Restricting Trainable Lie-Algebra Growth in Equivariant Quantum Networks via Hierarchical Ancilla-Controlled Subspace Projections

技术摘要：限制等变量子网络中可训练李代数的增长

问题陈述
等变量子网络（EQNs）通过引入对称性作为归纳偏置，以提高泛化能力和优化收敛性。然而，作者指出一个关键局限：虽然等变性约束了电路在群作用下的变换方式，但它并不能本质上限制由可训练算符生成的动力学李代数（dynamical Lie algebra）的大小。在保持对称性的变分电路中，这些生成元的非对易闭包仍可能迅速增长，从而可能导致贫瘠高原（梯度消失）和损失集中。本文旨在解决的核心问题是：如何在保留有益的对称性偏置的同时，显式地限制这种非对规动态闭包的增长，以增强可训练性。

方法论
作者提出了一种层级辅助控制架构（hierarchical ancilla-controlled architecture），旨在实现非对易动态的局部化。该方法的核心组成部分包括：

1. 架构设计：

   • 寄存器： 系统包含一个数据寄存器（携带对称性表示）和一个固定维度 $d_A = 2^m$ 的共享辅助寄存器。
   • 对易投影算符： 一族对易的、不变扇区的投影算符 ($\Pi_{\ell,s}$) 作用于数据寄存器。这些投影算符选择了数据希尔伯特空间中的特定“扇区”。
   • 受控动力学： 参数化的、非对易的幺正操作仅作用于共享的辅助寄存器。这些操作根据从数据寄存器中提取的扇区谓词进行条件激活。
   • 相干控制： 使用临时标签量子比特来相干地提取扇区信息，控制辅助寄存器的演化，并随后进行逆计算以保持可逆性和等变性。

2. 理论框架：

   • 李代数包含关系： 作者证明了可训练动力学李代数 $\mathfrak{g}$ 被包含在由层级投影算符兼容的联合扇区所索引的辅助李代数块的直和之中。
   • 维度界限： 他们推导出了一个与群无关的李代数维度上界：
     $$\dim(\mathfrak{g}) \leq (d_A^2 - 1) \prod_{\ell=1}^L (K_\ell + 1)$$
     其中 $K_\ell$ 是每层保留的控制模式数量。对于具有恒定辅助尺寸和恒定保留模式的对数深度层级结构，该界限随数据量子比特数量呈多项式级增长，这与通用电路典型的指数级增长形成鲜明对比。

3. 具体实现 (SU(2))：

   • 本文利用固定的 Clebsch–Gordan 耦合树 构建了一个针对旋转群 $SU(2)$ 的具体实现。
   • 编码： 输入向量被编码到自旋-1/2 量子比特中。
   • 初始化： 数据寄存器初始化为单态（在 $SU(2)$ 下是不变的）。
   • 投影算符： 源自耦合树的中间自旋算符 ($J^2_B$) 定义了对易投影算符。
   • 读取： 测量被限制在辅助寄存器中，以确保最终的标量输出是旋转不变的。

核心贡献

1. 架构公式化： 引入了一种层级辅助控制架构，将变分参数数量与控制的符号成本解耦，将非对易动态分离到固定大小的辅助寄存器中。
2. 全局分解： 推导了联合扇区分解，将电路输出展示为辅助寄存器响应的概率加权和，明确了容量如何受扇区概率和参数共享的调节。
3. 包含定理： 证明了一个与群无关的定理，用于界定可训练动力学李代数的维度，证明了在特定结构约束（恒定辅助尺寸和保留模式）下可以实现多项式级增长。
4. 具体实现： 开发了针对 $U(1)$、$Z_2$ 以及完整的 $SU(2)$ 实现（使用固定的 Clebsch–Gordan 树）的具体实例，建立了具有旋转等变演化和不变标量读取的机制。

结果
作者进行了有限规模的状态矢量模拟（不含噪声或采样噪声），以评估所提架构相对于通用及传统旋转等变电路的表现：

• 梯度统计： 对于系统规模 $N \in \{4, 6, 8, 10, 12\}$，与通用及传统的等变基准相比，层级架构表现出更慢的梯度方差衰减以及更大的初始化平均平方梯度范数。这表明结构性限制缓解了损失函数的快速平坦化。
• 消融实验： 仅增加辅助尺寸 ($m$) 并不能解释改进的梯度规模；这种改进特别归功于层级投影控制。
• 学习基准：
  • 二分类任务： 该模型成功对球面与环面点云进行分类，测试准确率稳定在 0.97 左右。
  • 稀疏点云分类 (ModelNet-5)： 在 4 点输入的 5 类任务中，所提架构实现了约 75.6% 的测试准确率，显著优于参数量相当的硬件高效拟设 (HEA) 基准（约 50.5%）。
  • 物理回归： 模型预测了依赖几何结构的海森堡哈密顿量的基态能量，测试均方误差 (MSE) 约为 $4 \times 10^{-2}$，展示了处理连续旋转不变谱目标的能力。

意义与主张
论文声称，限制可训练李代数的增长是改进等变量子网络初始化可训练性的有效结构策略。通过将非对易动力学限制在共享辅助寄存器中，并使用对易投影算符来选择操作，该架构避免了与贫瘠高原相关的快速代数扩张，同时保持了对称性。

作者谦逊地将研究结果描述为一种通用的代数构造在 "$SU(2)$ 情况下的案例研究"。他们指出，虽然结果支持了在所考虑的机制（有限规模、特定对称性）下的策略，但梯度行为仍取决于具体的损失函数、数据分布和观测量。这项工作并不声称解决了普遍的贫瘠高原问题，而是提供了一种控制驱动浓度之代数维度的结构化机制。未来的研究方向包括自适应扇区选择、更大系统的实现李代数枚举，以及面向硬件的评估（涉及噪声和有限采样估计）。