⚛️ quantum physics

Beyond Hardware: Adaptive Algorithmic Control by State-Proxy Equalization

本文介绍了自适应算法控制（A2C），这是一种基于状态-代理等化定理（State-Proxy Equalization theorem）的软件范式，通过动态分配资源以使累积算法难度而非物理时间达到平衡，从而优化量子计算性能，在无需显式进行多体能谱重构的情况下，在模拟和硬件实验中显著提升了低能采样概率。

原作者： Jianlong Lu, Hongrui Zhang, Vishal Sharathchandra Bajpe, Thorsten Koch, Ying Chen

发布于 2026-09-16

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Jianlong Lu, Hongrui Zhang, Vishal Sharathchandra Bajpe, Thorsten Koch, Ying Chen

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

量子计算的故事在很大程度上一直被讲述为一场关于更优越机器的竞赛。多年来，焦点一直集中在构建更大的处理器、使内部微小的组件更加可靠，以及让其脆弱的量子态维持更长时间。这种以硬件为中心的观点暗示，要解决更难的问题，我们只需要更强大的工具。这是一个逻辑上的假设：如果一辆汽车太慢，我们就制造一个更快的引擎。但正如更快的引擎无法修复设计拙劣的变速器一样，更强大的量子处理器也无法保证获得更好的结果，如果运行在其上的软件效率低下。研究人员现在提出的问题是，我们如何组织现有的有限计算能力，可能与能力本身一样重要。

这正是由来自新加坡国立大学、IBM 量子以及柏林苏塞研究所（Zuse Institute Berlin）的一个研究团队所解决的核心谜题。他们证明了量子计算性能的显著提升可以不来自构建新硬件，而是来自于改变现有资源在计算过程中的分配方式。该团队引入了一种名为“自适应算法控制”（Adaptive Algorithmic Control）的软件策略。这种方法不再将量子计算视为从开始到结束的稳定、均匀的行进，而是实时观察计算过程，并将重点转向过程中最困难的部分。通过将精力集中在需要的地方，并在路径平坦时放缓节奏，系统可以使用与之前完全相同的计算时间及硬件，找到更好的解决方案。

要理解为什么这很重要，首先必须理解量子计算在每一步并不都是同样困难的。想象一段旅程，其中一些路段平坦易行，而另一些路段则陡峭、多石且需要高度专注。在标准的量子算法中，计算机在每一步上花费的时间和能量都是相同的，无论地形如何。这意味着它在容易的部分浪费资源，而在困难的部分匆忙通过，往往因此错失最佳答案。研究人员意识到，提升性能的关键在于实时识别这些变化的情况，并据此调整进度表。

该团队开发了一个他们称之为“状态代理等化”（State-Proxy Equalization）的数学原理。简单来说，这条规则指出，使用固定计算量的最佳方式是使每一步的“难度”相等，而不是使每一步所花的时间相等。为了做到这一点，他们需要一种方法来衡量特定部分的计算难度，而无需预先解决整个问题，否则会违背初衷。他们创建了一个复杂的软件模型，一种经过训练可以预测量子态演化的人工智能。该模型充当“数字孪生体”，分析量子系统的行为，以识别哪些时刻是动荡的，哪些是平静的。它寻找快速变化或高敏感性的迹象，这些迹象表明计算机需要减速并更加关注。

利用这一洞察，研究人员构建了一个控制器来重塑算法的进度表。如果模型预测前方有困难路段，控制器就会为该特定区域分配更多的量子线路层。如果路径平坦，它就会压缩步骤，为后续保留资源。至关重要的是，这一切都在不增加任何额外时间或改变物理硬件的情况下完成。总步数保持不变；它们只是根据计算需求进行了重新排列。这种方法不同于其他试图修复硬件错误或设计新型量子门的方法。相反，它将计算本身的组织视为一个可以优化的变量。

该团队在广泛的场景下测试了这一想法，从包含 5 个量子比特的小型系统到涉及 156 个量子比特的大规模模拟。他们在精确的计算机模拟、强大的超级计算机以及由 IBM 提供的实际量子硬件上进行了实验。在每种情况下，他们都将这种自适应方法与标准的、均匀的方法进行了对比。结果令人震惊。在测试的最大系统中，自适应方法在某些情况下将找到最佳可能解的概率提高了超过 100,000%。即使在更保守的比较中，改进也始终非常显著，通常使成功率翻倍或翻三倍。对于 156 个量子比特的问题，与标准方法相比，该自适应策略提高寻找近优解的机会高达 350%。

或许最重要的一点是，这些增益是在没有任何物理机器变更的情况下实现的。研究人员在标准运行和自适应运行中使用的是相同的量子处理器、相同数量的测量次数以及相同的电路深度。唯一的区别在于步骤的排序方式。这证明了量子计算机的性能不仅取决于其硬件能力，还取决于其有限资源分配的智能化程度。这项研究表明，通过倾听量子态的动态变化并实时调整进度表，我们可以从现有的机器中榨取更多的价值。

这些发现为该领域指明了一条新的道路。虽然开发更好的硬件仍然至关重要，但这项工作确立了软件创新可以提供互补且即时的性能提升。它将焦点从单纯地建造更大的机器，转向更深入地思考如何使用它们。通过将计算努力的分配视为一个动态的、自适应的过程，研究人员可以更有效地应对复杂的量子问题。这种方法并不取代对更好硬件的需求，但它确保了我们现有的硬件能够发挥出最大的潜力，将静态资源转变为能够解决今日更难问题的响应式工具。

技术摘要：超越硬件：基于状态代理等化的自适应算法控制

问题陈述

量子计算的近期进展主要由硬件进步驱动，例如更大的处理器和更高的门保真度。然而，一个关键且尚未得到充分探索的问题仍然存在：如何在量子算法中分配有限的计算资源？量子计算具有动态异质性；算法轨迹中的某些区域由于状态变化剧烈或关联性强，需要高计算分辨率，而其他区域则在计算上较为“容易”。均匀分配资源（例如固定的电路深度步长）会在容易区域浪费容量，并在关键区域采样不足，即使在相同的硬件上也会导致性能次优。本文认为，性能的提升可以通过优化现有有限计算预算的组织方式来实现，而非仅仅增加硬件资源。

方法论

作者引入了自适应算法控制 (Adaptive Algorithmic Control, A2C)，这是一个软件层面的框架，它根据量子态演化的动力学过程，在整个量子轨迹上重新分配固定的计算预算。该方法由四个核心部分组成：

1. 理论基础：状态代理等化

该框架基于状态代理等化 (State-Proxy Equalization) 定理。作者定义了一个计算难度剖面 $r(s) > 0$ ，用于量化在归一化轨迹坐标 $s \in [0, 1]$ 处精确演化状态所需的解析度。

定理： 对于固定的计算预算，最优分配是通过使各区间累积的计算难度相等，而非使物理时间或均匀步长相等，来最小化累积代理误差。
机制： 这产生了一个“自适应扭曲”函数 $s = w(u)$ ，它将均匀的计算坐标 $u$ 映射到非均匀的轨迹坐标 $s$ 。这使得计算层集中在动力学困难的区域，并在平滑区域进行压缩。

2. 通过神经量子动力学孪生体估计难度

为了在不进行显式重建指数级规模的多体能谱（这对于大 $N$ 是不可行的）的情况下应用这一原理，作者采用了基于 Transformer 的神经量子动力学孪生体 (Transformer-based Neural Quantum Dynamics Twin, Tx-NQDT)。

Tx-NQDT 学习沿参考线性斜坡轨迹演化的波函数 $\psi_\phi(x; s)$ 。
它利用局部观测值来估计状态衍生的难度剖面 $r(s)$ ，这些观测值包括局部能量的方差 ( $\hat{V}_H$ ) 和轨迹得分的方差 ( $\hat{G}_{ss}$ )，后者衡量了沿轨迹运动的敏感性。
难度剖面构建为 $r(s) = \epsilon + a\sqrt{\max\{\hat{V}_H(s), 0\}} + b\sqrt{\max\{\hat{G}_{ss}(s), 0\}}$ 。

3. 自适应调度构建

利用学习到的难度剖面，该框架为量子近似优化算法 (QAOA) 构建了自适应调度。

约束： 自适应斜坡 QAOA (AR-QAOA) 保持与基准线性斜坡 QAOA (LR-QAOA) 相同的电路深度、量子比特数、算符结构和斜坡端点。
实现： 固定数量的层数 $p$ 被重新分配。角度 $\gamma_\ell$ 和 $\beta_\ell$ 通过逆扭曲函数 $w(u)$ 确定，以确保累积难度在所有 $p$ 个区间内实现等化。

4. 评估协议

该框架在系统规模 $N = 5, 20, 50, 100, 156$ 下进行了评估，使用了以下手段：

精确模拟： 对于小规模系统 ( $N=5, 20$ )，用于验证是否符合精确基准。
超级计算机计算： 使用基于 NVIDIA GH200 的“Lise”超级计算机上的 Tx-NQDT 进行大规模模拟，针对 $N=50, 100, 156$ 。
硬件实验： 在 IBM 量子 ibm_pittsburgh 超导处理器（156 个量子比特）上执行。
对照组： 所有比较都严格匹配了问题实例、电路深度、测量预算和硬件路由，从而隔离了分配策略本身的效果。

关键结果

研究表明，A2C 在不增加硬件资源或电路深度的情况下，显著提高了采样低能解的概率。

小规模系统 ( $N=5, 20$ )： AR-QAOA 显著增加了采样精确最优解的概率。与 LR-QAOA 相比，增幅范围约为 $N=5$ 时为 108% 至 109%，以及 $N=20$ 时为 319% 至 673%。
大规模系统 ( $N=50, 100, 156$ )：
- 在 $N=50$ 时，最显著的改进出现在深度 $p=18$ 处，此时精确解和近优解的成功概率分别增加了 231 至 1,084 倍。这一范围包括针对参考最优解采样的 868 倍 增长，而其他阈值（如 99% 近优解）的增益高达 108,308%。
- 在 $N=100$ 和 $N=156$ 时，由于精确最优解概率通常受限于测量分辨率，A2C 提高了近优成功概率（例如 95% 和 90% 阈值）22% 至 350%。
- 自适应调度一致地改善了采样解的分布，特别是针对低能尾部，而不仅仅是极罕见的精确最优事件。
硬件验证： 在 IBM 硬件上的实验证实，只要逻辑预算是自适应组织的，性能增益在存在噪声的情况下依然存在。这些改进被归因为算法控制策略，因为所有物理资源均保持一致。

意义与主张

本文声称，量子计算性能不仅取决于硬件能力，还取决于如何组织有限的计算资源。

互补路径： A2C 将自适应算法控制确立为硬件进步的一个互补性软件路径。它并不取代对更好硬件的需求，而是使现有硬件能够更有效地被使用。
硬件-软件范式： 结果指向一种硬件处理器与自适应算法共同演进的范式。
状态知情控制： 该工作证明了“无谱”控制的可行性；通过从演化的状态（通过如能量方差等代理）直接推断计算难度，可以在不需要显式能隙或特定问题解析信息的情况下优化资源分配。
可扩展性： 该方法在精确谱分析和状态矢量传播在计算上变得不切实际的规模（如 $N=156$ ）下依然有效，验证了利用神经代理生成控制策略的效用。

总之，本文认为，“组织”一个固定的计算预算是一个关键的可调变量，它可以产生与硬件改进相当甚至超过硬件改进的性能增益，特别是在近期的量子优化任务中。