⚛️ quantum physics

Practical Quantum Topological Data Analysis with Applications to High-Dimensional Feature Extraction and Time Series Analysis

本文通过将量子拓扑数据分析重新定义为一种利用组合拉普拉斯算子的低阶谱矩来提高时间序列应用预测性能的特征提取方法，并辅以一种新型的基于矩的量子算法以及在钡基量子硬件上的实验验证，确立了量子拓扑数据分析的实际效用。

原作者： Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

发布于 2026-07-30

📖 1 分钟阅读🧠 深度阅读

原作者： Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

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

想象一下你正在试图理解一个复杂的系统，比如一座繁忙的城市、一个人类大脑或股票市场。通常，我们通过检查单个部分或两个部分之间的相互作用来观察这些系统。但如果真正的秘密在于一群部分如何同时进行交互呢？这就是**拓扑数据分析（Topological Data Analysis, TDA）**的领域。把 TDA 想象成一种观察数据“形状”的方法。它不仅仅是在数点数，而是在问：“是否存在环路？”“是否存在空心的气泡？”“中间是否有一个巨大的隧道？”这些被称为拓扑特征的形状，可以揭示标准数学所忽略的隐藏模式。

然而，这里有一个难点。为高维数据计算这些形状是非常困难的。这就像是在一个拥有数百万人的城市里，去计算一群朋友能组成多少种不同的秘密俱乐部；可能性的数量爆炸式增长，以至于即使是最快的超级计算机也会陷入困境。这就是量子计算介入故事的地方。量子计算机利用奇特的物理规则来同时处理海量的可能性。一个大问题一直是：量子计算机真的能为这些现实世界的实际问题进行有用的工作，还是仅仅是一个理论上的梦想？

由 IonQ 研究人员撰写的这篇论文给出了答案：“是的，但带有一个转折。”他们认为，我们不应该尝试使用量子计算机来计算这些形状的精确数量（这仍然非常困难）。相反，我们应该利用它们来提取形状的特定“指纹”或特征，这些特征足以帮助我们做出预测。作者在两个截然不同的现实世界问题上测试了这个想法：使用 MRI 扫描诊断脑部疾病，以及预测股市崩盘。他们发现，这些更高层级的“形状”特征包含了有价值的信息，能帮助计算机比仅观察简单连接时更好地预测疾病和市场不稳定。

为了证明这一点，该团队不仅进行了模拟，还构建了一个量子电路，并在一台由俘获钡离子制成的真实、工作的量子计算机上运行了它。他们成功地从小型图中提取了这些“形状指纹”，并展示了结果与经典数学的预测相吻合。虽然他们使用的量子计算机规模仍然很小，但他们的工作表明了一条清晰的路径：通过专注于这些特定的、有用的特征，而不是追求完美的精确性，量子计算机很快就能解决目前对于经典机器来说难以实现的数据问题。

形状的未来

让我们深入了解细节。研究人员首先观察了两个完全不同的世界：人类大脑和金融市场。

1. 大脑：在思想的形状中寻找疾病
团队研究了来自功能性磁共振成像（fMRI）扫描的数据，这些扫描通过追踪血流来观察大脑哪些部分处于活跃状态。通常，科学家会观察两个脑区是如何连接的。但研究人员问道：如果我们观察的是一组区域是如何连接的呢？他们将大脑活动数据转化为一个“点云”（空间中的一堆点），然后利用 TDA 来寻找这些点所形成的形状中的环路和空洞。

他们将此应用于阿尔茨海默病患者和健康个体的对比数据。他们发现，通过观察高维形状（如 3D 空洞或 4D 隧道），比仅仅观察简单的连接能获得关于谁患有疾病的更好线索。例如，当他们使用神经网络对患者进行分类时，加入这些复杂的形状特征提升了准确率。虽然准确率目前还不完美（最佳模型约为 74%），但关键的结论是，“高阶”形状包含了简单方法所遗漏的信息。这表明，大脑区域如何以分组方式进行交互，可能是诊断神经退行性疾病的一个关键线索。

2. 市场：在崩溃发生前预见它
接下来，他们转向了股票市场。金融数据是杂乱且充满噪声的，但研究人员相信，不同股票共同运动的“形状”可以预测崩溃。他们采用了“时间延迟嵌入”（time-delay embedding）技术，将 17 个主要股票指数的每日收盘价转化为点云。这就像是每天为市场的形状拍一张快照。

他们发现，当市场接近重大崩溃（如 2008 年、2020 年或 2022 年）时，数据的“形状”发生了剧烈变化。具体而言，高维特征（如 3D 和 4D 空洞）在市场下跌前出现了巨大的峰值。这些峰值比以往分析师观察到的简单环路（1D 特征）更清晰、更具预测性。事实上，他们的“形状”信号起到了领先指标的作用，在市场低迷前约 100 天就发出了预警，其表现优于传统的 MACD 指标等金融工具。

量子飞跃：从理论到硬件

所以，我们知道这些“形状特征”是有用的。但量子计算机真的能找到它们吗？使用量子计算机进行此类工作的传统方法是尝试计算数据中孔洞的精确数量（贝蒂数，Betti numbers）。作者认为这太难且没有必要。相反，他们提出了一种新方法：基于矩的量子 TDA（Moment-Based Quantum TDA）。

可以这样理解：与其为了知道一块瑞士奶酪是否合格而数清每一个孔洞，不如直接测量孔洞的平均密度。如果密度合适，你就知道这是块好奶酪。研究人员开发了一种量子算法，用于测量这些“矩”（具体来说是数学对象——组合拉普拉斯算子（Combinatorial Laplacian）的相对迹）。他们通过模拟证明，即使在孔洞数量极少的情况下，这些“矩”也与实际的孔洞数量强相关。

硬件测试
为了证明这不仅仅是计算机模拟，他们在 IonQ 的一台真实量子计算机上运行了算法。他们使用了一个基于 40 个量子比特（qubits）的俘获钡离子系统。他们在两种类型的图上进行了测试：

一个包含 8 个节点的微型图。
一个稍大的、包含 16 个节点的图。

结果令人振奋。量子计算机成功测量了“形状指纹”（相对迹），且数值与精确的经典计算结果高度吻合。即使考虑到当前量子硬件固有的噪声，该设备也能区分具有不同拓扑特征的图。这是一个重大的突破，因为这是首次有量子计算机被用于从真实数据中提取拓扑特征，并直接与“地面真值”（ground truth）进行对比。

为什么这很重要

论文得出结论，我们不需要等待完美的、无误差的量子计算机才能开始做有用的工作。通过将目标从“精确计算”转向“特征提取”，量子优势变得触手可及。

研究人员指出，对于像大脑扫描或金融市场这样复杂的高维数据，量子优势的“甜点位”（sweet spot）可能就在眼前。他们估计，对于具有高连通性（密集网络）的图，一旦图的大小达到 70 到 1,200 个节点之间（取决于复杂度），量子计算机解决这些问题的速度将超过经典超级计算机。

简而言之，这篇论文架起了抽象数学与现实应用之间的桥梁。它表明，量子计算机已经可以帮助我们看到数据中隐藏的形状，为理解从人类思维到全球经济的一切事物提供了一个全新的视角。虽然这项技术仍处于早期阶段，但前进的道路看起来非常清晰：利用量子计算机去寻找问题的“形状”，然后让经典计算机完成剩下的工作。

技术摘要：面向高维特征提取与时间序列分析的实用量子拓扑数据分析

问题陈述

拓扑数据分析（TDA）提供了一个强大的框架，通过贝蒂数（Betti numbers）等拓扑不变量来表征复杂、无结构数据的形状。然而，在经典硬件上计算高维拓扑特征（特别是同调度 $d > 1$ 的贝蒂数）的计算成本是一个显著的瓶颈。由于单纯形复形中的潜在 $d$ -单纯形数量呈组合爆炸式增长，使得大规模、稠密数据集的高阶特征计算变得难以实现。虽然已有针对量子 TDA 的算法被提出以绕过这一瓶颈，但现有方法通常侧重于对贝蒂数的精确或高精度估计。这种狭隘的关注限制了实际量子优势的实现范畴，因为这些方法通常要求相对贝蒂数（即贝蒂数与总团数之比）较大，而这一条件在现实世界的数据中并不总是满足。

作者认为，对于实际的数据科学应用而言，目标往往不是在最广泛的设定下计算精确的贝蒂数，而是提取能够改进下游预测任务（如分类或异常检测）的拓扑信息。他们主张，应将量子方法重新定义为一种特征提取方法，利用组合拉普拉斯算子的低阶谱信息作为高维拓opology的代理。

方法论

本文采用了双管齐下的方法：验证高阶 TDA 特征在经典应用中的效用，并开发一种资源高效的量子算法来提取这些特征。

1. 高阶特征的经典验证

作者首先证明了高阶同调特征（ $H_2$ 到 $H_4$ ）在两个具有商业相关性的时间序列领域中包含预测信号：

神经退行性疾病分类： 利用来自 OASIS 数据集的 fMRI 数据，作者通过 Takens 嵌入构建了基于感兴趣区域（ROI）时间序列的点云。他们计算了高达 4 维的持久同调。使用这些特征训练的机器学习分类器（神经网络和 SVM）表明，与仅使用 $H_0$ 和 $H_1$ 的模型相比，包含高阶同调（ $H_2, H_3, H_4$ ）提高了阿尔茨海默病的分类准确率。
金融时间序列分析： 利用通过时延嵌入构建的股票市场数据（2005–2024 年间的 17 个指数）。他们通过持久同调分析来检测市场崩盘前的结构变化。结果表明，在高阶同调（ $H_3, H_4$ ）方面，相比于低阶特征，在市场低迷时期（如 2008 年危机、2020 年疫情）会产生更强且更具预测性的信号（持久性的峰值）。此外，时延皮尔逊相关性分析显示，高阶 TDA 信号表现出领先指标的作用，早于市场价格变化，而传统的 MACD 等指标则不具备这种领先行为。

2. 量子算法：基于矩的特征提取

为了解决计算瓶颈，作者提出了一种基于矩的量子算法，用于估计组合拉普拉斯算子（ $\Delta_k^\Gamma$ ）的低阶谱矩，而非计算精确的贝蒂数。

核心概念： 该算法不通过计数零特征值（这在相对贝蒂数较小时需要极高的精度）来工作，而是估计拉普拉斯算子的相对迹 $\text{tr}[\Delta_k^\Gamma]$ 。作者在数值上证明，即使在相对贝蒂数很小时，相对迹也与贝蒂数 $\beta_{k-1}$ 强相关。
电路构建： 该算法利用三个主要组件：
1. 数据加载： 制备一个代表带有随机相位的所有 $k$ -团叠加态的 Dicke 态 $|D_N^k\rangle$ 。
2. 投影： 使用中途测量（MCM）和辅助比特将状态投影到特定的单纯形复形 $\Gamma$ 上，以过滤掉非团元素。
3. 迹估计： 应用边界算子 $B = \partial + \partial^\dagger$ （通过费米子哈密顿量的 Trotter 化实现），并通过测量所得状态的范数来估计迹。
资源效率： 作者利用中途测量和重置能力来降低对量子比特的需求。电路宽度随 $O(N)$ 缩放，且샷数（shot count）取决于所需的精度和 $k$ -团的密度（ $\zeta_k$ ），值得注意的是，其复杂度不会随相对贝蒂数发生剧烈缩放。

关键结果

经典性能

fMRI： 在针对缩减版 OASIS 子集的二分类任务（阿尔茨海默病 vs 健康对照）中，将高阶同调特征（ $H_2$ 至 $H_4$ ）添加到神经网络中，使平衡准确率从约 69%（ $H_0$ ）提升至约 74%（所有特征）。SVM 模型也显示出类似的趋势，并在进行特定特征压缩后性能达到约 66% 的峰值。
金融： 高阶同调曲线（ $H_3, H_4$ ）在市场崩盘附近表现出比 $H_1$ 更大的峰值和更清晰的信号。时延相关性分析显示， $H_2$ 至 $H_4$ 信号作为领先指标（与未来价格下跌呈负相关），其预测能力优于 MACD 指标。

量子算法性能

相关性验证： 在 Erdős-Rényi 图和 fMRI 点云上的数值模拟证实，相对迹 $\text{tr}[\Delta_k^\Gamma]$ 与贝蒂数 $\beta_{k-1}$ 之间存在强线性相关性，即使在相对贝蒂数很小时也是如此。这验证了使用迹作为代理特征的可行性。
资源评估： 作者提供了将其量子算法与经典 TDA 软件（giotto-ph）进行比较的求解时间（TTS）交叉点估计。对于具有高边密度（ $\zeta_2 \approx 0.9$ ）的图，在处理高维贝蒂数（ $d=4$ 到 $10$）时，当节点数为 70 到 1,200 个时，预计量子算法将超越经典方法，其交叉时间范围从数小时到数天不等。
硬件演示： 该算法在基于钡（Barium）的俘获离子量子处理器（40 个量子比特，类似于 IonQ Tempo 系列）上执行。
- 实验： 成功在 8 节点图（ $N=8$ ，测量 $\beta_1$ ）和 16 节点图（ $N=16$ ，测量 $\beta_3$ ）上运行。
- 技术： 利用 4 轮中途测量来投影状态，将 16 节点情况下的理论所需量子比特数从 56 个减少到 32 个。
- 结果： 硬件成功根据测得的相对迹可观测量区分了具有不同贝蒂数的图实例。结果与理想模拟高度吻合，尽管 16 节点情况下的电路深度增加引入了可观测的噪声。

重要性与主张

本文声称通过将范式从精确贝蒂数估计转向拓扑特征提取，为实现潜在的量子 TDA 效用建立了“清晰的路径”。

实际效用： 作者证明了高阶拓扑特征不仅是理论构造，而且在医疗诊断和金融预测等现实问题中包含可操作的信息，且其表现往往优于低维特征。
算法可行性： 通过将任务重新定义为估计低阶矩（相对迹），作者表明，在相对贝蒂数较小的情形下，量子优势也是可以实现的——而此前这种情形似乎排除了量子优势的可能性。
实验验证： 本研究提供了首次基于矩的 TDA 量子硬件演示，其中测得的拉普拉斯可观测量被定量地与精确的贝蒂信息进行对比，以区分不同的图实例。
路线图： 通过应用驱动的特征验证与资源高效型算法设计的结合，本文为在全容错量子计算机出现之前，在数据科学领域实现量子优势勾勒出了一条现实的路线图。

作者对其主张保持了审慎的态度，承认其量子算法估计的是与贝蒂数相关的可观测量而非计算精确值，并且目前的硬件演示仍局限于较小的图规模。然而，他们认为，其缩放特性以及所展示的相关性表明，量子 TDA 可以为具有挑战性的高维数据分析任务提供实际价值。