⚛️ 量子物理

Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor

本文引入了一种考虑采样数与噪声的泡利相关编码方案，该方案能够根据测量预算和设备噪声动态调整损失函数的锐度，从而使在 IBM Heron 处理器上运行的紧凑型硬件原生电路在解决 800 个变量图的 Max-Cut 问题时，显著超越现有方法。

原作者： Achraf Boussahi

发布于 2026-10-15

📖 1 分钟阅读🧠 深度阅读

原作者： Achraf Boussahi

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

在现代计算领域，有些问题规模如此庞大，以至于检查所有可能的答案所花费的时间将超过宇宙的年龄。这些被称为组合优化问题，计算机必须在令人眼花缭乱的选项中找到唯一的最佳排列。一个经典的例子是“最大割”（maximum cut）问题：想象一个由道路连接城市的网络，每条道路都有一个代表其重要性的权重。目标是将城市分为两组，使得连接这两组的道路总权重尽可能大。这项任务对于经典计算机来说是出了名的困难，因为它们通常不得不依赖巧妙的捷径而非完美解。

量子计算机已被提议作为应对这些挑战的新方法。与处理零或一比特信息的经典机器不同，量子机器使用可以同时存在于零和一两种复杂状态中的量子比特（qubits）。然而，目前的量子计算机并不完美。它们具有噪声，这意味着它们的计算很容易受到环境的干扰，并且只能在误差累积之前运行很短的时间。由于这些限制，科学家们使用一种称为变分量子算法的方法。在这种方法中，量子计算机运行一个特定的电路，测量结果，然后由经典计算机调整电路的设置，试图找到更好的答案。这个过程不断重复，希望能向着最佳解攀升。

Achraf Boussahi 的一项近期研究针对目前这些量子实验设计中的一个关键缺陷进行了探讨。该研究聚焦于一种称为“泡利相关编码”（Pauli correlation encoding）的特定技术，它允许量子计算机使用比通常少得多的量子比特来解决具有许多变量的问题。训练这些电路的标准方式涉及一个数学上的“锐度”（sharpness）设置，它控制着计算机模仿真实问题的紧密程度。之前的研究表明，将此设置尽可能调得越锐利总是会带来更好的结果，但那些实验是在完美、无噪声的模拟环境中进行的。Boussahi 的工作揭示了当实验在真实的、不完美的机器上执行时，这一假设就会失效。通过在实际的量子处理器上进行测试，该研究证明了适用于完美模拟的最佳设置在面对真实设备时往往是最差的设置，并为如何调节这些机器以在现实世界中有效工作提供了一条新规则。

问题的核心在于量子计算机如何测量其答案。为了获得结果，机器必须多次运行其计算，这个过程被称为“取样”（shots）。每一次取样都会因为统计噪声产生略微不同的结果，就像反复抛硬币以观察其是否公平一样。采取的取样次数越多，真实的答案就越清晰。研究人员发现，用于训练量子电路的“锐度”设置在秘密地与这些取样次数挂钩。如果锐度设置得过高，电路就会试图寻找一个需要比机器实际能提供的更多取样次数才能实现的解。在没有取样限制的完美模拟中，一个非常锐利的设置效果很好，因为计算机可以解析极微小的细节。但在一个取样次数有限的真实设备上，过于锐利的设置会迫使计算机根据噪声来猜测其答案的正负号，从而导致随机且无用的结果。

为了证明这一点，团队使用了一个拥有 13 个量子比特的量子处理器，在五个不同的包含 800 个变量的复杂图上训练了量子电路。他们将旧的、激进的训练计划与一种新的、“感知取样”（shot-aware）的计划进行了比较，后者根据实际可用的取样次数来调整锐度。结果令人震惊。在真实的量子处理器上，旧的计划表现很差，通常无法做得比随机猜测更好。相比之下，这种经过针对机器限制进行调优的新计划，始终优于所有已发表的方法。在针对不同图和取样次数的 150 次直接对比中，新方法每次都胜出。它能够找到比最优切值更接近的解，保留了高达 91.9% 的最优切值，而之前的最佳方法则崩溃成了随机结果。

研究还揭示了机器的物理噪声如何影响计算。研究人员发现，处理器中的噪声就像一个调光开关，降低了计算机读取信号的强度。这种效应在数学上等同于实际采取的取样次数减少了。通过测量特定机器上的这种“调光”效应，他们可以精确预测如何调整锐度设置来进行补偿。他们制定了一条简单的规则：根据取样次数和测得的噪声水平来设置锐度。当他们在运行实验前在一个新的图上测试这条规则时，他们对最终结果的预测准确度在极小的百分比范围内。这种在运行代码前就能预测性能的能力，是迈向实用化量子计算的重要一步。

另一个关键发现涉及量子电路本身的设计。以往文献中的最佳结果来自于将每个量子比特都与其他所有量子比特相连的电路，这种设计在具有完美连通性的机器上表现良好。然而，本研究中使用的真实量子处理器具有特定的布局，即量子比特仅与其相邻的邻居相连。当研究人员尝试在该机器上运行“全连接”（all-to-all）设计时，计算机必须使用额外的门来搬运数据，这引入了如此多的噪声，以至于最终答案并不比随机猜测好。通过切换到匹配机器自然布局的“砖块式”（brickwork）设计，他们避免了这些额外的步骤。这种硬件原生的电路，结合新的感知取样训练，使他们能够保持信号强度并交付高质量的结果。

研究结论指出，为了让量子优化在当前硬件上发挥作用，科学家们必须停止将机器视为完美的模拟器，而应将其视为一种带有噪声、受取样限制的设备。追求最大锐度的旧策略在现实世界中是适得其反的。相反，关键在于将训练计划与硬件的具体约束相匹配：即可用的取样次数和存在的噪声水平。通过这样做，研究人员可以从当今这些并不完美的机器中提取出有意义的解。这项研究仅使用了几分钟的实际量子计算时间就得出了这些结论，这表明只要进行正确的调优，这些设备已经具备了比此前认为的更能解决复杂问题的能力，前提是我们不要再要求它们去做不可能完成的任务，而是开始询问它们实际能做什么。

技术摘要：针对 IBM Heron 上 Max-Cut 问题的考虑测量次数（Shot）与噪声感知的 Pauli 相关性编码

问题陈述
本文探讨了当 Pauli 相关性编码（PCE）应用于嘈杂中规模量子（NISQ）硬件上的组合优化问题时所面临的局限性。虽然 PCE 可以通过将变量映射到 $k$ -体 Pauli 相关性的符号，将 $m$ 个二进制变量编码进 $n = O(m^{1/k})$ 个量子比特中，但以往成功的基准测试都依赖于精确期望值（无噪声模拟）。在实际应用中，量子计算机通过有限数量的测量次数（ $S$ ）来估计这些相关性，从而引入了统计噪声。此外，设备噪声会削弱这些相关性。作者发现了一个关键的脱节：现有的 PCE 损失函数锐化方案是针对无限测量次数（无噪声模拟）进行调优的，这导致它们在面对现实的、有限测量次数的预算时失效，因为此时统计误差会淹没训练出的微小相关性幅度。

方法论
作者提出了一个将 PCE 损失函数的“锐度”（sharpness）参数 $\alpha$ 与测量次数预算 $S$ 以及设备噪声显式联系起来的框架。

锐度-测量次数恒等式（Sharpness-Shot Identity）： 作者推导出一个近似恒等式，表明在锐度 $\alpha \approx 0.851\sqrt{S}$ 时，松弛损失函数 $L_{\alpha}$ 的边缘项在常数意义上等价于最小化通过 $S$ 次测量解码后的负期望割（negative expected cut）。具体而言，损失函数中的软自旋 $\tanh(\alpha c_i)$ 近似于期望解码自旋 $\text{erf}(c_i\sqrt{S/2})$ 。这意味着给定的锐度 $\alpha$ 隐含地优化了一个特定的测量次数预算 $S(\alpha) = (\alpha/0.851)^2$ 。
测量次数感知方案（Shot-Aware Schedule）： 基于该恒等式，作者引入了一种“测量次数感知”方案。该方案并非像以往的多阶段方案那样激进地增加锐度，而是根据目标测量次数 $S$ 来设定最终的最大锐度 $\alpha_{\text{max}}$ 。该方案包含三个阶段：低锐度的初始阶段、中间阶段，以及正则化关闭且 $\alpha_{\text{max}}$ 设置为 $c s \sqrt{S}$ 的最终阶段（其中 $s$ 是设备阻尼因子）。
噪声作为阻尼： 文中将设备噪声建模为相关性上的乘性阻尼因子 $s$ （即 $\hat{c}_i \approx s c_i + \epsilon$ ）。这实际上降低了有效测量次数，即 $S_{\text{eff}} = s^2 S$ 。因此，在有噪声的设备上的最优锐度按 $\alpha \propto s\sqrt{S}$ 进行缩放。
硬件原生拟设（Hardware-Native Ansatz）： 为了减轻超导处理器（特别是 IBM Heron）上的编译开销，作者使用了一种“砖块式”（brickwork）拟设，该拟设直接映射到设备的重六角晶格（heavy-hex lattice）连通性，无需使用 SWAP 门。这与需要大量量子比特路由的“全连接”（all-to-all）拟设形成了对比。

核心贡献

理论推导： 建立了损失函数锐度 $\alpha$ 与测量次数预算 $S$ 之间的数学联系，证明了 $\alpha$ 起到了“隐藏测量次数预算”的作用。
测量次数感知调度： 开发了一种训练方案，其中最终的锐度由可用的测量次数预算和设备阻尼决定，而非进行任意调优。
噪声表征： 将设备噪声量化为有效测量次数的减少，并提供了一种在真实硬件上校准阻尼因子 $s$ 的方法。
拟设对比： 证明了在 IBM Heron 处理器上，硬件原生拟设（96 个 CZ 门）的表现显著优于全连接拟设（835 个 CZ 门），后者由于噪声累积，解码结果会退化为随机割。

实验结果
作者在五个 G-set 图（800 个顶点）上使用 13 个量子比特评估了其方法，并将“测量次数感知方案”与三种已发表的方案（Sciorilli 等人、Usuki 等人的常规方案、Usuki 等人的多阶段方案）进行了比较。

模拟（精确梯度）： 在所有五个图中，在目标预算（ $S=10^3$ 和 $S=1.6 \times 10^4$ ）下，测量次数感知方案在所有 150 次配对比较的解码电路输出中，均优于所有已发表的方案。已发表的多阶段方案虽然在无噪声模拟中表现卓越，但在有限测量次数下表现不佳，因为其过高的锐度导致相关性幅度低于统计噪声水平。
硬件执行（IBM Fez）：
- 全连接拟设完全失败，由于高门计数（835 个 CZ 门）导致保真度极低（ $\sim 0.058$ ），解码结果为随机割。
- 硬件原生拟设（96 个 CZ 门）保留了 $s \approx 0.72$ 的阻尼因子。
- 在模拟中训练并在硬件上执行的测量次数感知方案，表现优于所有已发表的方案。在 $1.6 \times 10^4$ 次测量下，它在 G1 图上达到了已知最佳割的 0.919。
- 使用从之前运行中校准得到的阻尼因子和偏移量，对 G1 图的新电路进行的展望性测试预测，在 $10^3$ 次测量下的解码割误差仅为 0.002。

重要性与主张
本文声称，当前硬件上有效应用 PCE 的主要障碍不是表达能力或可训练性，而是损失函数锐度与测量预算之间的失配。

排名逆转： 作者证明了在无噪声模拟中观察到的优化方案排名，在现实的测量次数预算下发生了逆转。针对无限次测量的方案在真实硬件上会失效。
硬件感知： 研究表明，为了使 PCE 在超导处理器上有效，必须使电路拟设与硬件连通性相匹配（避免使用 SWAP 门），并根据测量次数预算和测得的设备阻尼来调整损失函数的锐度。
研究范围限制： 作者明确指出，其结果关注的是 PCE 在硬件上的测量成本和解质量，而非展示量子优越性。作者指出，对于测试的 13 量子比特实例，经典的位交换搜索（bit-swap search）可以将随机自旋提升至较高的近似比，且目前的量子电路尚未超越经典求解器。这项工作旨在作为一个方法论指南，通过将训练目标与物理约束对齐，使 PCE 在当前的 NISQ 设备上变得可行。

类似论文