Certified Optimal Measurement Reduction over Quantum Context Landscapes

技术摘要：量子上下文景观下的认证最优测量缩减

问题陈述
在近期的量子设备上估计量子哈密顿量 $\langle H \rangle$ 的期望值，需要将 $H$ 分解为可测量的片段（上下文），并分配测量次数（shots）以最小化方差。现有的策略——从量子比特逐个对易（QWC）分组到经典阴影（classical shadows）以及费米子片段——通常在没有针对特定声明的测量模型进行严格下界分析的情况下生成测量方案。因此，很难区分观察到的改进究竟是源于固定景观中的更优点、景观的扩大（新的上下文），还是仅仅在现有框架内进行了未优化的系数拆分。本文旨在解决一个“认证”需求，即：在给定的测量上下文集合和协方差模型下，最小不可避免的测量次数成本是多少，以及给定的方案距离该最优值有多近？

方法论
作者提出了一个将测量缩减问题分为两个不同优化层的框架：一个连续的内层和一个非凸的外层。

1. 内层（凸优化）： 对于固定的测量上下文字典 $\mathcal{D} = \{(V_\ell, c_\ell)\}$ 和声明的协方差模型 $\Gamma_\ell$，寻找最优线性分层估计器（将 $H$ 分解为片段 $F_\ell \in V_\ell$ 并分配测量次数 $N_\ell$）的问题被表述为一个二阶锥规划（SOCP）。

   • 其目标是最小化领先测量常数 $\Phi = \min \sum \sqrt{c_\ell} \|F_\ell\|_\rho$，受限于重构约束 $\sum F_\ell = H$。
   • 该公式将所有系数拆分的自由度（包括重叠拆分和状态感知协方差的使用）整合进一个单一的凸测度中。

2. 对偶认证： 该 SOCP 拥有一个锥对偶，它提供了一个下界见证（lower-bound witness） ($L$)。

   • 原问题解产生一个上界 ($U$)，代表特定方案的成本。
   • 对偶可行向量 $y$ 证明了在相同的字典下，不存在任何无偏线性分层估计器能实现低于 $L$ 的成本。
   • 间隙 $U/L$ 提供了一个可机器检查的优化认证。如果 $U=L$，则该方案对于声明的景观是全局最优的。

3. 外层（组合搜索）： 字典本身的设计（选择包含哪些上下文）以及协方差模型的校准是非凸问题。作者采用了 RANGE，一种鲁棒的自适应启发式全局优化器（结合了人工蜂群算法和遗传算法），用于：

   • 搜索最优子字典（压缩）。
   • 执行列生成（column generation）：利用对偶见证作为“定价算子”（pricing oracle），识别出违反对偶约束的缺失上下文（即那些能够证明降低成本的上下文）。
   • 利用试点数据校准协方差半径模型。

4. 鲁棒性： 为了处理协方差模型中的不确定性（例如来自试点测量或代理态），该框架构建了协方差矩阵的同时置信区间（三明治区间）。这产生了数据驱动的鲁棒认证 ($L_{rob} \le \Phi \le U_{rob}$)，这些认证在无需获知真实状态 $\rho$ 的情况下以高概率成立。

核心贡献

1. 具有经典谱系的精确最优性： 本文确立了对于任何有限字典，最小领先测量常数都是一个 SOCP 的值。这是对多响应 $c$-最优实验设计的量子上下文特化，提供了系数拆分设计空间的全局凸闭包。
2. 独立可检查的认证： 不同于以往仅报告方案和估计方差的工作，本框架导出一个对偶见证。验证者可以在不信任优化器的情况下，通过修复可行性残差并重新计算边界，从而确保报告的间隙是保守且有效的。
3. 协方差不确定性下的有效性： 定理 4 通过试点数据提供了高置信度的鲁棒认证，将基于算子的认证升级为数据驱动的认证。
4. 通过列生成进行字典认证： 对偶见证充当了定价算子。如果缺失的上下文违反了对偶约束，则将其添加到字典中。这使得框架能够认证比最初求解的景观更大的景观下的最优性，或者识别何时必须扩大景观。
5. 分级工具： 该认证可以将启发式算法分为三个等级：已经在自身景观中达到最优的启发式算法、仍留有“规范自由度”（未优化的拆分）的启发式算法，以及本质上处于次优状态、需要扩大景观的启发式算法。

数值结果
该框架在合成景观、分子哈密顿量（H$_2$, LiH, BeH$_2$, H$_2$O）以及生产规模的 f-元素哈密顿量（CeO, NdO, UO$_2^+$, UO$_2^+$，约 29–35 个量子比特）上进行了验证。

• 最优性间隙： 对于像 H$_2$ 这样的小系统，标准策略（如排序插入）被发现是完全最优的。然而，对于像 H$_2$O 这样的大系统，标准策略在其自身设定下留下了 2.1–7.7 倍的测量次数成本未被优化。
• 字典压缩： 通过全局搜索，作者在仅增加 0.2–2.1% 认证测量次数成本的前提下，将分子上下文字典压缩了 4.3–6.1 倍。这揭示了字典大小与成本之间的“膝部”（knee）权衡关系。
• 纠缠设置的影响： 加入全对易（FC）上下文（纠缠设置）使分子系统的认证最优值降低了 25–56%。对于生产规模的 f-元素哈密顿量，与仅含 QWC 的字典相比，这种扩张节省了 31–70% 的测量次数。
• 压缩与采样： 研究表明，旨在减少块编码范数（模拟成本）的压缩技术并不一定会减少采样成本。例如，对称性偏移显著降低了块编码范数，但对认证测量常数的提升微乎其微，而量子比特截断（qubit tapering）则显著降低了测量次数。
• 生产规模： 该方法成功为包含 $\sim 2 \times 10^4$ 项和 $\sim 10^4$ 个上下文（约 $2 \times 10^6$ 个锥变量）的哈密顿量生成了认证，在单个 CPU 节点上耗时 8–15 分钟，认证间隙低于 $10^{-1}\%$。

意义与主张
本文声称建立了一个通用的衡量标准。通过将非凸的设计选择（字典选择）与凸的核心（最优分配）分离，该框架确保了全局搜索被保留给真正的组合问题，而凸优化则提供可证明的保证。

作者强调，该框架并非取代现有的启发式算法（如 ShadowGrouping 或最小团覆盖），而是作为其之上的一个认证层。一旦启发式算法提出了一个字典或方案，锥规划就会优化剩余的自由度，并通过对偶见证来证明结果距离理论极限有多近。论文结论指出，测量缩减应被视为“几何加优化”，其中景观几何由允许的上下文定义，而认证则提供了评估进展所需的严谨边界。

作者明确指出了局限性：认证取决于声明的协方差模型（错误的协方差会导致关于错误结果的严谨陈述），且保证是相对于声明的景观而言的（在所有可能的稳定器上下文之上进行精确定价仍然是一个困难的组合问题）。该框架设计用于已知目标的层级无偏估计，而非自适应或信息完备的协议，尽管它可以对这些协议诱导的估计器进行分级。