Generative Learning for Quantum Measurement Design

技术摘要：用于量子测量设计的生成式学习

问题陈述

从量子态中提取量子信息是量子计算中的一个基本瓶颈，特别是在估计基态能量或相关函数时。这项任务需要在有限的测量预算（采样次数/shots）下，估计许多非对易的可观测量。这涉及一个关键的权衡：统计效率（最小化所需的采样次数）与实现资源（电路深度、连通性和纠缠门数量）之间的平衡。

现有的策略通常运行在两个极端：

1. 量子比特逐位对易 (QWC) / 乘积测量 (Product Measurements)：这些方法仅使用单比特基底旋转，对硬件友好且电路较浅。然而，它们通常需要大量的不同测量基底，从而导致高昂的采样成本。
2. 全对易 (FC) 分组：这些方法将更大规模的可观测量集合组合到单个电路中，以减少采样成本。然而，对一般的对易族进行对角化通常需要深层的 Clifford 电路，其包含 $O(n^2/\log n)$ 个双比特门，这对于具有深度限制的近期待用设备来说是不可行的。

中间地带——即利用有限的纠缠（浅层电路）同时尊重硬件约束（连通性、原生门集、固定深度）——目前尚未得到充分探索。诸如去随机化浅层阴影 (Derandomized Shallow Shadows, DSS) 等先前的方法试图通过顺序固定部分随机化电路来解决这一问题，但这些方法依赖于对部分随机化电路和张量网络评估的间接优化，计算成本可能很高且具有贪婪性。

方法论：FlowMeas

作者引入了 FlowMeas，这是一个生成式学习框架，它将受资源约束的测量设计重新构建为一个学习可执行测量电路分布的问题。

• 生成式流网络 (GFlowNet)：FlowMeas 利用 GFlowNet 通过动作序列构建离散对象（测量电路）。与最大化期望奖励的标准强化学习不同，GFlowNet 的训练目标是按照与奖励函数成比例的概率来采样完成的对象。这鼓励了对多个高质量模态（不同的测量协议）的探索，而非收敛到单个局部最优解。
• 电路构建：该模型学习一种策略，用于并行构建 $N$ 个浅层 Clifford 电路集合。动作集由局部 Clifford 门（$H, S, HS, SH, HSH$）和最近邻 CNOT 组成，并受到强制执行硬件连通性和最大 CNOT 深度 ($d_{max}$) 的掩码约束。
• 状态无关代理奖励：终端奖励源自状态无关的代理成本 $C(U)$，该成本仅通过哈密顿量系数和“命中计数”（即每个 Pauli 项被该集合覆盖的次数）计算得出。这使得无需预先了解目标量子态即可进行训练。论文评估了三种代理：
  1. 方差加偏差 (Variance-plus-bias, VB)。
  2. 基于 DSS 置信度的代理。
  3. OGM 对角方差代理。
• 精确评估：由于生成的每个候选电路都是确定性的 Clifford 电路，其 Pauli 覆盖范围可以通过使用 GPU 内核的稳定子表象传播 (stabilizer tableau propagation) 进行精确计算。这避免了先前方法中使用的张量网络近似或概率性中间评估。
• 隐式分组：输出是一个电路集合，其中覆盖情况是隐式的。单个电路可能覆盖多个 Pauli 项，而单个项也可能被多个电路覆盖。该策略优化了整个集合的集体效用。

核心贡献

1. 统一框架：FlowMeas 提供了一个灵活的框架，可以在乘积测量（$d_{max}=0$）和浅层纠缠测量（$d_{max} > 0$）之间进行插值，直接在硬件约束下优化深度-采样权衡。
2. 直接生成式方法：与 DSS 以贪婪方式顺序固定门的方式不同，FlowMeas 学习的是完整电路的分布。每一个采样的候选对象都是可执行的、确定性的 Clifford 电路。
3. 可扩展性：该方法扩展到了此前无法通过精确态矢量模拟基准测试的系统，展示了在 20 量子比特分子哈密顿量和紧凑编码的 54 量子比特费米子模型上的结果。
4. 可迁移性：学习到的策略可以在相关的哈密顿量（例如沿分子势能面）之间复用，从而显著加速重新训练。

结果

• 分子基准测试（4–20 量子比特）：
  • 在 $d_{max}=0$（QWC 极限）时，Flow-Meas 在几乎所有分子基准测试上都达到或优于领先的乘积测量方法（LDF, LBCS, Derand, OGM）。
  • 允许一层或两层 CNOT 层（$d_{max}=1, 2$）会进一步降低能量估计误差。相对于最强的状态无关乘积测量基准，观察到 RMSE 降低了高达 27%（例如，H$_2$(8) 为 27%，BeH$_2$(14) 为 17%）。
  • 在五个共享的分子系统中，FlowMeas 在四个案例中达到或优于 DSS 方法，其中最大的降幅为 H$_2$(8) 的 18.3%。
• 代理性能：在测试的分子系统中，基于 DSS 置信度的代理始终优于 VB 和 OGM 代理，相对于 VB 基准降低了高达 20% 的 RMSE。
• 势能面 (H$_2$O)：通过复用在平衡几何结构下训练的策略来初始化其他几何结构下的训练，可以在不牺牲最终精度的前提下，将收敛所需的梯度更新次数减少了 3 到 10 倍以上。
• 大规模费米子模型：该框架成功应用于 4$\times$4 和 6$\times$6 格点上的无自旋哈伯德模型（分别为 24 和 54 量子比特）。虽然使用状态信息的 Oracle Neyman 分配法仍然更精确，但 FlowMeas 仅使用状态无关的代理就达到了相近的误差量级，展示了超越以往分子基准测试的计算能力。

重要性与主张

论文声称 FlowMeas 建立了生成式学习作为一个灵活且统一的框架，用于实际资源约束下的量子测量设计。

• 平衡权衡：这项工作解决了在尊重实现限制（深度、连通性）的同时最小化测量成本的双重挑战。它证明了学习到的生成式策略能够比启发式分组或顺序去随机化更有效地处理深度-采样权衡。
• 设计摊销：通过学习一个分布而非单一调度，设计开销得到了摊销。能够在相关哈密顿量之间迁移策略的能力表明，测量设计可以从一个针对特定实例的优化问题转变为量子软件栈中的编译类过程。
• 未来展望：作者认为，这种方法为“量子测量基础模型”铺平了道路，其中策略可以在经典代理上进行预训练，并使用极少的量子数据进行微调。他们还指出，该方法的生成特性可能有助于发现现有解析构造无法捕捉到的电路结构。

论文在讨论未来影响时保持了谦逊的语气，重点在于展示改进的准确性和可扩展性，并建议下一个实际步骤是在真实的噪声硬件上验证这些优势。