⚛️ 量子物理

KrMM Recurrences: HPC-Enhanced Estimators for Nonlinear Classical Shadows

本文介绍了一种在经典阴影（classical shadows）框架下增强高性能计算（HPC）的多元函数估计方法，该方法通过利用特定计算核的结构，实现通过行划分和单指令多数据流（SIMD）向量化进行大规模并行化，从而显著降低计算成本，并针对原本难以处理的量子态属性估计实现了接近理想的扩展性。

原作者： Matthias Gruber, Sabrina Herbst, Ivona Brandic, Vincenzo De Maio

发布于 2026-10-20

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Matthias Gruber, Sabrina Herbst, Ivona Brandic, Vincenzo De Maio

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

量子计算机有望解决当今机器需要数千年才能破解的问题，但它们目前非常脆弱且难以控制。为了在不破坏这些机器的情况下理解它们，科学家们使用了一种称为“经典阴影”（classical shadows）的技术。想象一下，你正试图在一个黑暗的房间里了解一个复杂物体的形状，方法是从随机角度向它投射一把手电筒，并记录下它们投射出的影子。你无法一次看到整个物体，但通过收集足够多的这些随机快照，你就可以在数学上重建其最重要的特征。这种方法允许研究人员估计量子态的属性，例如粒子是如何纠缠的，或者系统对变化的敏感程度如何，而无需将整个、规模大到无法想象的量子态描述存储在计算机内存中。然而，随着科学家尝试测量更复杂的非线性属性，所需的快照数量会呈爆炸式增长，且处理这些快照所需的计算量变得如此沉重，以至于即使是最快的超级计算机也难以应对。

在最近的一项研究中，维也纳理工大学和莱斯特大学的研究人员在这些困难的计算中发现了一个隐藏的模式，使得这些计算可以更快地完成。他们发现，驱动这些估计器的数学引擎（涉及将许多小矩阵按特定链条相乘）可以被分解为独立的行。研究团队意识到，与其强迫计算机将整个庞大的计算作为一个单一且缓慢的整体进行处理，不如将这项工作切割成数千个微小的、独立的任务。每个任务只需要知道其自身特定行中前一步的结果，这意味着它们可以由处理器的不同部分同时进行计算，而不会互相干扰。通过重写软件以利用这种结构，并使用现代计算机芯片中内置的专门指令来处理这些微小任务的并行化，该团队创造了一种处理量子数据的新方法，其效率显著高于以往的方法。

研究人员在两个特定的挑战性问题上测试了这种新方法：验证粒子在混合态中是否处于纠缠态，以及估计量子费舍尔信息（Quantum Fisher Information，一种衡量量子系统用于传感的精确度的指标）。他们使用模拟真实量子实验的数据进行了模拟，测试了包含多达十二个量子比特（即量子信息的最小单位）的系统。在这些测试中，他们的方法展示了随着增加更多计算核心，其处理数据的速度和效率几乎可以完美地实现线性扩展。例如，当他们使用大量测量值来估计一个具有十个量子比特系统的属性时，他们的方法比目前社区使用的标准软件快了数百倍。团队还展示了该方法在“在线”设置下的表现良好，即数据从量子设备连续不断地到达，允许计算机实时更新其估计值，并在收集到足够信息后立即停止实验，而不是等待固定的测量次数。

他们成功的关键在于如何管理计算机内存中的数据流。通过组织数据，使其能够以连续且可预测的流形式被处理器抓取和处理，他们避免了通常会减慢复杂计算的瓶颈。这使得系统能够让处理器的数学单元几乎始终保持忙碌状态，达到了非常接近所用硬件理论最大值的性能水平。这项研究证实，虽然这些量子问题的根本难度依然存在，但计算它们的方式可以得到彻底的改进。研究人员并未声称已经解决了量子测量复杂性的问题，也没有暗示这种方法可以消除对海量数据的需求。相反，他们提供了一个实用的、可扩展的工具，使目前难以处理的问题在现有硬件上变得可行，从而为随着规模和复杂性不断增长的量子系统提供了更详细的分析途径。

技术摘要：KrMM 递推：用于非线性经典阴影的高性能计算（HPC）增强型估计器

问题陈述

虽然经典阴影已成为从随机测量中高效估计量子态线性性质的标准框架，但估计非线性性质（如纯度、混合态纠缠和量子费舍尔信息量，Quantum Fisher Information）在计算上仍然极其困难。这些性质通常需要评估量子态的多项式函数，其形式通常采用 U-统计量（U-statistics）进行表述。

其核心瓶颈在于多项式估计器中固有的组合爆炸问题。对于一个 $k$ 阶多项式和 $N$ 次测量，计算复杂度为 $O(N^k)$ 。即使使用“批处理阴影”（通过对测量进行分组以减少组合数），由于需要存储和操作指数级增长的密度矩阵（ $2^n \times 2^n$ ），或者进行海量的矩阵乘法，这也会造成严重的瓶颈。现有方法在处理超过几个量子比特的系统规模（ $n \approx 10$ ）以及实际验证任务所需的测量次数（ $N \approx 10^8$ ）时表现得难以应对。

方法论

作者识别出了多项式经典阴影估计器中的一个循环计算内核，并将其重新表述为克罗内克-矩阵-矩阵（KrMM）递推。

1. KrMM 递推公式化

多项式量的估计被表达为一个递推链：
$C_t = \alpha_t A_t F_t + \beta_t C_{t-1}$
其中 $F_t$ 具有克罗内克结构（ $F_t = \bigotimes_{j=1}^n G_{tj}$ ），由 $n$ 个小的 $2 \times 2$ 复矩阵组成。这种结构源于量子比特系统的张量积特性，是经典阴影的内在属性。

2. 行分解与并行化

核心洞察在于，克罗内克结构允许将递推过程进行行分解。与其在每一步都计算完整的矩阵乘积，不如将计算拆分为 $M$ 个（其中 $M=2^n$ ）独立的行内核 $\mathcal{K}_i$ 。

独立性： 每个行内核 $\mathcal{K}_i$ 根据前一时间步的行状态和共享输入数据来计算结果的第 $i$ 行。
并行化： 这种独立性实现了在 CPU 核心或节点上的大规模并行化。每个工作单元处理一部分行，仅在最后一步进行聚合。

3. 执行模型与 SIMD 向量化

为了最大化在高性能计算（HPC）硬件上的效率，作者实现了一种自定义执行模型：

切片行乘法（SRM）： 他们采用了 SRM 操作（来自 FastKron 算法）来应用克罗内克因子，而无需显式生成完整的 $2^n \times 2^n$ 矩阵。这使得矩阵-向量乘法的成本从 $O(M^3)$ 降低到 $O(M \log M)$ 。
融合行内核： 递推过程被视为一个单一的融合计算。中间状态保留在向量寄存器中，避免了中间内存写入并减少了内存流量。
自定义 SIMD 向量化： 采用了专门的数据布局和 SIMD（单指令多数据）策略，利用特定架构的指令集（如 AVX-512）来高效处理复数算术和数据重排。这对于在现代 AMD EPYC 处理器上保持高吞吐量至关重要。

核心贡献

识别计算内核： 本文指出多项式经典阴影估计器（包括在线和批处理）共享一个共同的 KrMM 递推结构。
行分解： 作者证明了该结构允许分解为独立的行计算，从而实现大规模并行化，且在内核执行期间无需进行节点间通信。
HPC 优化的实现： 他们提供了一个定制实现，其特点包括：
- 一个用于最小化内存访问的融合执行模型。
- 一个针对复杂克罗内克运算量身定制的自定义 SIMD 向量化方案。
- 具备极佳强扩展性（strong scaling），可扩展至分布式 HPC 环境。

实验结果

该方法在两个实际应用中进行了评估：混合态纠缠验证（使用 Werner 态）和**量子费舍尔信息量（QFI）**估计（使用随机秩态）。

可扩展性与加速比：
- 该方法在多节点集群上实现了近乎理想的并行扩展（效率 > 0.95），因为通信仅限于最后的归约步骤。
- 与最先进的基准线（RandomMeas.jl）相比，观察到了显著的加速。对于 $n=10$ 个量子比特和 $N=10^6$ 次测量，该方法实现了 516 倍的加速；而对于 $n=8$ 个量子比特和 $N=10^8$ 次测量，加速比为 1.66 倍。
- 在单节点上，通过将数据缓冲区保持在 L1/L2 缓存内，该方法实现了高硬件利用率（在 Zen 4/5 架构上达到峰值 FMA 吞吐量的 ~75%）。
准确性与收敛性：
- 并行化估计器保持了与顺序基准线相同的统计精度。
- 在线算法： 该实现支持在线估计器，可以实时更新估计值，从而实现收敛监测和提前停止。这提供了一种“真正的混合”工作流，使经典处理能够跟上量子数据的采集速度。
- 批处理算法： 对于离线设置，批处理方法显著优于基准线，将 8 量子比特系统的运行时间从数小时/数天缩短至分钟级。
硬件性能：
- 自定义 SIMD 向量化始终优于自动向量化基准线，特别是在 AVX-512 架构（Zen 4, Zen 5）上，其中特定的置换指令对于性能至关重要。

意义与主张

本文声称，这项工作为解决由于计算成本而导致此前难以处理的、本质上困难的非线性估计问题提供了切实可行的路径。

实际优势： 通过利用克罗内克结构，作者使得估计高阶矩和性质成为可能，其系统规模（ $n \approx 10$ ）和测量次数已达到当前及近未来量子硬件的水平。
混合工作流： 以在线方式运行这些估计器的能力允许实时监控量子系统的收敛情况，这是此前难以高效实现的特性。
局限性： 作者谦虚地指出，虽然他们的方法极大地改善了常数因子和并行效率，但并未消除由问题物理特性决定的基础指数级样本复杂度（ $N$ ）或内存需求。该方法扩展了可行的问题规模范围，但仍受限于底层量子态空间的指数级缩放。

总之，这项工作将一个组合难度极大的估计问题转化为一个高度可并行的线性代数任务，利用现代 HPC 架构使非线性经典阴影断层扫描成为量子硬件验证和计量学的一种可行工具。