Scalable quantum simulation of continuous-time generative models via tensor networks

技术摘要：通过张量网络实现连续时间生成模型的可扩展量子模拟

问题陈述
连续时间生成模型（如流匹配和基于评分的扩散模型）被广泛用于建模复杂的概率分布。然而，在训练后提取这些模型的统计特性在计算上是非常昂贵的；若要获得更高的精度，需要通过增加样本量来实现二次方级的增长（蒙特卡洛采样）。波函数流（Wavefunction flows）提供了一个理论上的解决方案，它将经典的连续性方程输运重新表述为波函数的幺正演化。最终状态提供了一个相干幅度编码（即“qsample”）的目标分布，从而能够实现诸如振幅估计和振幅放大等量子算法，并获得相对于经典采样的二次方加速。

尽管前景广阔，但波函数流在理论上一直停留在阶段。直接数值模拟受限于在稠密网格上表示波函数的指数级成本。对于维度为 $d$、每轴分辨率为 $N$ 的空间，该状态需要 $N^d$ 个振幅。例如，当 $d=6$ 且 $N=32$ 时，波函数包含约 $10^9$ 个振幅。主要的计算瓶颈是“势能步”（$e^{i\beta V_t}$），其中势能 $V_t$ 的指数运算和存储随维度呈指数级增长，使得当 $d > 5$ 时经典模拟变得不可行。

方法论
作者提出了一种经典的张量网络框架来模拟波函数流，通过压缩波函数和势算符来克服指数级缩放障碍。

1. 张量网络表示： 演化的波函数 $\Psi_t$ 被表示为矩阵乘积态（MPS）。与其使用 $N^d$ 个点的稠密网格，不如将状态存储为 $d$ 个核心，其键维数为 $D$，从而将内存复杂度从 $O(N^d)$ 降低到 $O(dND^2)$。
2. 哈密顿量与 Trotter 化： 系统在连续性哈密顿量 $\hat{H}^c_t = i[\hat{K}, V_t]$ 下演化，其中 $\hat{K}$ 是动能项（在傅里叶空间中是对角化的），$V_t$ 是学习到的标量势。演化通过交替进行的动能步和势能步进行 Trotter 化。
   • 动能步通过在每个 MPS 站点上应用一维傅里叶变换来实现，这种方式高效且保持秩（rank-preserving）。
   • 势能步（$e^{i\beta V_t}$）是主要挑战。作者避免了显式构建高秩幺正算符。相反，他们利用**张量交叉插值（TCI）**来构建生成器 $V_t$ 本身的低秩矩阵乘积算符（MPO）表示（而非其指数形式）。
3. 含时变分原理（TDVP）： 势能步使用 TDVP 积分器进行隐式应用。该算法在由 $V_t$ 生成的 MPS 流形下演化，有效地应用了 $e^{i\beta V_t}$，而无需形成完整的算符。文中基准测试了两种积分器：
   • 1TDVP： 每次更新一个站点，并保持固定的键维数。
   • 2TDVP： 同时更新两个相邻站点，允许通过 SVD 截断实现自适应键维数增长。
   • 1TDVP+SE： 1TDVP 的一种变体，通过添加子空间扩展来捕捉必要的纠缠，而无需进行完整的双站点扫描。
4. 训练后的 MPS 势能： 在第二个流水线中，速度势 $V_t$ 被直接预训练为一个实值 MPS。这消除了在每个 Trotter 步中进行运行时 TCI 构建的需求，因为 $V_t$ 的 MPS 核心可以直接输入到 TDVP 演化中。

核心贡献

1. 首次数值研究： 本工作展示了波函数流的首次数值实现，将该概念从数学分析推向了实用的经典模拟框架。
2. 通过压缩实现可扩展性： 作者证明，将波函数和势能表示为张量网络可以压缩模拟的主要成本。在 $d=8$ 时，该方法实现了相比于外推的稠密网格基准线约 $10^7\times$ 的内存减少和 $\gtrsim 10^3\times$ 的墙钟时间减少。
3. 端到端带有训练势能的流水线： 文中引入了一个流水线，其中速度势被训练为 MPS 并直接用于演化步骤，从而使模拟正交高斯混合分布的维度达到 $d=32$。
4. 稀有事件采样验证： 该流水线通过重现振幅放大过程中 $O(1/\sqrt{p_{rare}})$ 的稀有事件采样缩放，验证了目标分布中的“稀有”质量在张量网络压缩中得以保留。

结果

• 准确性： 在正交高斯混合分布（维度 $d=2$ 到 $8$）上，张量网络方法（TCI+1TDVP 和 TCI+2TDVP）在样本质量（通过切片 Wasserstein 距离和最大均差 MMD 衡量）上与稠密网格模拟及经典联合动作匹配（JAM）基准线相匹配。随着维度的增加，误差保持稳定，没有出现上升趋势。
• 性能： 稠密网格基准线在 $d \approx 5$ 以上变得不可行。张量网络方法在 $d=8$（以及使用训练势能时的 $d=32$）时仍保持可行且高效。在 $d=8$ 时，张量网络方法比外推的稠密网格成本节省了七个数量级的内存和三个数量级的时间。
• 稀有事件采样： 对于定义为距离模态 $>4\sigma$ 的点的目标，准备好的波函数状态保留了必要的尾部质量。在接受理想化的振幅放大时，与经典拒绝采样相比，该方法每接受一个稀有样本所需的态准备次数减少了 2.5 倍，验证了 $O(1/\sqrt{p_{rare}})$ 的缩放特性。
• 积分器比较： 2TDVP 积分器通常能实现更低的概率流偏差，但计算成本更高。1TDVP+SE 变体提供了具有竞争力的权衡，特别是在键维数由需求驱动时。

意义与主张
本文确立了张量网络作为模拟波函数流的实用数值框架，并识别出了这些流在经典上可模拟的“低秩机制”。作者声称：

• 压缩后的 MPS 态可以作为有效的经典前驱电路，用于初始化参数化量子电路以缓解贫瘠高原（barren plateaus）问题。
• 该方法通过压缩势能步的指数成本，成功架起了经典生成模型与量子模拟之间的桥梁。
• 通过对稀有事件质量在张量网络演化中的生存情况进行验证，证明了该压缩对于需要尾部采样的任务的保真度。

谦逊说明与局限性
作者明确指出，目前的结果仅限于“可去量化”（dequantizable）机制，即目标分布（正交高斯混合分布）在构造上是低秩的。他们并未声称在这些特定基准测试中获得了门级量子加速或抗去量化优势，因为准备的态和观测量在经典上是高效可收缩的。该工作尚未产生用于量子硬件上相干态准备的编译幺正电路；相反，它提供了此类编译程序可以消耗的态和生成器表示。演示的振幅放大是理想化的，模拟的是精确的 Grover 统计特性，而非执行编译后的电路。未来仍需通过高维且具有丰富相关性的目标来压力测试该方法。