技术摘要：用于相干量子学习的量子哈密顿量演化

问题陈述

目前的量子机器学习（QML）方法主要依赖于一种混合范式，即使用经典优化循环来训练量子模型。在这一标准框架中，参数化量子电路在特定的参数设置下被评估，梯度通过重复测量（例如使用参数移位规则）进行估计，而参数则由经典优化器进行更新。这一过程保留了经典动力学特征：量子相干性、叠加和干涉在训练机制本身中并不发挥主动作用。

这种对经典优化的依赖引入了若干局限性：

1. 统计不确定性： 混合优化继承了量子测量的噪声。
2. 贫瘠高原（Barren Plateaus）： 具有高表达能力的参数化电路通常面临随系统规模指数级缩减的梯度消失问题，从而阻碍了可训练性。
3. 基本约束： 由于测量坍缩会阻止中间信息的重用，经典的误差反向传播无法直接迁移到量子系统，因为这需要访问量子态的多个副本。

本文提出，学习应当被构造成一种原生的量子物理过程，而非应用于量子模型的经典算法。

方法论：相干量子学习 (CQL)

作者引入了相干量子学习（Coherent Quantum Learning, CQL），在该框架下，量子模型的训练被实现为模型参数本身的相干幺正演化。

核心概念

在 CQL 中，模型参数 $\theta$ 被提升为量子自由度。参数不再是由基于梯度估计的经典优化器进行更新，而是由一个编码了学习目标（损失函数）的随时间变化的哈密顿量 $\hat{H}_{CQL}(t)$ 驱动的参数寄存器进行演化。

哈密顿量定义为：
$$\hat{H}_{CQL}(t) = e^{\phi(t)} \left( -\frac{1}{2} \hat{P}_\theta^2 \right) + e^{\chi(t)} \hat{H}_L(x, \hat{\theta})$$
其中：

• $\hat{P}_\theta$ 是参数基底中的动量算符（作为探索的动能项）。
• $\hat{H}_L(x, \hat{\theta})$ 是编码损失函数 $L(x, \theta)$ 的对角哈密顿量。
• $e^{\phi(t)}$ 和 $e^{\chi(t)}$ 是控制动能探索与势能驱动收敛之间平衡的随时间变化的阻尼调度。

技术实现

为了在基于门的量子计算机上实现这一点，作者采用了几种先进的量子算法技术：

1. 离散化与时钟维度： 使用 $m$ 个量子比特对连续参数空间进行离散化。为了处理哈密顿量的时变性（这对于电路模型是非原生的），作者利用了“时钟维度”技术。这涉及通过扩大希尔伯特空间来引入一个辅助时钟寄存器，将随时间变化的哈密顿量转化为一个随时间不变的哈密顿量，其中时间依赖性被编码为时钟寄存器中的位置算符。
2. 块编码与哈密顿量模拟： 损失哈密顿量 $\hat{H}_L$ 通过**块编码（Block Encoding）**构建。一个关键的原语是相干的模型评估幺正算符 $U_{x,\theta}$，它能在所有参数值的网格上同时评估量子模型。
   • 对于二分类任务，损失与正确分类的概率相关。作者利用振幅到对角化的转换技术（参考文献 [46]）构建了损失算符平方根的块编码。
   • 完整的损失哈密顿量通过对平方根算符的块编码进行乘积运算得到。
3. 量子比特化（Qubitization）： 初始态（通常是参数空间的均匀叠加态）的时间演化通过量子比特化来实现，从而能够高效地模拟哈密顿量动力学。
4. 批处理训练： 为了解决大规模数据集的可扩展性问题，作者提出了迭代的**分批 CQL（Batched CQL）**策略。数据集被划分为小批量（mini-batches）。系统在第一个批次的哈密顿量下演化，产生的量子态作为下一个批次的初始条件。这种顺序过程避免了需要一个巨大的辅助寄存器来同时编码整个数据集。

主要贡献

1. 框架定义： 提出了将 CQL 作为一种通用的训练框架，使学习成为一个相干的量子过程，消除了对经典梯度估计和反馈循环的需求。
2. 显式构建： 为任意参数化电路提供了一种详细的算法构建方案，利用块编码、哈密顿量模拟和处理时间依赖性的时钟维度方法。
3. 多功能性： 证明了该框架不仅适用于标准的机器学习任务（训练变分量子电路），还适用于物理推断问题（估计未知的哈密顿量参数）。
4. 批处理协议： 一种顺序批处理训练策略，在局部拟合与全局泛化之间取得平衡，类似于经典学习中的小批量方法，但通过量子态演化来实现。

数值结果

作者通过两个数值实验验证了该框架：

1. 二分类任务：

   • 设置： 一个带有两个可训练参数的单量子比特数据重上传（data re-uploading）模型，用于训练一维二分类任务。
   • 结果： 从均匀叠加态开始，参数态的概率分布在 CQL 哈密顿量下演化。分布逐渐向损失景观的极小值处集中。最终状态呈现出对应于最优参数的双峰分布，其性能与基于梯度的算法相当，但无需显式的梯度计算。

2. 干涉相位估计：

   • 设置： 学习马赫-曾德尔干涉仪中未知的相位偏移 $\phi$。可控相位 $\theta$ 是待学习的参数。
   • 结果： 相干演化驱动波函数趋向于干涉损失景观的全局最小值（$L \propto \sin^2((\theta-\phi)/2)$）。概率振幅在真实的未知相位 $\phi$ 附近定域化，展示了在没有经典优化步骤的情况下成功进行参数估计的能力。

意义与主张

论文声称 CQL 代表了如何构建量子学习范式的转变。通过将学习视为受量子动力学支配的物理过程，该框架利用叠加和干涉作为主动的计算资源。

• 原生量子训练： 与将经典结构强加于量子系统的混合方法不同，CQL 利用了量子力学原生的原理。
• 潜在优势： 作者指出，在某些设定下，基于哈密顿量的优化可能比经典优化具有可证明的计算优势，这可能缓解诸如贫瘠高原和测量噪声等问题。
• 可扩展性： 该构建方式与容错量子计算架构兼容，并可扩展至批处理训练，使其成为未来大规模量子学习应用的有力候选方案。

该研究总结道，虽然目前的 QML 研究通常试图在量子设置中复制经典训练范式，但一种更根本的方法可能是将学习本身视为一种相干的量子演化。