技术摘要：用于量子神经网络中门与纠缠放置的傅里叶-几何电路设计

问题陈述

参数化量子电路（PQCs）已成为近端量子机器学习（QML）的标准框架。然而，其设计在很大程度上仍依赖于启发式方法，即依赖于少量的电路模板库，而非基于数学原理。虽然现有的研究（例如 Schuld 等人，2021；Pérez-Salinas 等人，2020）已经确立了 PQC 输出可以表示为由数据编码门决定的有限傅里叶级数，但一个关键的差距仍然存在：知道哪些频率是可达的，并不意味着对应的傅里叶系数一定非零。

目前的分析刻画了预定义电路的光谱特性，但未能提供明确的设计准则，来安排可训练门和纠缠层，以确保特定的目标系数是可达的。因此，目前尚不清楚应该将局部旋转和纠缠层放置在何处，以激活对于科学机器学习任务（例如求解偏微分方程）至关重要的高频分量。

方法论

作者提出了一种基于编码生成器**伴随作用（adjoint action）**的几何框架，通过分解算子空间来推导显式的电路设计规则。

1. 不变子空间分解：
   利用编码生成器 $G$ 的伴随映射 $\text{ad}_G(\cdot) = [G, \cdot]$，将希尔伯特-施密特算子空间 $\mathcal{B}(\mathcal{H})$ 分解为二维不变平面。每个平面由特定的频率 $\omega$ 索引，并由一对算子 $(X_{\omega,r}, Y_{\omega,r})$ 张成。在编码幺正变换 $S(x) = e^{-ixG/2}$ 下，这些平面以由 $\omega$ 决定的速率旋转。

2. 精确傅里叶系数表达式：
   本文推导出了每个傅里叶系数的精确表达式，该表达式是有效状态（$\rho$）与有效观测量（$O$）在这些不变平面上的双线性投影之和。具体而言，频率为 $\omega$ 的系数仅在 $\rho$ 和 $O$ 至少在一个与 $\omega$ 相关的平面上有支撑时才非零。

3. 纠缠与多比特支持：
   分析表明，高频平面由混合多比特泡利串张成。仅靠局部操作无法在这些平面上产生支撑。作者利用Ising 纠缠器（交换的 $Z_a Z_b$ 耦合）展示了纠缠门如何将局部算子（如 $X_n$ 或 $Y_n$）转化为涉及邻居的字符串，从而在更高频率的平面上创建支撑。

4. 放置规则推导：
   基于有效观测量必须投影到目标频率平面的要求，作者针对泡利编码、读出以及具有交换两比特纠缠器的情形，推导出了一个三阶段设计规则：

   • 暴露（Expose）： 局部旋转（$W_L^{post}$）必须在纠缠之前将初始读出（例如 $Z_n$）倾斜到非对易方向（$X_n, Y_n$）。
   • 扩散（Spread）： 纠缠器（$U_{ent}$）作用于这些分量，在由相互作用图定义的邻域 $N(n)$ 上附加 $Z$-字符串。这创造了最高达 $\text{deg}(n) + 1$ 频率的支撑。
   • 对齐（Align）： 随后的局部旋转（$W_L^{pre}$）重新加权生成的泡利串，以最大化在目标不变平面上的投影。

该规则允许以相对于相互作用图的线性时间 $O(|E|)$ 构建电路，确保目标频率是可达的。

核心贡献

本文做出了三个主要贡献：

1. 傅里叶系数的精确表达式： 作者提供了一个严谨的数学公式，将每个傅里叶系数表示为有效状态与观测量在相关不变平面上的双线性投影之和。
2. 显式放置规则： 对于泡利编码、读出和交换两比特纠缠器，本文建立了一个特定的局部旋转与纠缠层放置规则。该规则保证了只要相互作用图支持必要的度数，目标傅里叶系数在几乎所有参数设置下均为非零。该规则识别了必要条件，并证明了重新排序门会抑制特定频率。
3. 受控验证： 所提出的设计通过以下方式进行了验证：
   • 放置消融实验： 通过移动门或移除特定的阶段（暴露、扩散、对齐），证实了预测的频率变得不可达。
   • 回归任务： 在 PDEBench 任务（平流方程和 Burgers 方程）上的表现以及物理信息 Maxwell 场建模。
   • 噪声鲁棒性： 在去极化噪声、振幅/相位阻尼以及有限采样噪声下的评估。

实验结果

将所提出的电路设计与标准模板（基础纠缠器、强纠缠层、HEA 等）在多个基准测试中进行了对比评估：

• 正弦近似： 所提出的电路成功重建了包含多个频率（例如 $\cos(2x), \sin(x), \cos(3x)$）的目标函数，而启发式模板则无法捕捉高频分量或需要显著更多的参数。
• 监督 PDE 回归： 在平流方程（14 个比特，单层编码）上，所提出的电路实现了 0.107 的归一化 MSE（若使用可训练纠缠强度则为 0.039），优于表现最好的模板（Circular HEA，得分为 0.155）。在 Burgers 方程上也观察到了类似的改进。
• 物理信息波方程： 在仅使用无解数据求解 Maxwell 方程的任务中，所提出的电路仅使用 2 个比特和 1 层就实现了相对 $L_2$ 误差为 $2.7 \times 10^{-5}$。相比之下，标准模板需要 6 个比特和 2–3 层才能达到相当的精度，且许多模板在单层情况下完全失败。
• 噪声韧性： 与具有较高两比特门数量的模板相比，所提出的电路在面对中度门噪声和阻尼时表现出更优越的鲁棒性。其较低的读出规模也显著减少了有限采样噪声误差。

重要性与主张

本文声称弥合了 PQC 的理论频谱容量与其实际架构设计之间的差距。通过将关注点从“多少纠缠”转向“门放置在哪里”，作者提供了一种确定性的方法来激活特定的频谱分量。

作者强调，他们的设计规则是学习特定频率的必要条件（如消融实验所示，移除一个阶段会导致频率不可达），但并不保证训练成功（收敛取决于优化）。然而，实验结果表明，确保可达性是科学机器学习任务性能的一个关键前提。这项工作提供了一种线性时间算法，用于构建针对给定任务频谱需求的定制化电路，使 PQC 设计从一种艺术转向一种有数学根据的学科。