Time rescaling for second-order feedback-based quantum optimization

在构建实用量子计算机的竞赛中，科学家们面临着一个持久的障碍：我们今天的机器虽然强大但却十分脆弱。它们存在噪声、容易出错，并且只能在量子态坍缩之前短暂地保持其脆弱的状态。正因如此，研究人员主要依赖一种混合方法，即由经典计算机承担优化的大部分重任，而量子处理器则处理特定任务。然而，这种伙伴关系经常陷入一种令人沮丧的循环，即经典计算机难以找到正确的设置，这种问题被称为“贫瘠高原”（barren plateau），会导致进度完全停滞。为了绕过这一问题，一种完全依赖量子机器本身的策略应运而生。这种方法不再要求经典计算机来调节旋钮，而是使用直接内置于量子过程中的反馈回路。它测量系统的当前状态，并立即调整下一步骤，引导机器走向最佳解决方案，而无需依靠经典伙伴来进行数学计算。这种被称为基于反馈的量子算法的方法具有巨大的潜力，但它有一个重大缺陷：它通常要求量子电路过于深厚，即拥有如此多的连续步骤，以至于当前机器中的噪声会在计算完成之前就破坏掉答案。

来自巴西的一个研究小组现在找到了一种显著缩短这些电路的方法，使该方法在当今的硬件上变得可行。他们结合了两种此前曾被分别用于加速过程的技术。其中一种技术涉及改变计算的节奏，允许量子系统在某些时刻移动得更快，而在另一些时刻移动得更慢，就像驾驶员通过换挡来高效应对蜿蜒道路一样。另一种技术则使用一种更复杂的方式来预测系统在下一步将如何变化，不仅观察即时的方向，还观察该方向是如何弯曲的。通过将这两个想法合并为一个统一的框架，研究人员创建了一个新版本的算法，它比以前用更少的步骤就能达到正确的解。

研究人员在两种被称为图问题（graph problems）的复杂谜题上测试了这种新方法，他们将其称为 TR-Hy-FALQON。这些谜题涉及将一个点网络分为两组，使得组间的连接最大化，这是一项对计算机来说极具挑战性的任务。他们在包含十二个和十四个点的网络上进行了模拟，将他们的新方法与旧版本的反馈算法以及标准的混合方法进行了对比。结果很明确：新方法能更快地达到高质量的解。在模拟中，它以更少的运算层数达到了与标准混合方法相同的准确度，并且表现出更高的稳定性，这意味着随着计算的进行，结果不太容易出现波动或失败。

这一进展之所以特别重要，是因为它消除了对经典计算机不断干预的需求。新算法仍然依赖量子机器来测量自身的进度并调整路径，但它使用的是更短的电路。这至关重要，因为量子电路中的每一步增加都会增加噪声破坏数据的机会。通过减少解决问题所需的步骤，研究人员有效地降低了在当前的、不完美的机器上使用这些算法的门槛。研究表明，这种新方法可以解决这些特定的图问题，其精度足以媲美已知的最佳经典保证，同时还能保持一条稳定且可靠的求解路径。

研究人员还指出，他们的方法在计算计时方面提供了更大的灵活性。在之前的版本中，步骤必须以非常特定的微小步长进行，以确保数学计算成立，这迫使电路变得非常长。而这种新方法允许使用更大、更灵活的时间步长而不失稳定性。这意味着量子计算机可以朝着答案迈出更大的步伐，而不会被通常会导致其踉跄的噪声所绊倒。虽然这些结果来自计算机模拟而非物理硬件，但研究结果表明，这种精炼后的算法非常适合当前的量子计算时代，在这一时代，最小化电路深度是成功的关键。通过使反馈过程既快速又稳健，这项工作为在当今嘈杂且浅层的量子处理器上解决优化问题提供了一条切实可行的路径。