⚛️ quantum physics

Operator Learning with Variational Quantum Circuits

本文引入了一种新颖的量子机器学习框架，该框架利用变分量子电路取代了 DeepONet 的神经网络，以高效地学习微分方程的解算子，在实现更优误差缩放并避免贫瘠高原的同时，提供了跨多种范数的严格理论误差界限。

原作者： Jorgen Wu, Masoud Barati, Peyman Givi

发布于 2026-09-15

📖 1 分钟阅读🧠 深度阅读

原作者： Jorgen Wu, Masoud Barati, Peyman Givi

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

在现代科学的广阔版图中，许多最困难的问题都是用微分方程这一语言书写的。微分方程是描述事物如何随时间及空间变化的数学描述，支配着从机翼周围的气流到金属棒中热量扩散的一切。几十年来，科学家们一直依赖强大的计算机来求解这些方程，但由于计算过程可能极其缓慢且耗费资源，尤其是在条件发生微小变化且必须重新开始整个计算时，情况更是如此。机器学习这一新兴领域提供了一条不同的路径：计算机不再是逐步求解方程，而是通过训练来识别解本身的模式，从而学会几乎瞬间预测结果。该领域中一种成功的方案被称为 DeepONet，它就像是一个专门设计的神经网络，旨在学习这些复杂的逻辑关系。然而，随着问题的日益复杂，研究人员正转向一种完全不同的计算能力：量子力学。该领域利用亚原子世界的奇特规则来处理信息，其方式是经典计算机无法实现的，这为同时探索广阔的可能性提供了潜力。驱动近期研究的核心问题是，这些量子机器是否能像它们的经典对应物一样有效地学习这些复杂的数学关系，以及它们是否能提供一条更平滑、更高效的前进路径。

匹兹堡大学的一个研究小组开发了一种新方法来回答这个问题，他们创建了一个名为“量子算子网络”（Quantum Operator Network）的系统。他们的工作架起了成熟的 DeepONet 架构与新兴量子电路世界之间的桥梁。在这个新系统中，通常负责学习重任的传统计算机组件被变分量子电路所取代。这些电路是受控于可调参数的量子比特（qubits）排列，就像调节收音机电台频率的旋钮一样。研究人员设计这些电路使其成为通用近似器，这意味着它们在理论上具有学习任何连续函数的能力，正如它们所取代的神经网络一样。通过将标准计算机部件更换为这些量子电路，该团队创建了一个混合模型，既能学习简单的线性关系，也能学习复杂的非线性关系，从而有效地将物理问题的输入映射到其解。

为了测试他们的创造物，研究人员让量子算子网络经历了一系列涉及不同类型物理方程的严格试验。他们要求系统学习如何寻找一个函数的反导数（这是微积分中的一项基本运算），然后转向更复杂的场景，如热量的扩散以及描述化学物质如何扩散和相互作用的反应-扩散过程。最后，他们用 Burgers 方程挑战了该系统，这是一种用于描述流体动力学和冲击波的非线性模型。在每种情况下，量子模型都是基于这些方程生成的数据进行训练的，学习如何为新的、未见的输入预测结果。结果令人瞩目。即使使用非常浅的电路——意味着量子设置并不特别深或复杂——该模型也实现了极低的误差率。它很好地学习了训练数据，并且至关重要的是，它能有效地泛化到从未见过的新数据。该系统在所有不同的方程中表现一致，表明它能够以类似的轻松程度处理简单任务和高度复杂的任务。

这项研究最显著的发现之一涉及训练过程的稳定性。在量子机器学习领域，存在一个众所周知的障碍，被称为“贫瘠高原”（barren plateau）。在这种情况下，训练过程会陷入停滞，因为引导计算机如何改进的信号变得极其微弱甚至完全消失，导致系统无法学习。这相当于试图在浓雾中寻找下山的路，而地面却是完全平坦的。研究人员发现，他们的新方法完全避免了这个问题。在整个实验过程中，训练损失平稳且稳定地下降，没有陷入这些平坦、无产出的区域。这种平滑的行为表明，他们构建量子电路的特定方式——使用一种称为“数据重上传”（data reuploading）的技术并测量单个量子比特而非整个系统——创造了一个对计算机更加友好的导航景观。这种稳定性是一个重大优势，这意味着该系统是可靠的，并且不需要完美的初始条件即可成功。

研究还探讨了模型规模如何影响其性能。研究人员改变了量子比特的数量和电路的深度，以观察这些变化如何影响预测的准确性。他们发现，随着增加更多的量子比特和层数，误差率随之下降，证实了该系统可以随着复杂度的增加而变得更加精确。然而，他们也发现，即使是最简单的模型版本也表现得异常出色。例如，在反导数测试中，仅包含两个可训练模块的电路就能够达到接近最优的性能。这表明对于许多问题，量子方法并不需要过于庞大即可发挥作用。此外，在比较量子模型与传统 DeepONet 所需的可调参数数量时，量子版本在规模扩展方面显示出明显的优势。当经典模型的参数数量随数据点数量呈二次方增长时，量子模型的计数则是线性增长的。这意味着随着问题变得更大、更详细，量子方法保持了更高的效率，只需更少的资源即可实现同等水平的细节。

研究人员谨慎地指出其目前工作的局限性，承认其结果是基于模拟而非物理量子硬件。他们在经典计算机上模拟了量子电路的行为，这使得他们能够在不受目前困扰现实世界量子设备的噪声和误差影响的情况下测试理论。尽管存在这一限制，他们建立的理论框架提供了强有力的证据，证明该方法是行之有效的。他们推导出了明确的数学界限，描述了预测误差如何取决于问题的平滑度以及模型的规模。这些界限表明，量子方法特别适用于输入数据具有某种潜在简单性（他们称之为低内在维度）的问题。在这种情况下，量子模型可以在不被海量数据点淹没的情况下学习解，从而有效地避开了被称为“维度灾难”的常见问题，即经典方法在变量增加时难以应对的问题。

最终，这项工作证明了量子电路可以成功地被用来学习控制物理系统的算子。量子算子网络不仅仅是一个理论上的奇想；它是一个实际的演示，证明了这些机器可以稳定且高效地学习复杂的数学关系。研究人员展示了通过使用变分量子电路取代标准神经网络，可以构建出一个学习迅速、能避开常困扰量子算法的训练陷阱、并能随问题增长而高效扩展的模型。虽然该领域仍处于早期阶段，现实世界的硬件挑战依然存在，但这项研究为量子机器未来如何求解描述我们物理世界的微分方程提供了一条清晰的路线图，为我们现有的方法提供了一个更快且可能更强大的替代方案。

技术摘要：基于变分量子电路的算子学习

问题陈述

本文探讨了**算子学习（Operator Learning）面临的挑战，这是机器学习的一个子领域，致力于逼近微分方程族（将输入函数映射到输出函数）的解算子。虽然像深度算子网络（DeepONet）**这样的经典架构在学习偏微分方程（PDE）的复杂非线性算子方面已展现出成功，但它们在参数缩放和泛化误差方面面临限制，尤其是在输入传感器数据维度增加时。

与此同时，**变分量子电路（VQC）已成为探索指数级庞大希尔伯特空间的强大工具。然而，其在算子学习中的应用一直受到限制。以往的方法（如 Quantum DeepONet）通常依赖于需要中途测量和经典计算来处理非线性激活函数的单值（one-hot）编码方案，这引入了瓶颈和噪声敏感性。此外，VQC 通常受到贫瘠高原（Barren Plateaus）**问题的困扰，即梯度随电路规模呈指数级消失，从而阻碍了可训练性。

核心问题在于开发一种量子原生的方法论，该方法能够：

在不依赖低效编码方案的情况下，用 VQC 取代 DeepONet 架构中的经典神经网络。
在训练过程中避免贫瘠高原。
提供关于逼近误差以及相对于经典对应物之缩放优势的理论保证。

方法论：量子算子网络 (QONet)

作者提出了量子算子网络（QONet），这是一种混合经典-量子架构，通过使用变分量子电路替换 DeepONet 框架中的经典“分支（branch）”和“躯干（trunk）”神经网络来扩展该框架。

架构

QONet 使用双线性内积形式来逼近解算子 $G(u)(y)$ ：
$G(u)(y) \approx \sum_{k=1}^n \langle B(u) | Z_k | B(u) \rangle \langle T(y) | Z_k | T(y) \rangle + b_0$
其中：

分支电路（Branch Circuit）： 将输入函数 $u(x)$ （在 $n$ 个网格点上离散化）编码为量子态 $|B(u)\rangle$ 。它利用角度编码（Angle Encoding）（将数据作为旋转角加载）结合**数据重上传（Data Reuploading）**技术。
躯干电路（Trunk Circuit）： 将查询位置 $y$ 编码为量子态 $|T(y)\rangle$ 。它同样使用角度编码，将标量 $y$ 加载到所有量子比特上。
测量： 输出由单个量子比特上 Pauli-Z 算子（ $Z_k$ ）的期望值导出，从而避免了全态层析。
经典预处理： 分支电路在数据编码之前包含一个可训练的经典仿射变换（ $v = Au + b$ ），作为预处理层将输入映射为旋转角。

电路构建

电路遵循交替使用**可训练块（Trainable Blocks）和数据编码块（Data Encoding Blocks）**的重复结构：

可训练块： 由单比特旋转（ $R_Y$ ）和纠缠门（CNOT）组成。作者采用了三角形纠缠模式，以在最小化深度的同时最大化连通性。
数据编码块： 使用 $R_Z$ 门来加载数据。
通用逼近能力： 该设计利用了量子通用逼近定理（UAT），特别是通过使用角度编码和数据重上传方案（论文中的定理 3 和 4），确保电路能够逼近任意连续函数。

理论框架

本文推导了 QONet 在 $L^2$ 、 $L^p$ 、 $C^0$ 和 Sobolev $H^k$ 范数下的显式误差界限。总误差被分解为：

截断误差（Truncation Error）： 源于将傅里叶展开限制在 $n$ 个模态。
电路逼近误差（Circuit Approximation Error）： 源于分支电路和躯干电路分别逼近系数泛函和基函数的能力。

一个关键的理论贡献是推导了在**假设 1（低内在维度算子）**下的缩放律。该假设认为系数泛函依赖于输入空间的低维投影。在此假设下，量子分支逼近误差随内在维度 $d_1$ 缩放，而非随传感器位置数量 $m_b$ 缩放，这相对于经典网络（其随 $m_b$ 缩放）提供了潜在优势。

主要结果

使用 Pennylane 库对四个微分方程问题进行了数值实验：

反导数（线性 ODE）：
- 在浅层电路（2–6 个可训练块）下实现了较低的 RMSE（ $\approx 2.2 \times 10^{-3}$ ）。
- 表明即使是浅层电路也能在简单线性算子下达到接近最优的性能。
扩散方程（线性 PDE）：
- 性能随电路深度增加而提升。
- 浅层电路（2 个块）表现挣扎，表明需要足够的表达能力，但更深的电路可以平滑收敛。
反应扩散方程（非线性 PDE）：
- 需要优化经典预处理参数（ $A, b$ ）以处理非线性。
- 误差随着可训练块数量的增加而显著下降，证明了该模型学习复杂非线性算子的能力。
Burgers 方程（非线性对流扩散）：
- 使用变化的量子比特数（9 到 15 个）及相应的电路深度进行测试。
- 随着模型复杂度（量子比特和块数）的增加，训练误差和测试误差均有所下降，证实了高分辨率带来的缩放效益。

与经典 DeepONet 的对比分析

训练动力学： QONet 表现出平滑、单调的收敛性，没有观察到经典 DeepONet 中经常出现的巨大平台或振荡。这表明在测试范围内，QONet 避免了贫瘠高原。
参数缩放： QONet 的参数数量随量子比特数和电路深度呈线性缩放（ $O(N \cdot L)$ ），而经典 DeepONet 则随输入网格点数量呈二次方缩放（ $O(N^2)$ ）。
泛纳化： 在使用较少的训练参数的情况下，QONet 实现了与经典 DeepONet 相当或更低的泛化误差，特别是在粗糙离散化的情况下。

意义与主张

基于其发现，本文声称其具有以下重要意义：

新颖的方法论： 它通过使用角度编码和数据重上传替换 DeepONet 中的经典子网络，建立了一种新的量子算子学习范式，避免了对中途测量和单值编码的需求。
可训练性： 所提出的架构在测试范围内（高达 15 个量子比特和 7 个块）展示了鲁棒的可训练性，未发现贫瘠高原的迹象。这归功于局部观测量的使用（单比特 Pauli-Z 测量）、浅层电路深度以及特定的参数初始化策略。
理论保证： 本研究提供了首个显式的量子算子学习误差界限，将误差分解为截断误差和电路误差。它确立了在满足条件（假设 1）时，量子架构能提供优于经典方法的误差缩放，从而有效缓解了经典方法中存在的“维度灾难”。
效率： QONet 提供了比经典 DeepONet 更优的参数缩放特性，特别是在输入函数空间具有低内在维度的情形下。

作者在陈述主张时保持了谦逊的语气，指出尽管结果令人鼓舞，但仍基于模拟实验。他们承认，针对其特定拟设（ansatz）的多输出通用性的严格证明仍是一个开放性问题，且未出现贫瘠高原是其在测试参数范围内的经验观察，而非对任意大规模电路的保证。未来的工作建议包括硬件实验以及对更高维问题的研究。