⚛️ quantum physics

An Analytically Trained Variational Surrogate for Quantum Phase Estimation on NISQ Hardware

本文介绍了一种经过解析训练的变分代理框架，该框架使 NISQ 设备能够高效地重现量子相位估计分布，并通过使用避免了指数级模拟瓶颈的浅层经典训练电路，实现分子基态能量的化学精度。

原作者： Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

发布于 2026-07-24

📖 1 分钟阅读🧠 深度阅读

原作者： Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

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，你正试图聆听小提琴演奏出的一个单一、完美的音符，但房间里却充斥着喷气式发动机的轰鸣声。在量子计算的世界里，科学家们正试图做类似的事情：他们想要测量一个分子精确的“音符”（或能级）以了解其运作方式。他们使用的工具叫做量子相位估计（Quantum Phase Estimation, QPE）。你可以把 QPE 想象成一个超级精准、高科技的麦克风，能够捕捉到那个完美的音符。然而，为了发挥作用，这个麦克风需要极其深邃且复杂，就像一座宏伟的音效大教堂。不幸的是，我们今天的量子计算机就像是微小的、充满噪音的帐篷。它们是“含噪声的中规模”（NISQ）设备，这意味着它们规模较小且容易产生静电干扰。如果你试图在嘈杂的帐篷里运行那座宏大的大教堂，声音就会变得模糊不清，音符也会随之丢失。

长期以来，科学家们一直试图通过建造一个更小、更简单的麦克风（变分量子电路，Variational Quantum Circuit）并训练它去模仿那个巨大的麦克风来解决这个问题。但这里有一个难点：为了训练这个小巧的麦克风，他们必须先在常规计算机上模拟那个庞大的、嘈杂的大教堂。随着分子变得越来越大，即使是最快的超级计算机也无法完成对那个大教堂的模拟，这形成了一个阻碍进展的瓶颈。这篇论文正是针对这一问题展开研究的。研究人员提出了疑问：“我们能否在完全不需要尝试模拟那个庞大场景的情况下，教会小麦克风听出大教堂的声音该是什么样的？”他们发现了一个聪明的数学捷径，让他们可以完全跳过那次不可能完成的模拟，从而训练出一个精巧、高效的电路，使其能够在当今带有噪声的量子硬件上运行，并且依然能准确捕捉到分子的真实能量。

问题所在：“过深”的电路

想象一下，你正试图烤出一个完美的蛋糕（即化学问题的答案）。原始配方（量子相位估计）非常出色，但它需要一个堆叠了 100 层烤箱的厨房。而我们目前的量子计算机就像是一个只有两个烤箱的厨房。如果你尝试使用那个 100 层烤箱的配方，蛋糕在完成之前就会烧焦，因为烤箱过热并损坏了（这被称为“噪声”和“退相干”）。

科学家们尝试了一种折中方案：他们制作了一个只有 2 层烤箱的小型配方（变分量子电路），并训练它去模仿那个 100 层烤箱的配方。但问题在于：为了教这个小型配方如何烘焙，他们必须先在巨大的经典超级计算机上运行那个 100 层烤箱的配方，以观察完美的蛋糕长什么样。随着蛋糕变得越来越复杂（更大的分子），超级计算机再也无法处理那个 100 层烤箱的模拟了。这就像是试图在一张便签纸上绘制整个宇宙的地图；这张纸根本承载不了那么多细节。

解决方案：“神奇公式”

本文的作者意识到，他们根本不需要去模拟那个 100 层烤箱的厨房。他们发现，“完美的蛋糕”（即大型量子电路的测量模式）遵循一个已知的数学形状，称为 狄利克雷核（Dirichlet kernel）。

换句话说，与其尝试去烘焙那个巨大的蛋糕来观察它的样子，科学家们只需利用一个数学公式就能“预知”完美的蛋糕应该长什么样。他们直接取分子的精确能量（这可以轻松计算得出），将其代入这个公式，瞬间就能生成“目标”模式。这意味着他们可以用一台完全不需要模拟任何量子魔力的计算机来训练他们的 2 层烤箱电路。这就像是通过展示圆形的数学方程来教学生画一个完美的圆，而不是让他们花一辈子去临摹一张耗时极长的圆形画作。

实验：在真实硬件上进行测试

团队采用了这种基于数学的新型训练方法，并在由 IBM 制造的真实量子计算机上进行了测试。他们使用了一个简单的分子——氢气（H₂）作为测试对象。他们设置了一个四阶段实验，以确定构建小型电路的最佳方式：

电路的形状： 他们尝试了两种不同的量子比特连接方式。一种是“全纠缠器”（Full Entangler，将每个比特与所有其他比特连接，像一张混乱的网络）；另一种是“线性纠缠器”（Linear Entangler，仅将比特与其相邻的比特连接，像一条直线）。
- 结果： 在带有噪声的真实硬件上，混乱的网络表现糟糕透顶。直线连接则胜出了。事实证明，在当今这些带有噪声的机器上，保持简单和线性比尝试建立全连接要好得多。
深度多少合适： 他们测试了从 1 层到 5 层复杂度不等的电路。
- 结果： 出人意料的是，最简单的电路（仅 1 层）效果最好。增加更多的层数只会引入更多噪声，导致结果变差。事实证明，“少即是多”这一原则是成立的。
训练技巧： 他们对比了使用“完美”模拟（无噪声）与“噪声”模拟（模拟真实机器）来训练电路的效果。
- 结果： 与直觉相反，使用“完美”模拟进行训练，在实际运行于噪声硬件时效果反而更好。这种“完美”的训练为电路提供了一个更清晰的蓝图，使其在前往噪声硬件的旅途中比那些专门针对噪声设计的蓝图更具鲁棒性。
最终检查： 他们测试了一个简化版的电路（去除了一些额外的旋转步骤），以观察它是否仍能胜任工作。
- 结果： 是的！简化后的电路表现得和复杂电路一样出色，而且运行起来更快、成本更低。

核心优势：化学精度

最终目标是精确测量氢分子的能量，使其达到在化学领域有用的程度。科学家们有一个金标准叫做“化学精度”（Chemical Accuracy），这是一个非常小的误差范围（具体而言，小于 1.59×10⁻³ Hartree）。

团队的方法——利用他们在真实硬件上运行的、经过数学训练的小型电路——实现了 1.786×10⁻⁴ Hartree 的误差。这完全处于化学精度的限制之内。换句话说，他们成功地在当前量子计算机如同喷气发动机般的噪声中，清晰地听到了分子的“音符”，而且无需依靠超级计算机辅助训练。

他们排除了哪些可能

论文还明确指出，在当前环境下哪些做法是行不通的：

复杂的连接： 尝试将每个量子比特与所有其他量子比特连接（全纠缠器）会导致电路过深且噪声过大，对于当今的硬件来说，这是一条死路。
深层电路： 增加电路深度（增加层数）并无帮助；它只会引入更多误差。单层版本才是最佳平衡点。
噪声感知训练： 专门针对硬件噪声进行模拟训练的效果，并不如针对完美无噪声模拟进行训练那样理想。这种“完美”训练更具鲁棒性。
动力学解耦（Dynamical Decoupling）： 他们尝试了一种名为“动力学解耦”的技术（类似于通过节奏性的敲击来抵消噪声），但在这些特定的电路中，它反而让情况变得更糟。额外的脉冲带来的误差比它修复的误差还要多。

总结

这篇论文表明，你不需要一个庞大且难以实现的模拟过程来训练小型量子电路。通过使用巧妙的数学公式（狄利克雷核）来生成训练目标，科学家现在可以训练出精巧、高效的电路，这些电路能在当今带有噪声的量子计算机上运行，并给出具有化学精度的答案。这为利用量子计算机理解分子提供了一条可扩展、实用的路径，并证明了有时，最简单、最浅层的电路才是真正有效的。

技术摘要：用于 NISQ 硬件上量子相位估计的解析训练变分代理模型

1. 问题陈述

量子相位估计（QPE）是确定分子基态能量的基础算法，可实现化学精度，是诸如 Shor 分解法等算法的关键子程序。然而，标准的 QPE 需要由逆量子傅里叶变换（QFT†）和受控时间演化算符主导的深层电路。对于通过 Jordan-Wigner 变换映射的分子哈密顿量，其电路深度随 $n_a$ （辅助比特数）、 $m$ （Trotter 步数）和 $n_s$ （自旋轨道数）呈 $O(2^{n_a} \cdot m \cdot n_s^4)$ 比例缩放。这种指数级缩放使得直接在嘈杂中规模量子（NISQ）设备上执行 QPE 变得不切实际，因为存在门误差和退相干问题。

以往试图使用变分量子电路（VQC）作为代理模型的尝试面临着另一种瓶颈：训练目标分布（QPE 测量概率）是通过对完整的 QPE 电路进行经典模拟生成的。这种经典模拟的复杂度随比特数呈指数级增长（ $O(2^{n_s + n_a})$ ），这造成了极高的计算成本，从而削弱了代理方法本身的扩展性。

2. 方法论

作者提出了一种框架，通过利用 QPE 测量分布的解析形式，消除了在训练阶段需要量子电路模拟的需求。

2.1 基于狄利克雷核（Dirichlet Kernel）的解析训练目标

与其模拟 QPE 电路，不如直接使用闭式狄利克雷核计算训练目标 $P_{gt}(k; \phi)$ 。给定精确的基态能量（ $E_{true}$ ）、辅助比特数（ $n_a$ ）和时间演化参数（ $\tau$ ），可以计算重标度相位 $\phi$ 。随后，目标概率分布为：
$P_{gt}(k; \phi) = \frac{1}{2^{2n_a}} \frac{\sin^2(\pi(\phi - k))}{\sin^2\left(\frac{\pi(\phi - k)}{2^{n_a}}\right)}$
这使得目标分布可以完全在经典计算机上以 $O(2^{n_a})$ 的时间复杂度完成计算，且独立于分子系统的大小（ $n_s$ ），从而有效地将训练流水线与指数级模拟瓶颈解耦。

2.2 变分量子电路（VQC）架构

研究训练了一个浅层 VQC 来重现该解析分布。研究在 $n_a=11$ 个比特寄存器上考察了两种 ansatz 架构：

RY-RZ-CZ Ansatz：由 $RY $和$ RZ $旋转层以及随后的$ CZ$ 纠缠门组成。
RY-CZ Ansatz：一种仅使用 $RY $旋转和$ CZ$ 门的简化变体，使参数量减半。

研究对比了两种纠缠拓扑结构：

线性纠缠器（Linear Entangler）：连接最近邻比特（深度为 $O(p \cdot n_a)$ ）。
全纠缠器（Full Entangler）：连接所有比特对（深度为 $O(p \cdot n_a^2)$ ）。

2.3 优化与硬件执行

使用 COBYLA（约束线性近似优化）算法优化 VQC 参数，以最小化 VQC 输出与解析狄利克雷目标之间的 $L_1$ 范数代价函数。训练分为两种模式：

理想模拟器：无噪声执行。
噪声模拟器：使用根据 IBM ibm_boston 设备校准的噪声模型进行执行。

训练后的参数随后被迁移到真实的 IBM 量子超导硬件上。研究还评估了旨在抑制去相位噪声的 $X_pX_m$ 动力学解耦（DD）序列的影响。

3. 核心贡献

解析训练流水线：主要贡献是用闭式狄利克雷核计算取代了经典 QPE 电路模拟。这消除了生成训练目标时相关的指数级内存和运行时间缩放问题，使代理框架能够扩展到更大的问题规模。
系统的硬件调查：在真实硬件上进行的四阶段实验工作流：
- 第一阶段：比较线性与全纠缠拓扑结构。
- 第二阶段：分析电路深度（ $p=1$ 到 $5$）以及动力学解耦（DD）的影响。
- 第三阶段：比较 RY-RZ-CZ 与 RY-CZ ansatz 以及训练环境（理想 vs 噪声）。
- 第四阶段：在更深电路深度（ $p=8, 64$ ）下的补充噪声分析。
对 NISQ 约束的实证发现：本文提供了关于当前超导硬件上电路深度、纠缠拓扑和噪声缓解策略如何相互作用的具体数据。

4. 结果

实验是在氢分子（ $H_2$ ）上进行的，使用了对称缩减后的哈密顿量（缩减至 2 个比特）以及 11 个辅助比特。

拓扑结构：在真实硬件上，线性纠缠器的表现显著优于全纠缠器。虽然两者在理想模拟中表现相似，但全纠缠器在真实设备上积累了过多的误差，导致主比特串计数从约 92,000 降至约 65,000。
电路深度：单层配置（ $p=1$ ）是最优的。在真实硬件上，将深度增加到 $p=5$ 会导致所有分布度量（Hellinger 距离、保真度误差、TVD、JSD）出现单调下降，尽管理想模拟并未显示出这种趋势。
动力学解耦（DD）：与预期相反， $X_pX_m$ DD 序列的应用在所有层数和训练环境下都降低了性能。作者将其归因于浅层电路中缺乏足够的空闲时间以及潜在的脉冲校准误差。
Ansatz 对比：简化的 RY-CZ ansatz 在真实硬件上的表现与更复杂的 RY-RZ-CZ ansatz 相当。鉴于其较低的参数量和门深度，它被认为是更具硬件效率的选择。
训练环境：在理想（无噪声）模拟器上训练的参数比在噪声模拟器上训练的参数具有更好的泛化能力。经理想训练的 RY-CZ 配置实现了 91,499 的主比特串计数（相比之下，噪声训练为 90,267），并具有更低的度量误差。
能量恢复：该框架成功恢复了分子基态能量，绝对误差为 $|\Delta E| = 1.786 \times 10^{-4}$ Hartree。这完全处于化学精度阈值（ $1.59 \times 10^{-3}$ Hartree）之内。
分布保真度：VQC 不仅识别出了正确的 dominant bitstring，还重现了狄利克雷核的衰减旁瓣结构，证实了代理模型学习的是底层的相位结构，而非仅仅坍缩到概率最大的结果。

5. 意义与主张

本文声称建立了一种用于 NISQ 设备上基于 QPE 的分子能量估计的可扩展且硬件高效的范式。通过移除经典模拟瓶颈，该框架使得训练用于更大规模问题的变分代理成为可能。

作者强调，其方法：

使用线性缩放的 VQC 电路而非指数缩放的 QPE 电路，达到了化学精度。
表明对于当前硬件，浅层电路（ $p=1$ ）配合线性纠缠器是最佳选择，因为更深的电路和复杂的纠缠器会积累过多的噪声。
表明对于浅层变分任务，理想模拟器训练可能比噪声感知训练更具鲁棒性，这挑战了“噪声模型总是必要”的假设。
提供了一种严谨的、解析的替代方案，可以取代依赖模拟的代理方法，使该方法无需增加经典训练成本即可应用于更大的分子系统。

研究结论指出，虽然 NISQ 硬件限制（噪声、缺乏 DD 的空闲时间）限制了深层电路的效用，但经过解析训练的变分代理为从浅层、抗噪的量子电路中提取高精度谱信息提供了一条可行路径。