一个动作（Haar-随机 SU(4) 元素）。这些都是不遵循稳定节奏或简单因果关系的舞蹈动作。计算机完美地学习了这三种动作，达到了 $1.000000$ 的“过程保真度”。这证实了该方法并不依赖于机器是否具有隐藏的“哈密顿量”结构。它仅仅是在学习运动，仅此而已。

第三，现实世界噪声测试：
最后，他们在模拟的带有“噪声”的量子计算机上进行了测试——这种噪声就像收音机里的静电，或者舞者因为疲劳而踉跄。他们使用了一种被称为“课程学习”（curriculum）的特定训练策略，这就像是通过从简单的步骤开始，逐渐增加难度，而不是一次性把整段舞蹈抛给学生来教学。即使存在噪声（其中单比特错误率约为 1%，双比特错误率约为 10%），系统仍成功找回了机器的三条主要规则，误差低于 8%。尽管“厨房”有点乱，它依然找到了正确的食材。

为什么“课程学习”至关重要

论文中最重要的发现之一是，你不能直接把所有数据都丢给计算机。如果你试图同时学习短期动作和长期动作，计算机就会感到困惑并失败。研究人员表明，如果没有这种循序渐进的“课程学习”方法，计算机会学到完全错误的规则，甚至会将数字的正负号搞反，并无法识别正确的相互作用。通过分阶段地预热系统，他们将一个近乎不可能的谜题转化为了系列易于处理的任务。

总结

这篇论文并不声称已经解决了量子物理中的所有问题。它展示了通过将“学习运动”与“识别规则”这两个任务分离，我们可以构建一个更灵活的工具。它既适用于遵循简单规则的机器，也同样适用于那些进行着狂野、不可预测行为的机器。该方法成功地在有噪声的环境中识别出了隐藏规则，误差低于 8%，并证明了它不需要预先知道机器的结构就能学习其运动方式。这是一种从“猜测配方”到“先精通烹饪，再从做好的菜肴中读出配方”的思想转变。

技术摘要：基于量子观测动力学的结构无关幺正学习

1. 问题陈述

目前的哈密顿量学习变分方法通常将两个截然不同的任务混为一谈：一个是量子优化问题（寻找一个匹配观测动力学的幺正算符 $U$ ），另一个是经典识别问题（将 $U$ 分解为物理相互作用项）。现有的方法通常要求从业者在训练开始之前就必须指定哈密顿量的结构（即哪些泡利项存在）。这种结构性假设限制了该方法对已知相互作用家族的应用能力，并阻碍了对未知对称性或相互作用项的发现。

此外，同时在所有时间步上进行训练会导致优化失败，这是由于非凸量子损失函数的特性导致的——长时梯度主导现象会阻碍对短时动力学的捕捉。

2. 方法论

本文提出了一种结构无关的幺正学习框架，将量子学习阶段与经典识别阶段解耦。

2.1. 两阶段架构

量子幺正学习（无结构约束）：
- 一个硬件高效的参数化量子电路 (PQC) 直接从时间序列观测测量中学习演化算符 $U$ 。
- 损失函数： 该算法最小化预测观测值 $\langle P \rangle$ 与真实观测值之间的均方误差 (MSE)，涵盖了多种初始态、观测算符和时间步 $n$ 。
- 核心特征： 不对 $U$ 的生成元做任何假设。电路将 $U$ 作为一个“黑盒”进行学习。如果目标是由哈密顿量生成的幺正算符（即 $e^{-iH\tau}$ ），该方法可以学习它；如果目标是非哈密顿量门（例如 CNOT, iSWAP），该方法仍然可以学习该幺正算符，只是跳过第二阶段即可。
经典哈密顿量识别（后处理）：
- 一旦找到最优幺正算符 $U(\theta^*)$ ，则通过经典后处理恢复哈密顿量。
- 提取： 使用矩阵对数计算生成元： $\hat{H} = \frac{i}{\tau} \log U(\theta^*)$ 。
- 分解： 将恢复的算符投影到泡利基底上，使用迹内积： $c_\alpha = \frac{1}{2^n} \text{Tr}(\hat{H}P_\alpha)$ 。
- 可识别性： 该方法依赖于这样一个数学事实：如果初始态集合和观测算符集能够张成算符空间，那么幺正算符在（忽略全局相位的情况下）是唯一确定的，因此其分解也是固定的，无需预先假设。

2.2. 优化策略

优化器： 本文引入了 SPSA-Adam，这是一种混合优化器，结合了用于硬件高效梯度估计的同步摄动随机逼近 (SPSA)（每步仅需 2 次电路评估）与 Adam 的自适应矩更新。
矩热启动课程（Moment-Warm Curriculum）： 为了解决“贫瘠高原”（barren plateau）和局部陷阱现象，训练采用了分阶段进行。活跃的时间步集合被逐步扩展（例如， $\{1, 2\} \to \{1, 2, 4, 6\} \to \dots$ ）。至关重要的是，Adam 的矩（ $m, v$ ）在阶段之间得以保留，从而保留了曲率信息并避免了冷启动开销。
分支处理： 该方法使用矩阵对数的数学主分支。它确保时间步 $\tau$ 足够小，使得 $\|H\|\tau < \pi$ ，以避免相位缠绕歧义。

3. 核心贡献

幺正学习框架化： 量子优化器学习的是 $U$ ，而非泡利系数。哈密顿量识别是一个可选的、完全属于经典后处理的步骤。
可识别性条件： 本文确立了观测数据能够唯一确定 $U$ $U$ 的精确条件，从而确保随后的泡利分解是定义良好的。
1. 门学习泛化性： 该方法成功学习了非哈密顿量幺正算符（CNF, iSWAP, Haar 随机 SU(4)）达到了机器精度，证明了其并不依赖于 Trotter 化结构。
SPSA-Adam： 一种新型优化器，无论参数量多少，每步梯度仅需两次电路评估，并辅以自适应矩。
课程调度方案： 一个四阶段训练方案，将全局非凸问题转化为一系列良定义的局部问题，证明了标准的单阶段训练在相同条件下会失效。

4. 实验结果

4.1. 无噪声正确性证明（2-比特）

设置： 使用具有精确梯度的 L-BFGS-B 优化器处理 2-比特 Ising 模型（$H = ZZ + 0.5XI + 0.5IX$）。
性能： 达到了 $1.61 \times 10^{-14}$ 的最终 MSE。
恢复： 所有哈密顿量系数均恢复至小数点后六位。往返误差（重新模拟该哈密顿量）处于机器精度水平（ $8.09 \times 10^{-16}$ ）。

4.2. 门学习（非哈密顿量目标）

目标： CNOT, iSWAP 以及 Haar 随机 SU(4) 元素。
结果： 这三种门均以 1.000000 的过程保真度被学习。算符误差低于 $5 \times 10^{-7}$ 。这证实了该算法能够在不假设哈密顿量生成元的情况下学习任意幺正算符。

4.3. 可扩展性（3-比特）

设置： 扩展到 3-比特横场 Ising 模型（102 个参数）。
结果： 正确恢复了所有五个真实的哈密顿量项，误差范围在 $10^{-3}$ 到 $10^{-4}$ 之间。该方法展示了参数数量呈多项式增长，而希尔伯特空间呈指数增长的特性。

4.4. 结构敏感性

针对错配的 ansatz 拓扑（长程相互作用、错误的算符族如 YY 主导的哈密顿量、以及反对称耦合）进行了测试。
结果： 该算法在所有情况下都成功恢复了正确的哈密顿量，证实其并不依赖于隐藏的结构假设。

4.5. 量子部署（噪声模拟）

设置： 使用带有去极化噪声（ $p_1=0.001, p_2=0.01$ ）且 $N_{shots}=1024$ 的 Qiskit Aer。
结果： 所有三个 Ising 项均被正确恢复，误差低于 8%（ZZ 和 XI 在 1% 以内）。出现了一个略高于阈值的伪项，这与残余幺正误差一致。
对比： 在相同条件下，标准的单阶段 SPSA-Adam 方法完全失败，恢复的系数符号错误，且最终 MSE 是 shot noise 方差的 180 倍。课程学习法将 MSE 降低到了 shot noise 方差的 2.1 倍。

5. 意义与主张

论文声称，将幺正学习与哈密顿量识别分离是实现以下目标的关键架构决策：

结构发现： 算法纯粹通过数据确定存在哪些泡利项及其对称性，而不是将其作为输入。
通用性： 同一算法既适用于哈密顿量学习，也适用于通用的量子门学习（例如学习 CNOT）。
鲁棒性： 矩热启动课程对于可行的量子部署至关重要，它能防止优化器陷入由长时梯度主导引起的局部极小值。

作者总结道，尽管该方法在 $n > 4$ 的泡利空间维度和 $\tau$ 的谱范数界限方面面临限制，但它提供了一个严谨的、结构无关的框架，用于学习量子动力学，在有噪声和无噪声的场景下均优于直接的系数拟合方法。