⚛️ quantum physics

Comment on "Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency": Polynomial Evaluation of the Triplet-Block Readout

本文通过证明对角化两粒子约化密度矩阵能够实现计算完整相关函数矢量的确定性 $O(n^4)$ 算法，从而反驳了关于可扩展量子机器学习中三元块二体读取存在指数级经典代价的说法，进而使该特定算法相关的指数代价结论失效，同时不对其他关于可训练性和硬度的结果产生影响。

原作者： Erfan Amidi

发布于 2026-08-24

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Erfan Amidi

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

在构建利用量子物理奇特定律从数据中学习的机器的探索过程中，科学家们一直在试图弄清楚真正的力量源自何处，以及其极限又在哪里。想象一台不仅仅是计算数字，而是同时探索多种可能性的计算机，它利用像电子这样可以同时存在于多种状态中的粒子。这就是量子机器学习所承诺的前景。然而，为了使这些系统发挥作用，研究人员必须能够训练它们，这涉及通过调整“旋钮”和“拨盘”来提高其性能。该领域的一个主要障碍是：运行在普通硅芯片上的计算机是否能够预测量子机器的行为，或者量子机器是否复杂到只有量子机器本身才能理解其输出。如果经典计算机可以轻松预测结果，那么量子系统可能就不会提供独特的优势。这种关于“可训练性”和效率的问题，对于决定这些未来的设备能否从理论走向现实至关重要。

研究员埃尔凡·阿米迪（Erfan Amidi）最近的一篇笔记针对关于计算特定类型量子学习模型输出难度的某个说法提出了质疑。在之前的一项研究中，科学家们曾暗示，对于一种涉及三个粒子组的特定设置，计算粒子对之间的关系将需要耗费大量时间。他们估计，随着系统规模的扩大，所需的时间将呈指数级增长，这实际上使得在普通计算机上进行模拟变得几乎不可能。这一结论是基于一种将整个量子态视为许多更简单部分之复杂总和的方法，而随着部分的增加，这个过程会迅速变得难以处理。之前的研究人员认为，由于输入态很复杂，获得答案的唯一方法就是进行这种昂贵的计算，而这将耗费不切实际的时间。

阿米迪的工作表明，这一结论是基于一个不必要的复杂化。研究人员证明，对于测量粒子对之间相关性的特定任务，存在一条更简单的路径。与其试图追踪整个复杂的量子态，不如只关注对特定测量有意义的信息。所讨论的输入态是由粒子块构建的，虽然这些块的完整描述非常复杂，但预测两两关系所需的特定信息实际上非常简单，可以直接写出来。事实证明，量子态中的复杂部分并不会以影响该特定测量的方式相互干扰。因此，该计算并不需要此前所担忧的那种指数级的计算量爆炸。

这项新的分析提供了一种使用标准计算机计算这些关系的清晰、逐步的方法。该方法涉及获取描述初始态的一个简单的概率列表，并应用一个代表粒子如何移动和相互作用的数学变换。即使随着粒子数量的增加，这个变换也可以非常快速地计算出来。其结果是一个完整的两两关系列表，计算时间仅随粒子数量的四次方增长。对于一个拥有上千个粒子的系统，这是现代计算机可以轻松处理的任务，而之前的估计则认为它需要比宇宙年龄还要长的时间。这一发现证明了所讨论的特定量子学习模型在模拟方面并不像之前认为的那样困难，至少对于测量这些特定相关性的任务而言是如此。

这一发现并不意味着量子计算机失去了所有的神秘感或潜力。研究人员谨慎地指出，虽然这些特定测量易于预测，但涉及系统完整复杂性的其他任务——例如生成随机结果或测量涉及多个粒子同时存在的更复杂关系——对于经典计算机来说仍然是困难的。训练量子系统的难度、系统陷入无法学习状态的风险，以及采样随机结果的挑战，都是仍然有效的顾虑，并未因这项新发现而改变。这项新工作仅仅是明确了：对于在这种特定设置下读取两粒子关系的特定工作，经典成本很低，且计算过程非常直接。

这项工作的意义在于它能够修正量子机器学习领域中关于“什么是可能的”以及“什么是不可行的”这一认知地图。通过表明此前假设的障碍实际上是由使用比必要时更复杂的工具所造成的幻象，研究人员帮助完善了我们对量子系统真正优势所在位置的理解。这表明，对于某些类型的数据和测量，经典计算机可以与量子计算机保持同步，这对设计这些未来技术的工程师来说是至关重要的信息。这项工作证实，虽然量子世界广阔且复杂，但仍存在一些清晰且可触及的窗口，使我们能够在无需解决“不可能”的问题下，更好地构建这些系统如何学习和行为的模型。

技术摘要：可扩展量子机器学习：训练性、表达力与效率 —— 三元块读取（Triplet-Block Readout）的多项式求值

问题陈述
本研究针对文献 [1] 中关于在一种量子机器学习架构中评估“监督二体读取”（supervised two-body readout）的经典计算成本所提出的特定主张进行了探讨。文献 [1] 分析了一个由 $n$ 个费米子模组成的系统，其初始状态为“三元块”（triplet-block）态，定义为 $|\Psi_{\text{in}}\rangle = |\Psi_6\rangle^{\otimes m} \otimes |0\rangle^{\otimes (n-6m)}$ ，其中 $|\Psi_6\rangle = (|111000\rangle + |000111\rangle)/\sqrt{2}$ 。该系统经历被动费米子线性光学（FLO）操作，而读取过程由二体数相关函数向量 $q_{ij} = \langle n_i n_j \rangle$ 组成。

文献 [1] 认为，由于输入态具有 3 的“形式秩”（form-rank）（这阻止了适用于秩为 2 状态的混合 Pfaffian 压缩），唯一的有效经典模拟路径是高斯态展开。这种展开包含 $\chi = 2^{k/3}$ 项，导致经典评估成本为 $O(\chi^2 \text{poly}(n)) = O(2^{2k/3} \text{poly}(n))$ 。因此，文献 [1] 得出结论：评估此读取向量在经典上是不可行的（关于 $k$ 指数级增长），从而使得相关的监督学习特征在经典上是不可获取的。

方法论
作者通过关注观测量的特定结构和输入态，对进行全高斯展开的必要性提出了质疑。其方法论如下：

固定体数在 FLO 下的封闭性：本文确立了被动 FLO 幺正算符 $U_W$ 通过对 $r$ -粒子扇区的费米子态进行线性变换来作用于 $r$ -粒子约化密度矩阵（RDM） $\Gamma^{(r)}$ 。具体而言，若 $\rho$ 为输入态，则输出态 $\rho_{\text{out}} = U_W \rho U_W^\dagger$ 满足：
$\Gamma^{(r)}_{\rho_{\text{out}}} = R_r(W) \Gamma^{(r)}_{\rho} R_r(W)^\dagger$
其中 $R_r(W) = \bigwedge^r W$ 是单粒子幺正算符 $W$ 的 $r$ 阶外幂。矩阵元素 $R_r(W)$ 是 $W$ 的 $r \times r$ 子矩阵的行列式。
对角输入结构：作者证明了对于特定的三元块输入，二粒子约化密度矩阵（ $r=2$ ）显式地是对角化的。这是因为三元态的两个分支（ $|111111\rangle$ 和 $|000111\rangle$ ）相差三个占据模；因此，任何二体算符（最多改变两个模）在这些分支之间都具有零相干性。 $\Gamma^{(2)}_{\text{in}}$ 的对角项是显式可计算的常数（取决于模索引，取值为 $1/2$ 、 $1/4$ 或 $0$）。
确定性传播：通过结合对角性质的输入 $\Gamma^{(2)}_{\text{in}}$ 与线性传播规则，作者推导出了输出相关函数的闭式表达式。任何对 $(i, j)$ 的期望值都是通过输入 RDM 的对角权重乘以对应子矩阵行列式的模平方之和来计算的。

主要贡献与结果

多项式时间算法：本文提出了一种确定性的经典算法，可在 $O(n^4)$ 时间内计算完整的二体相关函数向量 $q(x, \theta)$ 。该复杂度与块的数量 $m$ （以及参数 $k$ ）无关，也与全态的形式秩无关。
推广至固定- $r$ 观测量：本研究将此结果推广到任何守恒粒子数的 $r$ -体期望值。如果输入 $r$ -粒子 RDM 在经典上是可获取的，则输出期望值的计算复杂度为 $O(n^{2r})$ （具体为 $O(r^3 \binom{n}{r}^2)$ ）。如果输入 RDM 是对角的，则复杂度为 $O(n^{2r})$ 。
驳斥指数成本：作者证明了文献 [1] 中引用的 $O(2^{2k/3})$ 界限是使用次优模拟方法（全高斯展开）而非基本复杂度理论下界的产物。三元块读取的特定结构允许进行高效的经典模拟。

意义与主张
本文断言，其发现使文献 [1] 中关于“三元块输入下的监督二体读取需要指数级经典时间”的主张失效。具体而言：

特征向量的“经典不可获取性”被消除；该向量及其梯度均可高效计算。
关于“期望值硬度”意味着这些特定模型存在经典模拟障碍的结论被推翻。
研究结果并不影响文献 [1] 中的其他结论，例如梯度方差、贫瘠高原（barren plateaus）、参数移位规则或采样硬度。采样硬度依然存在，因为全输出概率取决于随系统规模增长的体阶相关性，而这些相关性是固定- $r$ RDM 所无法捕捉的。

注：上下文
作者指出，文献 [1] 的第二版（2026 年 8 月 20 日发布）随后移除了三元编码及相关的期望值硬度主张，承认了在一般形式下存在固定体数可模拟性的结果。本文为该修订提供了技术依据。

技术摘要：可扩展量子机器学习：训练性、表达力与效率 —— 三元块读取（Triplet-Block Readout）的多项式求值

类似论文