Fourier Symmetrization for Geometric Quantum Machine Learning

在现代科学的广阔版图中，研究人员正越来越多地转向利用从数据中学习的机器，来解决那些曾经仅属于人类直觉领域的难题。在这一领域中，最负盛名的工具之一是量子计算机，它们利用亚原子世界的奇特规则，以经典机器无法实现的方式处理信息。该领域的一个特定分支被称为几何量子机器学习，它试图教导这些量子系统去识别并尊重物理世界的自然对称性。正如雪花在旋转后看起来依然相同，或者分子无论如何翻转都保持一致的行为一样，许多科学问题都拥有隐藏的不变模式。挑战在于，如何构建既能自然遵循这些模式，又不会因过于复杂而导致无法训练或控制的量子模型。

来自法国中央理工学院（CentraleSupélec）的一个研究小组现在为导航这一领域提供了更清晰的地图。他们研究了在量子模型中施加对称性如何改变这些模型“思考”数据的方式，特别是观察了模型如何将信息分解为不同的频率成分。他们的工作揭示了，当一个量子模型被迫尊重对称性时，它不仅仅是限制了自己的选择；相反，它以一种实际上能使其变得更强大且更易于训练的方式重新组织其内部结构。通过将相关的部分信息组合在一起，研究人员发现了一种方法，可以防止模型的学习信号消散殆尽——这是困扰量子机器学习的一个常见问题。此外，他们还发现了一种构建这些对称模型的新型、更高效的方法，避免了此前认为必不可少的沉重硬件成本。

研究人员专注于一种被称为量子傅里叶模型的量子模型。请将量子计算机想象成一种复杂的乐器，能够同时演奏许多不同的音符，其中每个音符代表一个特定的信息频率。在标准设置中，计算机可能会尝试通过独立调节每个音符的音量来学习某种模式。然而，研究人员表明，当你要求计算机尊重某种对称性时——例如交换两个变量或翻转它们的符号——这些音符就不再是独立的了。相反，它们形成了组，或者称为“轨道”，计算机必须将一组中的所有音符视为一个单一单元进行处理。随后，模型通过汇总该组内所有音符的音量来产生一个单一且更强的信号。

这种重组被证明是一个至关重要的优势。在许多量子模型中，单个音符的信号会随着系统的增大而变得极其微弱，以至于计算机实际上停止了学习，这种现象被称为“表达能力消失”（vanishing expressivity）。研究人员证明，通过将这些音符分组为对称轨道，组合后的信号会变得显著增强。即使单个音符在低声细语，它们的集体声音也足够响亮，足以被听到并进行训练。他们从数学上证明，在理想条件下，这种组合信号的强度恰好等于组内单个音符强度之和。即使在更现实、不完美的场景下，他们也展示了这种分组仍然能提供巨大的信号增益，远超以往现有方法所能达到的水平。

除了让模型变得更强大之外，研究人员还发现，这种对称性方法改变了模型描述世界所使用的语言。当他们将一种涉及符号翻转的特定对称性应用于模型时，生成的数学结构自然地转化为被称为切比雪夫多项式（Chebyshev polynomials）的一组函数。这些是数学家和工程师数百年来用于逼近复杂曲线和求解困难方程的强大工具。通过迫使量子模型尊重这些对称性，研究人员实际上是在编程，使其自动使用这种最优语言，而无需手动设计复杂的电路。这表明，对称性不仅是一种约束，更是一种引导，可以引导量子模型找到解决问题的最高效方式。

然而，一个主要的障碍仍然存在：如何在真实的量子硬件上构建这些对称模型。传统的强制执行对称性的方法通常需要增加额外的量子比特，或者运行耗时较长的复杂深层电路，这使得它们在当前技术条件下并不实用。该团队提出了一种被称为“随机编码”（randomized encoding）的巧妙替代方案。与其构建一个硬编码对称性的特殊且僵化的电路，他们的方法是在输入数据进入标准量子电路之前对其进行随机变换。通过使用略有不同的、经过随机变换的输入多次运行同一个电路，然后对结果取平均值，系统就能产生与复杂且昂贵的方法相同的对称输出。这种方法不需要额外的量子比特，也不会增加电路的深度，使得对于当今带有噪声的量子设备而言更具可行性。

为了测试他们的想法，研究人员将这些新模型应用于解决描述物理现象的两个数学难题：屏蔽泊松方程（screened Poisson equation）和定常粘性哈密顿-雅可比方程（stationary viscous Hamilton-Jacobi equation）。这些方程被用于模拟从电场到流体动力学的一切事物。他们将这些新的对称模型与标准量子模型以及经典神经网络进行了对比。结果非常明确：使用对称性的模型，特别是那些采用他们提出的随机编码方法构建的模型，实现了最低的误差和最精确的解。在一次涉及困难边界条件的特定测试中，对称量子模型的表现优于所有其他方法，包括经典神经网络。

这项研究得出结论，对称性是量子机器学习中一种强大且尚未被充分利用的资源。它不仅限制了模型的能力，更重塑了模型的内部结构，使其更加稳健和高效。通过将信息重新组织为对称组，研究人员展示了量子模型可以克服阻碍其进步的信号损失问题。他们实现这些对称性的新方法提供了一条切实可行的路径，允许研究人员在无需承担此前使这些方法难以规模化的高昂硬件成本的情况下，充分利用这些优势。这项工作为设计更好的量子算法提供了具体的蓝图，这些算法不仅更准确，而且与它们试图模拟的物理世界的基本对称性更加契合。