⚛️ quantum physics

Operator Score Matching for Learning Quantum Hamiltonians

本文介绍了算符得分匹配（Operator Score Matching），这是一种可扩展且无需配分函数的框架，通过梯度下降法从低温热态中学习量子哈密顿量参数，从而有效地克服了现有方法的计算瓶颈。

原作者： Shreya Shukla, Abhijith Jayakumar, Andrey Y. Lokhov

发布于 2026-09-23

📖 1 分钟阅读🧠 深度阅读

原作者： Shreya Shukla, Abhijith Jayakumar, Andrey Y. Lokhov

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

在量子世界中，物质的行为受控于一种被称为哈密顿量（Hamiltonian）的数学蓝图。这一蓝图规定了粒子如何相互作用、能量如何流动，以及一个系统如何趋于其最稳定的状态。对于物理学家而言，了解这一蓝图至关重要。它能让研究人员预测材料如何导电、超导体可能如何运作，或者量子计算机将如何处理信息。然而，该领域存在一个深刻的难题：虽然科学家在已知蓝图的情况下可以轻松预测系统的行为，但通过观察系统来推导出蓝图本身却极其困难。这被称为逆问题（inverse problem）。当研究人员观察一个量子系统时，他们看到的是复杂相互作用的结果，但要剥开这些层层包裹的现象，去寻找创造它们的特定规则，就像是在不知道配料和烤箱温度的情况下，试图仅凭品尝一块做好的蛋糕来重构其食谱。

当系统处于低温状态时，这一挑战尤为严峻。在低温度下，量子效应变得占据主导地位，导致产生诸如超导性等奇异现象。为了学习这些系统的规则，科学家通常需要在系统处于热态（thermal state）时对其进行测量，即系统已稳定在某种特定能量配置下的状态。问题在于，计算系统处于给定状态的精确概率需要解决一个巨大的数学障碍，即配分函数（partition function）。这一计算过程极其复杂，以至于即使是对于最强大的经典计算机来说也往往无法完成。因此，许多现有的学习量子哈密顿量的方法都陷入了困境：它们要么对于大型系统而言运行过慢而无法投入实际应用，要么依赖于在温度下降时会失效的近似方法。

洛斯阿拉莫斯国家实验室的一支研究团队开发了一种全新的方法，旨在完全绕过这一瓶颈。他们并没有尝试去计算那个“不可能完成”的配分函数，而是借鉴了经典统计学中的一种技术——得分匹配（score matching）。在经典世界中，这种方法通过比较状态的概率在受到轻微扰动时如何变化，而不是试图计算总概率本身，从而学习系统的规则。研究人员意识到，这个想法可以被转化到量子领域，但这样做需要对量子算符（operators）在面对“扰动”或“导数”时的定义进行根本性的重新思考，因为算符的表现并不像普通的数字那样。

该团队引入了一个新概念：算符得分匹配（operator score matching）。在这个框架下，他们不将量子系统视为概率的集合，而是将其视为一组算符——即作用于系统状态的数学对象。他们定义了一种衡量方式，用于测量系统的能量蓝图在受到特定局部探测器扰动时是如何变化的。想象一下，敲击鼓面上的某一点，并聆听振动是如何扩散的；在这一量子版本的实验中，研究人员用特定的数学运算来“敲击”系统，并测量由此产生的“得分”或响应。通过将猜测模型的响应与实际物理系统的响应进行对比，他们可以调整模型以最小化两者之间的差异。至关重要的是，这一过程不需要知道系统的总能量，也不需要计算难以处理的配分函数。该方法依赖于一个涉及量子迹（traces）循环特性的数学技巧，这使得方程中未知的部分可以相互抵消，从而只留下模型与现实之间可测量的差异。

为了在实践中使之奏效，研究人员必须解决第二个问题：量子“得分”涉及复杂的嵌套相互作用，这些相互作用会扩散到整个系统。为了处理这个问题，他们使用了一种截断（truncation）技术，本质上是在一定步数后切断计算。他们发现，对于许多物理系统而言，学习规则所需的信息是局部的。单个探测器的影响不需要被追踪到整个系统的宇宙之中，只需要追踪到它到达相关相互作用区域的边缘为止。通过在包括模拟磁性材料的自旋链、电子在晶格中运动的模型以及标量场理论在内的多种模型上测试该方法，他们证明了这种截断处理效果显著。他们展示了即使使用相对简单的近似，该方法也能以极高的精度恢复哈密顿量的真实参数。

他们的数值实验结果令人瞩目。当他们将该方法应用于一维自旋链、一种电子材料模型以及晶格场论时，随着计算深度的增加，恢复参数的误差迅速下降。他们发现，所需的计算量取决于相互作用的强度和温度，而与系统的总规模无关。这意味着该方法具有高效的扩展性，使其适用于此前难以触及的更大型、更复杂的系统。在一次涉及费米子系统的测试中，他们直接使用费米子的自然语言进行处理，而非将其转换为另一种格式，这证明了该方法具有足够的灵活性，能够处理不同类型的粒子而无需进行人工转换。

研究人员还分析了他们新损失函数（loss function）的数学景观，该函数用于衡量模型与数据之间的误差。他们证明了在接近正确答案时，该函数表现出的特性保证了标准优化算法能够快速且可靠地找到解。虽然该函数并非在所有地方都完全平滑，但它拥有一个单一且清晰的全局最小值，该值对应于真实的物理规则。在他们的模拟中，算法始终能够找到这个最小值，这表明该方法既稳健又具实用性。这项工作建立了一个学习量子哈密顿量的新框架，该框架既具备理论完备性，又具备计算高效性。通过消除对配分函数的需求，它为理解复杂的量子材料以及验证工程化量子器件的性能打开了大门，为这个长期受困于数学不可解性的领域提供了一条切实可行的路径。

技术摘要：用于学习量子哈密顿量的算符得分匹配法

问题陈述
本文探讨了一个基础的反问题，即如何从实验观测到的低温热（吉布斯）态 $\rho \propto e^{-H'}$ 中学习局部量子哈密顿量 ( $H'$ ) 的微观参数。虽然前向模拟技术已取得了显著进展，但学习哈密顿量仍然具有挑战性。现有方法面临着可扩展性的瓶颈：一些方法需要计算配分函数（这是难以处理的），而另一些方法（例如 Bakshi 等人提出的近期多项式时间算法 BLMT）则依赖于高阶和平方（SoS）松弛。这些松弛过程会导致大型半正定规划问题，其计算成本随系统规模、逆温度 ( $\beta$ ) 以及目标精度快速增长，从而限制了它们在量子现象最为显著的低温机制中的实际应用。

方法论：算符得分匹配 (Operator Score Matching)
作者提出了“算符得分匹配法”，这是统计学中用于估计参数且无需计算难以处理的归一化常数（配分函数）的经典得分匹配技术的量子类比。

算符得分定义：
在经典统计学中，得分是对数概率的梯度 $\nabla \log p(x) = -\nabla H(x)$ ，它与配分函数无关。在量子设定下，作者基于对易子定义了一个广义导数算符。对于方向算符 $F_k$ ，模型密度 $p_\theta = e^{-H_\theta}/Z(\theta)$ 的“量子得分”定义为：
$D_k(-\log p_\theta) := [F_k, e^{-H_\theta}]e^{H_\theta}$
该定义消除了对配分函数 $Z(\theta)$ 的依赖。
损失函数构建：
作者引入了一个损失函数，旨在最小化模型算符得分与数据算符得分之间的差异：
$L_{\text{osm}}(\theta) = \sum_k \langle |D_k H_\theta - D_k H'|^2 \rangle_\rho$
利用迹的逐项积分分部恒等式（源自迹的循环性），其中涉及未知真实哈密顿量 $H'$ 的项被替换为已知对易子的期望值：
$L_{\text{std}}(\theta) = \sum_k \langle |D_k H_\theta|^2 \rangle_\rho - 2 \text{Re} \sum_k \langle [F_k^\dagger, D_k H_\theta] \rangle_\rho$
这种形式允许在无需预知真实参数的情况下，通过使用目标密度矩阵的独立副本来估计损失。
截断与近似：
算符得分涉及通过 Baker-Campbell-Hausdorff 恒等式产生的无限嵌套对易子级数。作者通过将该级数在有限深度 $d$ 处进行截断来进行近似：
$D_k^{(d)} H_\theta \approx \sum_{\ell=1}^d \frac{(-1)^{\ell+1}}{\ell!} [H_\theta, F_k]_\ell$
这产生了一个关于参数 $\theta$ 的 $2d$ 次多项式损失函数，使得梯度下降在计算上是可行的。
方向算符 ( $F_k$ )：
为了确保哈密顿量是唯一可识别的（在相差一个加法常数的情况下），方向算符集合 $\{F_k\}$ 必须生成系统的完整矩阵代数。论文给出了具体的规定：

量子比特/自旋： 单点泡利 $X$ 和 $Z$ 算符。
费米子： 单模马约拉纳（Majorana）算符，允许直接在福克空间中工作而无需映射到量子比特。
一般晶格： 广义泡利（时钟-位移）算符。

核心贡献

无配分函数框架： 该方法通过简单的梯度下降恢复哈密顿量参数，无需计算配分函数或求解大型半正定规划。
理论保证： 作者在真实参数附近建立了局部 Polyak–Łojasiewicz (PL) 不等式。这保证了只要步长合适，梯度下降就能以指数级速度收敛到全局最小值。收敛速率由 Gram 矩阵的最小特征值决定。
可识别性： 论文证明，如果方向算符生成了完整的代数，则损失函数具有唯一的全局最小值，对应于真实的哈密顿量（忽略能量偏移）。
普适性： 该框架对粒子统计具有不可知性，适用于量子比特、自旋、玻色子和费米子（使用马约拉纳算符），且无需进行 Jordan-Wigner 变换。

结果
作者在四个不同的模型上对该框架进行了数值验证：

横场伊辛模型 (TFIM)： 对于一个 50 量子比特非均匀链，该方法成功恢复了位依赖耦合。所需的截断深度 $d^*$ 取决于逆温度 $\beta$ 和相互作用强度，但一旦链长 $L$ 超过嵌套对易子的光锥，则与 $L$ 无关。
XXZ 自旋链： 在不同物理机制下（从海森堡到伊辛极限）展示了参数恢复能力。所需深度随 $\beta$ 线性缩放。
费米-哈伯德模型 (Fermi-Hubbard Model)： 该方法直接在福克空间中使用马约拉纳方向恢复跳迁 ( $t$ )、相互作用 ( $U$ ) 和化学势 ( $\mu$ ) 参数，证实了对粒子统计的不可知性。
晶格 $\phi^4$ 理论： 该框架被扩展到晶格场论。通过在截断的谐振子基底中表示场算符，作者展示了对质量、耦合和相互作用项的成功参数恢复。

在所有案例中，误差随截断深度的增加而减小，直到因有限采样带来的统计噪声而饱和。作者观察到，对于典型的参数初始化，损失函数图景通常具有单一极小值，使得优化在数值上是稳定的。

意义与主张
论文声称将算符得分匹配确立为一种“实用的、无配分函数的量子哈密顿量学习框架”。其主要意义在于为低温机制提供了一种可扩展的替代方案，因为在这些机制下，现有的基于 SoS 的方法会因所需的松弛阶数过高而变得计算上难以承受。通过利用非交换积分分部技术，该方法避开了配分函数计算这一根本瓶颈。作者指出，虽然他们对 PL 不等式的证明是局部的，但数值实验表明，这种有利的优化图景延伸到了较大的半径范围。他们将这项工作定位为现有方法（贝叶斯推断、约化密度矩阵、时间演化）的补充，其特点是直接作用于热态，而无需相干动力学过程。论文最后指出了开放性问题，例如完整的非渐近误差分析以及向连续量子场论的扩展。

类似论文