技术摘要：当量子遇见人工智能

本论文研究了量子计算与人工智能之间的双向交集，结构分为两个互补的部分：“量子赋能 AI”（Quantum for AI），探讨量子模型如何增强机器学习；以及“AI 赋能量子”（AI for Quantum），研究机器学习技术如何解决量子纠错和多体物理中的基本问题。

第一部分：量子赋能 AI

第二章：神经量子嵌入 (NQE)

问题： 在量子监督学习中，分类器的性能从根本上受限于数据嵌入（data embedding）。对于二元分类，经验风险受限于嵌入数据的类别平均密度矩阵之间的迹距离（trace distance）。传统的确定性嵌入（如振幅、角度或固定的 ZZ 特征映射）是与数据无关的，并且往往无法为特定数据集产生较大的迹距离。此外，迹距离在量子信道下的收缩性质意味着随后的噪声量子处理过程无法增加这种可区分性；糟糕的初始嵌入无法通过分类器进行恢复。

方法论： 作者提出了神经量子嵌入（NRE/NQE）框架，在该框架中，在原始数据与量子嵌入电路之间插入一个经典神经网络 $g(x, w)$。该网络学习一种数据依赖的预处理映射，将输入特征转化为量子电路的旋转角度，从而有效地学习一种能够最大化类别系综间迹距离的嵌入。

• 训练目标： 由于计算迹距离需要全量子层析成像，NQE 使用隐式保真度损失（implicit fidelity loss）进行训练。该损失函数最小化跨类别对的重叠，并最大化同类别对的重叠，作为最大化迹距离的一个可行的替代指标。
• DQC1 扩展： 为了将 NQE 扩展到纯态制备不切实际的系综量子系统（如 NMR），基于保真度的损失函数被重新表述为使用希尔伯特-施密特内积（Hilbert–Schmidt inner product）。该量可以通过确定性单比特量子计算（DQC1）模型直接测量。

关键结果：

• 迹距离提升： 在 MNIST 二分类任务（数字 0 与 1）中，NQE 将迹距离从 $\approx 0.27$（传统 ZZ 映射）提高到了 $\approx 0.84$。
• 准确率增益： 这种提升转化为了在噪声 IBM 量子硬件上从 52.7% 到 96.1% 的分类准确率提升，在 NMR 量子处理器上达到了 98%。值得注意的是，使用 NQE 实现的噪声经验风险低于未优化的传统嵌入的无噪声理论下界。
• 泛化与可训练性： 研究表明，NQE 降低了所得量子神经网络的局部有效维度（改善了泛化界限），并降低了嵌入的表达能力，从而缓解了贫瘠高原（barren plateaus）和核集中（kernel concentration）问题。

意义： 该工作确立了数据嵌入设定了一个“表示诱导底线”（representation-induced floor）的训练损失。通过将这种表示的优化转移到经典领域，NQE 绕过了量子收缩约束，显著提高了在近期待机硬件上的性能。

第三章：量子机器学习中的泛化

问题： 虽然低训练误差是必要的，但并不保证在未见数据上的良好表现。现有的量子模型泛化界限通常依赖于统一度量（如参数计数、VC 维），这些度量在区分“学习模式的模型”与“仅仅记忆数据的模型”时往往过于空洞，尤其是在过参数化机制中。

方法论： 作者开发了一个针对量子神经网络（QNN）的基于间隔（margin-based）的泛化框架，将经典间隔理论适配到量子设置中。

• 理论界限： 利用覆盖数技术（covering number techniques）和达德利熵积分（Dudley's entropy integral），推导出了多分类 QNN 的高概率泛化界限。该界限取决于经验间隔损失和 POVM 的谱范数，而非仅仅是总参数量。
• 与状态判别性的联系： 论文建立了间隔均值与类别系综间迹距离之间的理论联系。具体而言，可实现的间隔受限于迹距离的上界，这使得本章的泛化分析与第二章的嵌入理论相联系。

关键结果：

• 预测能力： 在量子相位识别（QPR）任务上的实验表明，基于间隔的度量（间隔分布的中位数、均值和下四分位数）是比基于参数的度量（总参数或有效参数）更强的泛化差距预测指标。即使在模型使用随机标签训练时，这一结论依然成立。
• 嵌入联系： 实证验证表明，具有更大迹距离的嵌入（如 NQE 所产生的嵌入）支持更大的分类间隔，从而导致更紧致的泛化界限和更高的测试准确率。

意义： 这项工作为分析 QML 泛化提供了更细致的理论工具，超越了空洞的统一界限。它强调了量子嵌入的质量（状态可区分性）直接影响了可获得的间隔，并进而影响模型的泛化能力。

第二部分：AI 赋能量子

第四章：量子纠错中的神经解码器

问题： 随着量子处理器的规模扩大，用于量子纠错（QEC）的经典解码器必须以低延迟处理伴随式（syndrome）数据。传统的解码器在处理大规模码距时面临计算复杂度难题。虽然基于 Transformer 的神经解码器（如 AlphaQubit）提供了高精度，但其自注意力机制随码距 $d$ 的增长呈 $\mathcal{O}(d^4)$ 阶缩放，从而产生了引入解码器诱导噪声的延迟瓶颈。

方法论： 作者提出了一种基于 Mamba 架构（一种选择性状态空间模型，SSM）的神经解码器。

• 架构： Mamba 解码器使用选择性扫描操作取代了 Transformer 的多头注意力机制，其复杂度为 $\mathcal{O}(d^2)$。它保留了 AlphaQubit 的整体循环结构（稳定器嵌入器、RNN 核心、读出网络），但利用 Mamba 块来构建伴随混合层（Syndrome Mixer layers）。
• 训练： 模型采用两阶段流水线进行训练：首先在根据 Google Sycamore 处理器校准的检测器误差模型生成的合成数据上进行预训练，然后在真实硬件数据上进行微调。

关键结果：

• 准确率： 在 Sycamore 存储实验数据上，Mamba 解码器实现了与复现的 Transformer 基准相当的逻辑错误率（在距离为 3 时约为 $\approx 2.98 \times 10^{-2}$）。
• 延迟与阈值： Mamba 模块展示了 $\mathcal{O}(d^2)$ 的推理缩放，而 Transformer 为 $\mathcal{O}(d^4)$。在模拟实时解码模型（其中解码器诱导噪声随计算复杂度增加）的情况下，Mamba 解码器实现了比 Transformer 更高的有限尺寸有效阈值（$p_{th} \approx 0.0104$ 对比 $p_{th} \approx 0.0097$）。

意义： 这项工作证明，通过将注意力机制替换为状态空间模型，可以在保持解码精度的同时显著降低延迟缩放。这种延迟的改善直接转化为在实时 QEC 场景中对物理误差率的更高容忍度。

第五章：神经量子态 (NQS) 与随机重构

问题： 神经量子态使用高表达能力的神经网络来表示多体波函数，并通过变分蒙特卡洛（VMC）进行优化。标准优化器——随机重构（Stochastic Reconfiguration, SR）需要求解涉及量子几何张量（QGT）的线性系统。在现代过参数化的 NQS 中，参数数量往往超过蒙特卡洛样本数量，导致 QGT 是秩亏损且病态的。用于正则化 SR 的对角偏移量（$\lambda$）通常被视为数值稳定器，但在这种机制下的统计作用尚未得到充分理解。

方法论： 作者将 SR 重新定义为波函数切空间中的统计谱过滤（ridge regression）。

• 偏差-方差权衡： 研究表明，对角偏移量起到了权衡偏差与采样方差的作用。在过参数化机制中，有限样本噪声（源于表达能力间隙）可能会被优化器过拟合。该偏移量抑制了这种噪声，但也缩小了有用的更新方向。
• 多偏移量 SR (MS-SR)： 为了更好地利用可用样本，作者提出了 MS-SR，它结合了使用不同偏移量计算的独立 SR 更新。这种混合方式允许比单一偏移量更灵活的谱滤波器。

关键结果：

• 谱过滤证据： 在小规模海森堡模型和大规模横场伊辛模型（TFIM）上的实验证实，验证残差对偏移量呈现 U 型依赖关系，且多批次方差随正则化增强而减小，这与“带噪岭回归”的解释一致。
• 性能： 相对于在训练偏移量下的标准 SR，MS-SR 将验证残差和多批次方差分别降低了约 39%/43% (TFIM) 和 14%/66% ($J_1-J_2$)。在在线训练的延续过程中，MS-SR 表现出趋向于更低能量的倾向，尽管该优势在所有独立试验中并不具有统计显著性。

意义： 这项工作为 SR 的对角偏移量提供了统计学解释，超越了其数值合理性。它证明了在过参数化机制中，SR 充当了有限样本噪声的谱滤波器，从而推动了开发多偏移量策略以提高优化稳定性和效率。

总体结论

本论文认为，量子计算与人工智能的交集是一种双向交换。量子计算挑战 AI 在新的物理约束（如迹距离限制、贫瘠高原、延迟诱导噪声）下运行；而 AI 则提供了原则性的工具（如数据驱动的嵌入、基于间隔的分析、可扩展架构、统计正则化），用以解决量子系统中最困难的问题。这些贡献共同推进了量子机器学习性能以及量子纠错和多体模拟的实际可行性。