⚛️ quantum physics

Belief Propagation-based Disentanglers for Tensor Network State Preparation

本文介绍了一种利用置信传播通过对解纠缠门进行局部且无贫瘠高原问题的优化来制备张量网络状态的量子线路合成方法，并成功展示了在硬件上高保真度地制备大规模量子态。

原作者： Tomasz Szoł{}dra, Peter Schmelcher

发布于 2026-08-25

📖 1 分钟阅读🧠 深度阅读

原作者： Tomasz Szoł{}dra, Peter Schmelcher

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

量子计算机有望解决经典机器需要数千年才能解决的问题，但它们面临着一个根本性的障碍：如何让它们启动。在量子算法运行之前，机器必须被加载一个特定的初始状态，即量子比特之间精确的信息排列。对于许多有用的任务，从模拟新材料到建模复杂的金融系统，这种初始状态的准备都极其困难。这些信息通常纠缠在复杂的关联网络中，且随着系统的增大，管理这些关联的难度呈指数级增长。如果准备过程过于漫长或复杂，脆弱的量子信息会在计算开始之前就发生衰减。科学家们长期以来一直在寻求一种能够高效解开这些复杂状态的方法，理想的方法是利用经典计算机来规划步骤，从而确保量子机器只需执行一段简短且易于管理的运算序列。

汉堡大学的研究团队开发出一种新方法，用以解决这一类广泛且复杂的量子态的准备问题。他们将这种方法称为“基于置信传播的解纠缠器”（Belief Propagation-based Disentangler）。其核心思想是从目标且复杂的态出发，反向推导至一个简单的、每个量子比特都相互独立的空态。在量子世界中，“解纠缠器”是一种能够移除系统各部分之间连接的特定操作。研究人员意识到，对于许多重要的状态，可以通过借鉴经典统计学中的策略，逐一移除这些连接。这种被称为“置信传播”（belief propagation）的策略允许计算机通过观察网络中邻居节点传递的消息来估计某个部分的状态，从而有效地将一个庞大且互联的问题简化为一系列微小的局部计算。

研究人员利用这一逻辑设计了一个量子电路，即量子操作的蓝图。他们并没有试图一次性优化整个电路——这往往会导致计算陷入死胡同，即计算机无法找到更好的路径——而是将问题进行了分解。他们将量子态视为一个由节点和链路组成的网络。对于连接两个节点的每一条链路，他们使用置信传播方法来计算该特定对是如何“纠缠”或连接的局部度量。随后，他们寻找一个简单的双量子比特门（一种微小的量子开关），以最小化这种连接。由于每个链路的计算仅取决于其直接相邻的节点，研究人员可以独立地优化这些门。这种局部化的方法避免了“贫瘠高原”（barren plateau）问题，即在量子计算中，随着系统规模扩大，引导搜索的最佳设置信号会消失，导致搜索变得不可能。

为了提高效率，团队将这些局部优化组织成不同的层。他们将网络视为一张地图，其中每一处连接都必须在不干扰邻居的情况下进行处理。通过对连接进行着色，使得任何两个相连的链路不会共享相同的颜色，他们便可以同时应用同一颜色的所有门。这种并行处理方式使电路保持非常浅（即步数极少），这对于噪声较大的现阶段量子硬件至关重要。一旦状态被完全解纠缠为简单的独立量子比特乘积，研究人员只需反转整个操作序列即可。反向运行该电路，就能将那个简单的空态转化为用户最初想要的复杂目标态。

团队在两个不同的挑战上测试了该方法。首先，他们处理了一个涉及17维正态分布的数学问题，这种高维钟形曲线是数据科学中的常见任务。他们将这种分布编码到拥有102个量子比特的量子计算机上。仅通过三到五层解纠缠门，他们就以0.9到0.999之间的保真度（即准确度）准备好了该状态。这意味着准备好的状态与理论目标几乎完全一致。其次，他们将该方法应用于横场伊辛模型（transverse-field Ising model）的基态，这是一个标准的磁性模型，其结构模拟了IBM的Eagle处理器上的127个量子比特晶格。即使在这样更复杂的场景下（包含通常会让计算变得困难的环路结构），该方法依然成功准备了状态。其准确度保持在高水平，仅在材料发生相变的临界点附近略有下降，而在该区域，相关性会变得极其长程且难以捕捉。

研究结果表明，这种方法可以将复杂的经典量子态描述直接转移到硬件上，而无需经历从简单态到困难态的平滑过渡。以往的方法要么要求目标态必须是已知物理系统的基态，要么依赖于人工设计，而此方法适用于任意的网络结构（包括带有环路的结构），只要底层的相关性可以被置信传播技术所近似。研究人员发现，衡量连接复杂程度的“键维”（bond dimension）在整个过程中保持在有限范围内，确保了方法的高效性。通过将一个全局性的、困难的优化问题转化为一系列简单的局部步骤，这项工作为在近期的量子设备上加载经典数据和准备复杂量子态开辟了一条新途径，有望将量子模拟的能力扩展到目前所能达到的范围之外。

技术摘要：基于置信传播的解纠缠器用于张量网络态制备

问题陈述
量子态制备（QSP）是许多量子算法（包括哈密顿量时间演化、基态搜索和量子机器学习）的前提条件。虽然精确制备任意 $N$ 量子比特态需要指数级的资源，但利用结构化近似（如张量网络，TN）为实现高效性提供了路径。然而，现有的 QSP 方法面临显著局限性：

矩阵乘积态（MPS） 和 树张量网络（TTN） 允许高效收缩和正则形式，并已有成熟的制备方案。
环路张量网络（Loopy Tensor Networks）（例如投影纠缠对态 PEPS 或任意图上的 TN）难以进行精确收缩，且缺乏精确的正则形式。
当前针对环路网络的制备方案依赖于严格的假设（例如特定的张量类、唯一的基态父哈密顿量）或非幺正资源（测量、耗散）。
试图全局优化电路保真度的变分方法通常会遭遇“贫瘠高原”（Barren Plateaus，即梯度指数级消失）问题，并且需要良好的初始化，而这并不总是可获得的。此外，在大规模环路图上评估保真度无法通过精确方式完成。

目前存在一个方法缺口，即如何能够使用纯经典的、无贫瘠高原问题的浅层数字量子电路，来制备任意有界度图上的张量网络态。

方法论
作者引入了基于置信传播的解纠缠器（Belief Propagation-based Disentangler, BPD），这是一种通过逆转纠缠生成过程来制备 TN 态的启发式方案。其核心思想是通过应用经过变分优化的近邻门，将目标态 $|\psi\rangle$ 推向乘积态 $|0\rangle^{\otimes N}$ ，然后使用该电路的厄米共轭从 $|0\rangle^{\otimes N}$ 制备目标态。

方法论的关键组成部分包括：

置信传播（BP）规范：该方法利用 BP（一种利用消息矩阵 $M_{\mu,\nu}$ 来近似张量环境的张量网络规范化方案）。虽然 BP 对于树状结构是精确的，但对于环路网络是近似的，尽管已被证明能够实现大规模经典模拟。
边熵最小化：该方法并未采用全局优化，而是将问题简化为独立的、严格局部的经典变分优化。对于每条键 $(\mu, \nu)$ ，优化一个两比特“解纠缠器”门 $U_{\mu,\nu}(\theta)$ ，以最小化边熵 $S_\alpha(\mu, \nu)$ 。该熵由乘积的 BP 消息（ $M_{\mu,\nu}^{1/2} M_{\nu,\mu}^{1/2}$ ）的奇异值计算得出，并推广了环路图中的二分纠缠熵。
局部变分优化：通过优化门参数 $\theta$ 来最小化 $S_\alpha$ 。作者证明，该局部代价函数的梯度不会随系统规模 $N$ 指数级消失，从而避免了贫瘠高原问题。梯度的方差仅随键维度 $\chi$ 进行多项式级变化。
通过边着色实现并行化：为了高效应用解纠缠器，通过图边着色将边调度到并行轮次中。存在颜色数为 $K \le z + 1$ 的着色方案（其中 $z$ 是配位数）。这确保了解纠缠层深度至多为 $z+1$ 。
电路构建：在经过 $L$ 层解纠缠器后，单比特幺正变换将剩余状态旋转至 $|0\rangle^{\otimes N}$ 。目标制备电路即为该序列的厄米共轭。
混合精炼：如果重叠网络是精确可收缩的（例如对于 TTN 或小型系统），BPD 电路可以通过 Evenbly-Vidal (EV) 扫掠门优化器进行进一步精炼。

关键结果
作者在两个不同的目标上展示了该方法：

多元正态分布：一个通过使用“梳状”几何结构的 102 量子比特 TTN 编码的 17 维高斯分布。
- 使用 3–5 层解纠缠器，该方法实现的失真度（ $I = 1-F$ ）约为 $0.02$。
- 当结合 EV 扫掠（ $L=5$ ）时，失真度降至 $I < 0.01$ 。
- 该方法成功重现了目标概率分布及其相关性（例如 $x_1$ 与 $x_2$ 之间的相关性）。
横场伊辛模型（TFIM）基态：
- 64 量子比特系统：在重六角晶格（IBM Eagle 拓扑）上，当 $\chi=8$ 时，该方法在 $g_x=1.0$ 时仅需 2 层即可实现 $I < 0.01$ 。在临界点附近（ $g_x \approx 1.4-1.5$ ，此时相关性具有长程性），由于电路有限的光锥限制以及 BP 在临界点处的局限性，失真度在 5 层时达到峰值 $\approx 0.1$ 。
- 127 量子比特系统：在完整的 IBM Eagle 处理器拓扑上（ $N=127, \chi=32$ ），该方法制备的基态保真度在 $0.9 - 0.999 $数量级。观测值（序参量$ \langle Z \rangle $、横向磁化强度$ \langle X \rangle $以及相关函数$ \langle ZZ \rangle$）在整个相图中均与目标匹配，偏差主要出现在 BP 精度下降的临界点附近。

意义与主张
本文声称填补了一个关键的技术空白，提供了一种能够：

泛化解纠缠器：将此前仅限于 MPS 的经典变分解纠缠器（CVD）算法扩展到了 TTN 和环路 TN。
避免贫瘠高原：通过将问题简化为严格的局部优化，该方法规避了常见于全局变分量子求解器（VQE）的梯度消失问题。
经典高效性：优化完全在经典端使用 BP 消息进行，在电路合成阶段无需量子硬件。
硬件兼容性：生成的电路是浅层的（深度受配位数限制）且由近邻门组成，适用于具有有限连通性的近期待机硬件。
通用性：该方法不需要目标态是已知哈密顿量的基态，也不需要是从易于制备的状态进行的平滑插值，从而允许加载由 TN 描述的超越 MPS 形式的经典数据。

作者指出了一些局限性：该方法是启发式的，并不保证能为所有目标提供浅层且准确的电路。其成功依赖于 BP 规范是一个良好近似的假设（即状态具有树状相关性或长环路）。此外，在长程相关性超过电路光锥且 BP 近似精度下降的临界点附近，该方法的表现会有所下降。

技术摘要：基于置信传播的解纠缠器用于张量网络态制备

类似论文