⚛️ quantum physics

Representational separation between unitary and channel quantum generative models via shared classical randomness at shallow depth

本文证明，通过引入共享的经典随机性来增强浅层、有限连通性的酉量子线路，可以创造出一种更强大的生成模型，该模型能够产生在纯酉设置下原本需要线性深度才能实现的远程相关性，而基于测量的量子计算为这种优势提供了一种自然的实现方式。

原作者： Arunava Majumder, Marius Krumm, Hendrik Poulsen Nautrup, Hans J. Briegel

发布于 2026-08-06

📖 1 分钟阅读🧠 深度阅读

原作者： Arunava Majumder, Marius Krumm, Hendrik Poulsen Nautrup, Hans J. Briegel

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，你正试图建造一台能够像大师级艺术家那样学习绘画的机器。在量子计算的世界里，这些机器被称为“量子生成模型”。它们的任务是拿一张空白画布（一个量子态），通过一系列扭转与旋转（量子门），创造出特定的色彩图案（概率分布），使其看起来就像它们所训练的数据一样。但问题在于，我们现在的量子计算机就像是那些注意力极其短暂且笨手笨脚的艺术家。它们只能进行几次快速的动作，然后就会感到疲劳并出错。这种限制被称为“浅深度”（shallow depth）。因为它们移动的距离有限，所以很难连接画布上相距较远的两个点。如果你想让画作的左上角与右下角相匹配，一个浅层机器通常无法做到；信息没有足够的时间传送到那么远的地方。

科学家们一直在问一个大问题：我们能否让这些笨拙、浅层的量子艺术家在不增加时间或力量的情况下，更好地连接远处的点？通常情况下，答案似乎是“不能”，除非你添加复杂的硬件。但如果秘密配方不是更强大的量子工具，而是一些更简单、更经典的元素，比如一次共享的硬币投掷呢？本文探讨了：一点点共享的随机性——即两个遥远的部件之间无需交谈即可瞬间达成共识的东西——是否可以帮助一个浅层量子模型创造出标准纯量子模型根本无法创造出的模式。

研究人员 Arunava Majumder 及其来自因斯布鲁克大学的团队设定了这个想法并进行了测试。他们发现，是的，在两个相距甚远的量子电路部分之间共享一个简单的经典随机比特（比如硬币投掷的结果），可以严格地改善模型所能创造的内容。他们证明了，通过添加这种共享随机性，该模型可以产生长程相关性（long-range correlations）——即远处的比特数据之间相互关联的模式——而标准的浅层量子模型无论如何调整参数，在数学上都无法产生这种结果。

为了理解这是如何运作的，请想象一排正在传递秘密信息的人。在标准的浅层量子电路中，信息只能走几步就停止了。如果 1 号人物需要与 6 号人物进行协调，而信息只能走两步，他们永远无法同步。然而，研究人员表明，如果你给 1 号人物和 6 号人物一张写有随机数字的共享纸条（即共享的经典随机性），他们可以同时对那个数字做出反应。即使他们从未在彼此之间传递信息，他们的行为也会变得完美协调。

用论文中的语言来说，他们采用了一个标准的“砖墙式”（brickwall）量子电路（一种门作用于相邻比特的常见设计），并在其中插入了一个特殊的“随机保利算符串”（stochastic Pauli string）。这是一种高级说法，指的是他们同时对特定的量子比特（qubits）应用了一个随机翻转（类似于硬币投掷）：如果硬币正面朝上，则同时翻转两个远端的量子比特；如果反面朝上，则什么都不做。因为这个决定是由一个跨越整个系统的单一经典随机比特做出的，所以这两个远端的量子比特变得产生了相关性。作者通过解析证明，对于一维量子比特链，纯量子模型需要一个深度随量子比特间距线性增长的电路（具体而言，对于 $N$ 个量子比特，深度至少为 $N-1$ ）才能达到同样的效果。相比之下，他们的带有共享随机性的浅层模型，只需固定的浅层深度即可实现。

该团队不仅做了数学推导，还通过模拟实验观察了实际效果。他们训练了一个标准量子模型和一个新的“共享随机性”模型来学习一个特定模式：两种截然不同状态的混合（一种是所有比特均为 0，另一种是所有比特均为 1）。结果非常明确：带有共享随机性的模型始终能更好地学习该模式，比标准模型具有更低的误差率，并且能更可靠地找到解。他们发现，标准模型经常陷入困境，无法理解如何将模式的远端联系起来，而带有共享随机性的模型则轻松应对。

重要的是，论文谨慎地澄清了这并不意味着什么。这并不是声称量子计算机现在已经全面超越了经典计算机。相反，这是一个证明：在特定的、受限的浅层量子电路世界里，添加一点点经典协调性能创造出一个严格更大的输出族。这是一种“表示分离”（representational separation），意味着这两类模型能创造出不同的东西，而且新模型能做到旧模型在物理上无法做到的事情。

研究人员还展示了如何将此自然地实现在另一种风格的量子计算——测量型量子计算（MBQC）中。在 MBQC 中，计算过程是通过测量一个巨大的纠缠态来完成的。这些测量的结果本质上是随机的。论文指出，通过选择以协调的方式保留或修正这些随机测量结果，你可以自然地创造出这种共享随机性，而不需要任何额外的硬件。这就像是意识到系统中的“噪声”实际上是一个你可以利用的特性。

总之，这篇论文证明了共享的经典随机性是一种强大且低成本的资源。它允许浅层量子模型发挥出超越自身水平的能力，创造出复杂的长程模式，而这些模式原本需要更深、更易出错的电路才能实现。对于未来硬件设计中难以构建深层电路的情况，这提供了一个聪明的变通方案：不要仅仅尝试建造更大的量子机器，而是让它们共享一点点“古典运气”。

技术摘要：通过共享经典随机性实现表示分离

问题陈述
近期的量子硬件面临着严格的约束，特别是限制了量子生成模型的电路深度并强制执行几何局部连通性。这些限制阻碍了浅层幺正 Born 模型（unitary Born models）在建立远距离量子比特之间的长程相关性方面的能力，因为信息传播被限制在有限的光锥内。虽然引入随机性（通道模型）已被证明可以提高受限小规模架构下的经验性能和表示能力，但一个悬而未决的问题是：对于任意规模的系统，共享经典随机性是否能提供一种可证明的、严格可扩展的表示分离，且优于纯幺后浅层模型？具体而言，在不增加电路深度、不添加长程纠缠门或不利用自适应中途测量的情况下，能否严格扩大输出分布的族系？

方法论
作者提出了一种“最小相关通道模型”，该模型通过共享经典随机性增强了具有受限连通性的浅层幺后电路。

模型构建： 该模型由标准的浅层幺后电路（例如 1D 砖墙架构）后接计算基测量组成。中间层通过一个随机 Pauli 算符串 $P^s_M = \bigotimes_{j \in M} P^s_j$ 进行增强，其中 $M$ 是空间分离的量子比特子集。
共享随机性机制： 该 Pauli 算符串的应用由单个经典采样的随机比特 $s \sim \text{Bernoulli}(p)$ 控制。如果 $s=1$ ，则应用该 Pauli 算符串；如果 $s=0$ ，则跳过。这创建了一个随机通道，其中在空间分离的量子比特上联合应用局部 Pauli 操作的过程是由单个经典变量所关联的。
MBQC 实现： 论文证明了这种共享随机性在测量型量子计算（MBQC）中自然产生。在变分 MBQC（VMBQC）中，测量结果本质上是随机的。通过基于共享经典控制变量，自适应地选择保留、忽略或（甚至反向纠正）测量诱导的 Pauli 副产物，可以原生实现所需的关联随机通道，而无需额外的量子资源。
学习框架： 模型使用最大均差（MMD）损失进行训练，以逼近目标分布。研究对比了纯幺后模型与带有共享随机性的通道模型的学习性能。

核心贡献

可证明的表示分离： 论文确立了在浅层深度 $D$ 下存在严格包含关系 $P_{\text{unit}}(D) \subsetneq P_{\text{ch}}(D)$ 。作者证明，对于给定深度的局部有界度架构，存在由通道模型生成的输出分布，是任何相同深度的幺后模型都无法重现的。
深度下界： 对于一维最近邻架构，作者表明，若要重现通道模型生成的长程相关性，使用纯幺后模型所需的电路深度与相关区域之间的距离成线性比例，即 $D = \Omega(\text{dist}(a,b))$ 。在系统规模为 $N$ 的最坏情况下，这意味着需要 $\Omega(N)$ 的深度，而通道模型在常数浅层深度下即可实现。
分离机制： 这种分离并非源于对测量结果进行平凡的经典后处理。相反，共享随机性编码了中间层非 Clifford 旋转角的关联符号翻转。这些角度翻转非平凡地改变了电路动力学，从而产生了长程相关性，而这种相关性是浅层幺后电路中不相交的光锥无法触及的。
MBQC 集成： 该工作为这一理论构造提供了具体的 VMBQC 映射，表明这种“共享随机性”资源实际上是副产物纠正的经典协调，不需要额外的硬件开销。

结果

解析性： 定理 4 正式证明，对于具有 $N \ge 6$ 个量子比特的 1D 砖墙电路，作用于远距离量子比特 $a$ 和 $b$ 的单个随机 Pauli 算符串通道模型，可以生成一个与任何深度 $D < \text{dist}(a,b)/4$ 的幺后模型生成的分布在全变差距离上 $\delta^*$ -远的目标分布 $Q^*$ 。
数值性： 在 6 量子比特、深度为 2 的架构上进行的实验中，通过训练来逼近“分支峰值混合”（branch-peaked mixture）分布（即在 $000000 $和$ 111111$ 处各有一个峰值的两个分布的混合），结果显示，相比于幺后基准模型，相关通道模型始终能获得显著更低的 MMD 损失，并且在不同随机初始化下的方差更小。通道模型成功学习了目标分布，而幺后模型则难以捕捉目标分布中固有的长程相关性。

意义与主张
作者明确指出，这些结果并非声称相对于经典计算具有量子优势。其意义在于建立了两类受限于相同浅层局部量子资源约束的量子生成模型之间的表示分离。

资源效率： 所需的额外资源是“共享经典随机性”，在纠缠理论中，这被描述为一种相对较弱的资源，且在实现上是“经典廉价”的。
硬件启示： 对于连通性受限的硬件（如超导量子比特或中性原子），这种方法提供了一种在无需深层电路（深层电路易受贫瘠高原问题影响）或长程门的情况下生成长程相关性的途径。
MBQC 相关性： 在 MBQC 实现中，这种资源更加自然，因为随机性是测量过程固有的，仅需通过经典前馈逻辑即可协调副产物的保留。

论文得出结论：当共享经典随机性被结构化用于协调局部操作时，它在浅层深度下提供了真正的表示优势，严格扩大了在相同的架构约束下通过幺后演化所能达到的输出分布族系。

技术摘要：通过共享经典随机性实现表示分离

类似论文