⚛️ quantum physics

The optimization landscape of peaked-circuit generation

本文研究了峰值电路生成的优化图景，证明了虽然存在贫瘠高原现象，但它并不能解释所观察到的每比特优化可达性指数级衰减，并证明在深层极限下，没有任何多项式参数族能实现优于多项式缩放的指数级衰减。

原作者： Ilyes Jamoussi

发布于 2026-08-13

📖 1 分钟阅读🧠 深度阅读

原作者： Ilyes Jamoussi

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

量子寻宝：一张不可能之图

想象一下，你正试图制造一台能够解决极其困难问题的机器，这些问题即便使用世界上最快的超级计算机也需要数百万年才能破解。这就是“量子优越性”的梦想。但问题在于：为了证明这台机器确实奏效，你必须验证它的答案。如果问题规模太大，验证答案所花费的时间将与解决问题本身一样长，从而使整个实验变得毫无意义。这就像雇佣一名侦探来侦破谋杀案，但验证他是否找到凶门的唯一方法，是让你自己重新亲历整个案件的过程。

为了绕过这个问题，科学家们提出了一种巧妙的技巧，叫做“峰值电路”（peaked circuits）。他们不再要求量子机器在草堆中寻找一根针，而是要求它寻找一根特定的、预先选定的、它极有可能挑中的针。如果机器频繁输出这根特定的针，人类就可以快速验证：“没错，就是它！”问题在于，我们需要一台经典计算机来设计这个执行任务的量子机器。这有点像是在尝试编写一份食谱，其做出的蛋糕味道要恰好和某一朵特定的云朵一模一样。这份食谱既要足够随机，看起来像普通的蛋糕，又要足够“峰值”，以便总是呈现出那朵云的味道。

本文深入探讨了那个“食谱”的“优化景观”（optimization landscape）。把景观想象成一座巨大的、雾气缭绕的山脉，地形的高度代表了食谱的优劣。目标是找到最高峰。作者正在测试，他们能否使用一种聪明的算法（一名登山者）来攀登这座山并找到最好的食谱，还是说这座山的设计方式注定了无论登山者如何努力，都会被困在浅浅的山谷中。他们本质上是在绘制地形图，以观察那位“登山者”是因为不擅长攀爬，还是因为这座山本身就无法征服。

论文：绘制雾气缭绕的山脉

作者伊利耶斯·贾穆西（Ilyes Jamौसी）旨在测试一个关于为什么寻找这些“峰值”量子电路如此困难的具体理论。之前的研究曾暗示，这种困难源于“贫瘠高原”（barren plateau）——即山脉上一片广阔且平坦的区域，那里的地面过于平坦，以至于登山者无法分辨哪边是高处。他们认为登山者只是在迷失于这种平坦之中并最终放弃了。

贾穆西的团队决定以极高的精度绘制这座山。他们不仅仅观察了几个点，而是模拟了量子系统从 8 到 16 个“量子比特”（量子信息的逻辑基本单位）的整个地形。他们进行了数千次“徒步”（优化尝试），使用了不同的起点和不同的攀爬策略，以观察他们究竟能达到多高的高度。

山势陡峭，而非平坦
第一个重大发现是，“贫瘠高原”理论基本上是错误的。作者发现，这座山并不是一片平坦、毫无特征的平原。事实上，地形非常崎岖。我们的“登山者”（优化算法）之所以被困住，并不是因为地面平坦；而是因为随着系统的增大，山势变得越来越陡峭。

他们发现，对于增加的每一个量子比特，算法所能达到的最佳“峰值”会下降约 1.3 倍。这就像是在爬一把梯子，每增加一横杠，高度就会比前一个高出 30%，但你的攀爬能力保持不变。无论登山者多么优秀，山脉增长的速度都超过了他们的攀爬速度。

“固定基数”的迷思
之前的研究声称，这种难度是以一个稳定的、可预测的速率增长的（每个量子比特有一个“固定基数”约为 1.19）。这意味着对于一个大型系统（如 50 个量子比特），峰值仍然是可触及的。贾穆西的数据彻底粉碎了这个想法。他们的测量结果显示，难度并非稳步增长，而是加速增长。随着系统变大，衰减率从 1.16 加速到了 1.295（在某些情况下甚至达到了 1.32）。这意味着之前对 50 个量子比特系统的估算过于乐观了。这座山不仅高，而且其弯曲上升的速度比任何人预想的都要快。

登山者 vs. 山脉
论文中最令人兴奋的部分之一是对不同“登山者”的测试。作者将他们的标准攀爬算法（Adam）与一种更先进的算法 L-BFGS-B 进行了对比。

结果： 在他们测试的最大规模（16 个量子比特）下，这位更高级的“登山者”（L-BFGS-B）成功比标准算法高出了约 3.9%。
代价： 尽管这位新登山者表现更好，但它仍无法阻止山势变得越来越陡。每增加一个量子比特，其“触及高度”（reach）仍然会缩减 1.3 倍。
结论： 这次小小的胜利证明了之前的“硬度”猜想（即不存在高效方法的观点）在技术层面上是错误的。更好的算法确实可以做得稍好一些。然而，这并没有解决问题。对于大规模系统而言，这座山依然太陡峭，以至于任何已知的方法都无法征服。

没有陷阱，只有一个深层的平台
作者还研究了登山者是否会被困在“局部最优解”（local optima）中——即那些被高墙包围、看似顶峰实则并非顶峰的小型山谷。他们发现，景观实际上是一个单一且连通的“平台”（shelf）。并没有深邃且孤立的陷阱将好的解决方案隔离开来。你可以从一个好的解决方案走到另一个好的解决方案，而不会坠入深渊。

然而，这个平台是“波纹状”（corrugated）的（即凹凸不平的）。随着系统的增大，这些起伏变得越来越深。随着系统从 8 个量子比特增长到 16 个量子比特，这些凹陷的“底部”高度从峰值高度的约 73% 下降到了 23%。这就像是在一个逐渐变成锯齿状深邃峡谷的平台上行走。你可以横穿这个平台，但随着行程的推进，路径变得越来越险峻。

这意味着什么
论文得出结论：生成这些量子电路的难度，并不是因为算法在平坦的迷雾中迷失方向（贫瘠高原），也不是因为它们掉入了隐藏的陷阱。问题的核心在于，随着系统的增长，可能性的“天花板”正在迅速下降。

虽然稍微好一点的算法可以挤出百分之几的性能提升，但根本性的障碍依然存在：每增加一个量子比特，任务的难度大约会增加 1.3 倍。作者证明了，在深度极限下，任何使用多项式参数的算法族，平均而言都无法战胜这个不断缩减的天花板。这座山是连通的，但它增长的速度比我们想象的要快，快到任何当前的登山者都无法到达顶峰。

简而言之，这篇论文绘制了地形图并说道：“这座山是真实的，它是连通的，但它变得比我们预想的更加陡峭。我们找到了一双稍微好一点的靴子，但我们仍然无法爬上顶峰。”

技术摘要：峰值电路生成的优化景观

问题陈述
本文探讨了“峰值电路”（peaked circuits）生成过程中的瓶颈问题，该电路被认为是实现可验证量子优势的一条潜在路径。峰值电路是一种随机量子电路，尽管其外观呈现随机性，但其输出概率质量会集中在单个计算基字符串上。对于已知目标字符串的经典验证者而言，验证此类输出是高效的；然而，在经典端生成此类电路却非常困难。Aaronson 和 Zhang (AZ) 提出了一种变分方法：在深度为 $n$ 的随机 Haar 砖墙电路后，附加一个深度为 $n/2$ 的可训练砖墙，并通过优化参数来最大化全零字符串的概率。AZ 观察到，其梯度下降优化器会停滞在一个与尺寸相关的天花板上，他们将其归因于贫瘠高原（barren plateau）。他们留下了一个二分法悬念：要么是优化器陷入了局部最优（意味着更好的算法可以达到更高的值），要么是不存在高效的生成方法。本文通过绘制优化景观图来解决这一二分法，并刻画可达峰值性的缩放特性。

研究方法
本研究采用了一套严格的、预注册的实验方案，使用一维开边界砖墙电路的无噪声态矢量模拟。

电路架构： 系统由一个随机部分 $U_r$ （深度 $\tau_r = n$ ）和一个可训练部分 $V(\theta)$ （深度 $\tau_p = n/2$ ）组成。可训练门由每个两比特块的 15 个 Pauli 旋转组成，产生 $P = \Theta(n^2)$ 个参数。
优化协议： 主要协议使用带有特定学习率调度表的 Adam 优化器，进行 400 步迭代。研究定义了一个“稳定局部类”优化器（具有多项式步长和独立重启特性的类梯度流动力学）。
实验设计： 作者针对 $n=8$ 到 $14 $的每个尺寸测试了 18 个实例，并根据预注册协议在$ n=16$ 时追补至 18 个实例。研究利用大规模重启系综（高达 800 次重启）来区分景观属性与优化器预算限制。
景观分析： 本文分析了目标场 $\delta(\theta)$ 的静态特性，包括通过 Weingarten 微积分计算精确矩（最高至四阶）、梯度统计以及利用弦方法（string methods）分析连通性，以测量近优解之间的路径极小值。
优化器比较： 一个预注册的模块将 Adam 与 L-BFGS-B 以及普通 SGD 进行对比，通过不同的初始化来测试是否存在优化器特定的优势。

核心贡献与结果

拒绝固定基准缩放律：
本文拒绝了 AZ 提出的固定指数衰减律 ( $1.189^{-n}$ )。作者证明，可达峰值性的局部衰减率并非常数，而是随系统尺寸单调变陡。
- 对于收敛运行，衰减率从 $n=8$ 时的每比特 $\approx 1.16$ 增加到 $n=16$ 时的 $\approx 1.295$ 。
- 因此，AZ 对 $n=50$ 提供的外推预测在当前可及尺寸的数据面前是不成立的。可达到的峰值性缩减速度比此前估计的更快。
优化景观的特征刻画：
- 不存在贫瘠高原： 平均梯度和 Hessian 矩阵虽然由于 Haar 随机态的特性而恒等于零，但初始化时的梯度方差仅比 Haar 极限高出 $O(1)$ 。贫瘠高原并不能解释这种趋于陡峭的现象；优化器利用的是在优化过程中获得的结构，而非初始化时存在的结构。
- 连通平台，无重叠间隙： 通过弦方法直接测量连通性显示，在“陷阱尺度”（即 Haar 底层 $2^{-n}$ ）处，近优解形成了一个单一的连通分量。不同解之间的路径始终保持在陷阱尺度上方 $10^2$ – $10^3$ 倍。这反驳了“重叠间隙”机制（即由于存在禁止的中间重叠而导致的聚类现象）作为陷阱尺度下硬度来源的说法。
- 加深的褶皱： 虽然是连通的，但该“平台”变得日益褶皱。中值路径极小值相对于端点值的衰减速率约为 $\approx 0.871^n$ ，这比任何固定幂律都要快。这种加深的褶皱而非破碎化，构成了问题的难度所在。
优化器鲁棒性与硬度猜想：
- 向下失败： 在预注册的稳定局部类内，普通 SGD 在固定预算内无法达到 Adam 所能达到的峰值性，但这归因于“步调”（步长）而非景观本身。
- 向上超越： 在一个预注册的比较中，L-BFGS-B（一种拟牛顿法）在 $n=16$ 的三个实例上，实现的峰值高度比收敛后的 Adam 高出 $3.9 \pm 1.6\%$ 。
- 撤回硬度猜想： 这一超越现象触发了一个预注册的证伪器，导致作者撤回了其关于“没有任何类内统计量能超越缩减后的可达范围”的猜想。然而，该缩放律依然成立：即使是 L-BFGS-B 的可达范围也以每比特 $\approx 1.3$ 的因子缩减。
理论界限：
- 深层极限天花板： 作者证明，在深层极限下（即被搅动态为 Haar 态时），任何拥有 $poly(n) $参数的探测器族都无法实现期望峰值性超过$ poly(n) 2^{-n}$。
- 有限深度： 在有限深度下，可达到的峰值性超过了上述深层极限，且领先幅度随 $n$ 增长，这表明优化器利用了二阶振幅统计无法察觉的有限深度结构。

意义与主张
本文声称通过刻画景观而非仅仅寻找更好的优化器，解决了 AZ 提出的二分法。

障碍物： 生成峰值电路的主要障碍不是贫瘠高原或重叠间隙（聚类），而是一个连通景观上的“缩减的可达范围”。可达到的峰值性随比特数增加呈指数级衰减，且衰减率随系统尺寸变陡。
对量子优势的影响： AZ 基于 $n=50$ 的实验可行性估算是缺乏依据的。这种趋于陡峭的衰减率表明，即便找到了更好的优化器，为大规模 $n$ 生成峰值电路也将比此前认为的要困难得多。
主张的审慎性： 作者明确指出，虽然他们撤回了“没有任何类内优化器能超越缩减后的可达范围”这一猜想，但所测得的障碍（即缩减速率本身）对于目前测试的所有优化器均成立。本文并非声称找到了一种能高效扩展到 $n=50$ 的方法，而是提供了一个精确的负面特征刻画，该刻画排除了简单的外推法，并识别出了定义生成瓶颈的具体几何特征（陡峭衰减、加深褶皱）。

总而言之，本文确立了峰值电路的生成受限于一种特定的景观：在该景观中，随着量子比特数的增加，可达到的峰值概率以比任何固定指数更快的速度缩减，这一现象是由连通平台上不断加深的褶皱所驱动的，而非由贫瘠高原或解的聚类现象所导致。

量子寻宝：一张不可能之图

论文：绘制雾气缭绕的山脉

技术摘要：峰值电路生成的优化景观

类似论文