⚛️ quantum physics

Learning quantum symmetries

本文通过开发针对非阿贝尔状态隐藏子群问题的高效算法，并将学习“任意子”（Anyonic）对称性（即在全局相位下的不变性）的框架通过归约为线性纠错码，从而将量子对称性学习从阿贝尔领域扩展到了非阿贝尔领域，进而统一了包括态、幺正算符和哈密顿量在内的各种量子对象的对称性学习。

原作者： Isaac Holt, Sathyawageeswar Subramanian

发布于 2026-10-01

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Isaac Holt, Sathyawageeswar Subramanian

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

对称性是物理世界的一种基本语言，是一套规则手册，规定了系统在发生位移、旋转或变换时如何运作以及哪些属性保持不变。在量子物理领域，由于粒子以脆弱的概率状态存在，这些对称性不仅是美学特征，更是定义现实的约束条件，支配着从能量守恒到物质稳定性的一切事物。几十年来，科学家们一直依赖强大的数学工具来揭示经典物体中的这些隐藏规则，例如寻找数字序列中的重复模式。然而，当研究对象本身就是一个量子态时——即一个概率云而非一个固定的数值——规则就发生了变化。量子态仅由全局相位（global phase）来定义，这是一种微妙的数学偏移，它不会改变粒子的物理现实，但却增加了寻找其底层对称性的难度。直到现在，学习这些对称性的能力还局限于简单的、表现良好的群以及严格的不变性定义，这使得广阔而复杂的量子对象领域仍处于未开发状态。

来自剑桥大学和牛津大学的研究团队现在显著扩大了该领域在计算上可能的范围。他们开发了一套全新的量子算法，能够学习更广泛的量子对象对称性的，包括复杂的量子态、操纵它们的算符，甚至是被称为哈密顿量（Hamiltonians）的能量景观。他们的工作超越了以往将此类发现限制在简单交换群和刚性对称定义中的局限。相反，他们创建的方法适用于非交换群（即操作顺序会影响结果的情况），并且适用于一种更符合物理直觉的对称性定义，该定义考虑了全局相位。这意味着，量子计算机首次能够高效地识别混合量子态和投影表示（projective representations）的隐藏对称群，而后者是量子对称性最通用的代数描述。

其核心成就在于解决了被称为“状态隐藏子群问题”（State Hidden Subgroup Problem）的问题，该问题要求量子计算机寻找使给定量子态保持不变的隐藏对称子群。先前的算法只能在对称群为阿贝尔群（Abelian groups，即操作顺序不影响结果）时处理此类任务。研究人员通过开发一种针对一类广泛的非阿贝尔群的高效算法，打破了这一障碍，这些群具体属于“多项式近哈密顿型”（polynomially near-Hamiltonian）。在这些群中，虽然并非每个子群都是完美的正规子群，但其结构足够接近，从而允许进行高效计算。他们通过改进一种称为“弱傅里叶采样”（weak Fourier sampling）的技术实现了这一点，该技术允许算法提取隐藏对称群的“正规核”（normal core）。这个“核”是对称群中行为最可预测的最大部分，通过找到它，算法可以高概率地重建完整的对称结构。仅此一项进展就提高了在许多已知情况下的对称性查找效率，并将量子学习的触角延伸到了此前被认为过于复杂的群领域。

他们工作中最为深刻的转变是引入了“任意子”（anyonic）对称性学习。在标准量子力学中，两个仅在全局相位因子上存在差异的状态在物理上是不可区分的；它们代表完全相同的现实。然而，传统的对称性学习算法要求状态必须是精确不变的，忽略了这一物理细微差别。研究人员引入了一个新框架，在该框架下，如果一个状态在全局相位范围内保持不变，则被视为具有对称性。这种区分对于理解现实世界的量子系统至关重要，特别是涉及“稳定器群”（stabilizer groups）的系统，即一组使量子态保持不变的算符。通过允许这种相位灵活性，该团队开发出一种算法，将寻找任意子对称性的问题简化为寻找标准对称性的问题。他们通过使用一个巧妙的数学技巧——将状态与其自身进行张量积，有效地将相位模糊性转化为一个计算机可以解决的标准对称性问题，从而完成了这一目标。

为了应对更为复杂的投影表示情况（即对称操作包含一个无法消除的“扭曲”或标量乘法），研究人员与纠错码建立了令人惊讶的联系。他们意识到，将这些扭曲表示线性化的过程可以直接映射到线性码（linear codes）的构建上，而线性码是用于检测和纠正数据传输中错误的数学结构。通过将对称性学习问题视为一个编码理论问题，他们能够设计出利用特定代码来“解扭曲”投影表示的算法，从而将其转化为量子计算机可以处理的标准线性表示。这种方法使他们能够解决学习任意混合量子态的稳定器群的问题，而这在一般情况下此前一直未能解决。该方法非常高效，其所需的量子态副本数量与系统规模呈对数比例缩放，这使得它在实际应用中具有可行性。

他们的发现范围不仅限于量子态。研究人员证明，其他量子对象（如描述量子态随时间演化的幺正算符，以及描述系统能量的哈密顿量）的对称性，可以通过将这些问题归约为他们已经解决的态对称性学习问题来进行学习。例如，为了寻找哈密顿量的对称性，他们展示了可以通过分析描述其时间演化的幺正算符的对称性来进行。同样，他们也解决了学习一组状态或一个子空间状态的对称性问题，表明这些问题都可以归约为核心的态学习问题。这种统一性表明，态对称性学习是一个基本的构建模块，是一个可以应用于广泛量子学习任务的通用原语。

这项工作的意义既直接又具实践价值。其中最重要的应用之一是学习任意局部维度的混合态的稳定器群。在量子计算中，稳定器群对于纠错和量子态表征至关重要。这种新算法提供了第一个针对任何混合态（无论单个量子粒子即“量子比特/qudit”的维度如何）进行学习这些群的显式且经证明正确的算法。这比以往的方法有了实质性的进步，因为以往的方法仅限于纯态或特定维度。研究人员还优化了算法参数，展示了如何在所需的量子态副本数量与计算速度之间取得平衡，这为那些可能难以在多个状态副本间维持相干性的近程量子设备提供了路线图。

虽然本文确立了这些强大的新能力，但也明确划定了目前所能实现的边界。这些算法对于有限群和特定类别的非阿贝尔群是高效的，但作者承认，对于所有非阿贝尔群的一般情况，这仍然是一个难题，其难度可能等同于一般的隐藏子群问题。他们还指出，目前的结果依赖于精确对称性，而现实世界的量子系统往往受到噪声和缺陷的影响。论文明确将“学习近似对称性”作为一个开放问题留给未来的研究，并承认近似对称性集的数学结构可能并不构成一个整洁的子群。此外，虽然他们已将框架扩展到阿贝尔群的投影表示，但将其扩展到具有投影表示的非阿贝尔群仍然是一个挑战，因为现有的线性化这些表示的标准技术并不容易推广。

最后，这项工作代表了我们在理解和操纵量子世界方面迈出的重要一步。通过将对称性学习的范围扩大到非阿贝尔群、任意子对称性和投影表示，研究人员为量子算法设计提供了一个更完整的工具箱。他们证明了对称性原则——这一长期作为物理学基石的概念——可以以此前被认为无法触及的方式进行计算化利用。他们在量子对称性学习与编码理论之间建立的联系开辟了新的研究途径，表明用于保护数据免受错误影响的工具，也可能是解锁自然界深层对称性的关键。随着量子计算机能力的不断增强，这些算法将很可能成为表征复杂量子系统、设计纠错码以及探索支配量子领域的根本法则的重要工具。

技术摘要：学习量子对称性

1. 问题陈述

本文探讨了学习量子对象对称性的计算问题。虽然寻找经典对象对称性的量子算法（通过隐子群问题，HSP）已经非常成熟，但将其扩展到量子对象的研究仍较少。

作者关注该问题的三个主要维度：

非阿贝尔群（Non-Abelian Groups）： 将状态隐子群问题（StateHSP）从先前研究的阿贝尔设置扩展到广泛的非阿贝尔群类。
物理对称性定义： 超越“玻色对称性”（严格不变性， $R(g)\rho = \rho$ ），转向“任意子对称性”（在全局相位下不变， $R(g)\rho = e^{i\theta}\rho$ ），这符合物理上仅由全局相位差异导致的态不可区分性。
通用量子对象： 将对称性学习从量子态扩展到其他对象，如幺正算符（unitaries）、哈密顿量（Hamiltonians）以及量子态集合。

核心挑战在于，现有的高效对称性学习算法受限于阿贝尔群和线性表示。通用的非阿贝尔 HSP 被认为是非常困难的，且射影表示（常见于量子力学，例如泡利算符）引入了代数复杂性，使得标准的线性化技术无法在现有算法框架内轻松解决。

2. 方法论与技术路径

本文开发了三个不同的技术支柱来应对这些挑战：

A. 用于非阿贝尔 StateHSP 的正规核算法（Normal Core Algorithm）

为了处理非阿贝尔群，作者将经典 HSP 中的“正规核”算法（Hallgren, Russell, 和 Ta-Shma）推广到量子 StateHSP 场景。

技术： 他们利用非阿贝尔群上的弱傅里叶采样（weak Fourier sampling）。算法并非直接恢复隐子群 $S$ ，而是恢复其正规核（ $C = \text{core}_G(S)$ ），即包含在 $S$ 中的 $G$ 的最大正规子群。
机制： 通过测量群的不可约表示（irrep）标签，算法输出一个子群 $A$ ，使得 $C \subseteq A$ 。如果 $A$ 不包含任何严格包含 $C$ 的极小子群，则算法成功。
复杂度改进： 样本复杂度取决于 $\log |M|$ ，其中 $M$ 是严格包含正规核的极小子群集合，而非 $\log |G|$ 。在 $|M| \ll |G|$ 的情况下，这提供了严格的改进。
应用： 这使得对于“多项式近哈密顿”（polynomially near-Hamiltonian）群（即 Baer 范数指数为多项式对数级的群）进行高效学习成为可能。

B. 用于任意子对称性的傅里叶差分采样（Fourier Difference Sampling）

为了处理任意子对称性学习（在相位下不变），作者引入了向玻色对称性学习的归约。

阿贝尔情况： 他们观察到，如果一个态 $\rho$ 在 $R(g)$ 下具有任意子对称性，那么 $\rho^{\otimes 2}$ 在 $R(g) \otimes R(g^{-1})$ 下具有玻色对称性。
新原语： 他们引入了傅里叶差分采样，该方法执行两次傅里叶采样并减去结果。这实际上是在仅使用常数个额外状态副本的情况下，对 $R \otimes R^{-1}$ 的分布进行采样。
非阿贝尔扩展： 对于非阿贝尔群， $R \otimes R^{-1}$ 不一定是线性表示。作者通过定义一个线性表示 $R'(g, k) = \omega^{-k}R(g)$ ，将问题嵌入到一个更大的群 $G \times \mathbb{Z}_E$ 中（其中 $E$ 是 $G$ 的指数）。这把任意子对称性转化为了扩展群上的严格玻色对称性。

C. 通过编码理论实现射影表示的线性化

最显著的技术贡献是处理射影任意子对称性学习，即对称性由射影表示（例如泡利算符）描述的情况。通过中心扩张进行的标准线性化通常会产生难以学习的非阿贝尔群。

新颖构造： 作者直接构造了一个有限阿贝尔群 $G$ 的射影表示的线性化，而无需经过非阿贝尔中心扩张。
编码理论对应关系： 他们建立了线性化与 $\mathbb{Z}_E$ $Z_{E}$ 上线性纠错码之间的对应关系。
- 线性化是通过对状态的张量积逐分量应用射影表示来构造的，其中分量是根据生成矩阵 $M$ 确定的输入群元素的线性组合。
- 为了使生成的映射成为有效的线性表示，矩阵 $M$ 必须满足特定的正交条件（行在模 $E$ 意义下必须相互正交）。
- 为了确保线性化保留对称性结构（允许恢复隐子群），该码必须是**自正交（self-orthogonal）的。如果该码也是零和（zero-sum）**的，则可以使用标准傅里叶采样而非差分采样来进行线性化。
优化： 作者优化了块长度（每个样本所需的态副本数）与码率（每个副本获得的样本数）之间的权衡。他们提供了使用如扩展二进制汉明码（ $E=2$ ）和三进制 Golay 码（ $E=3$ ）的显式构造，以在最小化块长度的同时实现最优采样率。

3. 关键结果与贡献

非阿贝尔 StateHSP：
- 对于任何傅里叶变换（QFT）高效的有限群，提供了一种寻找玻色对称性子群正规核的高效量子算法。
- 为多项式近阿贝尔（polynomially near-abelian）群上的玻色对称性学习提供了高效算法。
- 改进了**隐平移问题（Hidden Translation Problem）**的样本复杂度，将最坏情况需求从 $O(\log N)$ 降低到 $O(\log N / \log \log N)$ 个副本。
任意子对称性学习：
- 为多项式近阿贝尔（线性表示）群上的任意子对称性学习提供了高效算法。
- 为任意有限阿贝尔群上的射影任意子对称性学习提供了高效算法。这是第一个针对任意局部维度的混合量子态（mixed qudit state）学习其稳定器群（stabiliser group）的显式算法。
- 用于混合态稳定器学习的算法使用 $O(n)$ 个副本并在多项式时间内运行，达到了甚至超过了以往纯态的结果。
其他量子对象的对称性：
- 幺正算符： 通过 Choi 态和表示 $R \otimes R$ ，将幺正对称性学习归约为玻色对称性学习。
- 哈密顿量： 通过时间演化算符，将哈密顿量对称性学习归约为幺正对称性学习（进而归约为玻色对称性学习）。
- 集合（Sets of States）： 通过在直积群 $G \times S_m$ 上的玻色对称性学习，将子集对称性学习归约为玻色对称性学习。当 $|A|$ 较小时，提供了高效算法。
- 子空间： 建立了子空间对称性学习与混合态共轭对称性学习之间的联系。

4. 意义与主张

本文声称大幅扩展了量子对称性学习的范围，将态对称性学习确立为广泛量子对称性问题的通用算法原语。

弥合差距： 这项工作填补了对称性测试（已知对于广泛的群和对象是高效的）与对称性学习（此前局限于阿贝尔群和线性表示）之间的空白。
物理相关性： 通过引入任意子对称性学习并处理射影表示，该框架更贴近物理现实，其中全局相位是不可观测的，且射影表示（如泡利群）是基础性的。
编码理论联系： 发现射影表示的线性化与线性纠错码之间的对应关系被视为一项新颖的理论洞察，具有超越对称性学习（例如推广 Bell 采样）的潜在应用。
实际影响： 这些结果提供了第一个针对任意混合态稳定器群的、证明正确且高效的量子算法，而这在以前是无法解决的通用问题。

作者对非阿贝尔情况保持谦逊，承认虽然他们扩大了可解群的类别（扩展到了近哈密顿和近阿贝尔群），但通用的非阿贝尔 HSP 仍然是困难的，因此通用的高效非阿贝尔射影对称性学习算法可能仍难以实现。然而，他们认为他们的框架为非阿贝尔情况提供了新的见解，而这可能是更狭隘的 HSP 视角所忽略的。