⚛️ 量子物理

Ground-State Sampling Correspondence between Penalty-Based and Constrained Quantum Annealing

本文证明了对于基数约束问题，基于惩罚项的量子退火与约束量子退火（CQA）会产生等效的基态采样分布，因为惩罚法中向不可行状态的虚拟跃迁会产生一种有效二阶相互作用，该相互作用与 CQA 在可行流形内的耦合相匹配。

原作者： Shunta Ide, Shu Tanaka

发布于 2026-10-20

📖 1 分钟阅读🧠 深度阅读

原作者： Shunta Ide, Shu Tanaka

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

在计算领域，有些问题就像是在干草堆中寻找一根针，而另一些问题则像是要在无数个完全相同的干草堆组成的场中，找寻出每一根隐藏其中的针。后者虽然难度大得多，但在从设计新材料到优化金融投资组合等诸多领域中，往往才是最重要的任务。为了应对这些复杂的谜题，科学家们使用了一种被称为量子退火的技术。想象一下，一个充满了山丘和山谷的地形，其中最深的谷底代表了问题的完美解。量子计算机就像一团可以流过山丘、最终沉降在最低点的薄雾。然而，当存在许多深度完全相同的山谷时，这团薄雾并不总是能均匀地展开。它往往会偏向某些山谷而非其他山谷，导致最理想的解无法得到充分的代表。这种分布不均是任何试图寻找困难问题所有可能答案的人所面临的主要障碍。

庆应义塾大学和早稻田大学的研究人员最近研究了如何解决这种不均匀性，特别是当问题涉及关于必须包含多少项内容的严格规则时。他们对比了两种不同的量子计算机编程方式，以遵循这一规则。第一种方法被称为“惩罚法”（penalty approach），它会对任何违反规则的解施加沉重的代价，从而有效地将计算机推离错误的答案。第二种方法被称为“约束量子退火”（constrained quantum annealing），它将规则直接构建在机器的运动之中，确保计算机从一开始就不会离开有效区域。尽管这两种方法在底层运作机制上截然不同，但研究人员旨在观察它们最终是否会导致相同的结果：即对所有最优解进行公平的选择。

团队专注于一个经典的谜题——图二分问题（graph bipartitioning），该问题涉及将一个由连接点组成的网络分为两个相等的组，同时最小化组间的连接。他们在大量随机网络上模拟了量子计算机的行为，这些网络规模从包含六个点的微型系统到包含十二个点的大型系统不等。通过在极长时间内运行这些模拟，他们可以观察计算机寻找最优解的概率是如何演化的。他们发现，当惩罚法配合足够高的惩罚代价时，其表现开始表现得与约束法惊人地相似。随着惩罚值的增大以及模拟时间的延长，基于惩罚法的计算机选择解的方式与约束型计算机选择解的方式趋于一致。两种方法最终都会偏好特定的解并忽略其他解，而不是均匀地分配它们的抉择。

这种趋同并非巧合，而是深层物理机制的结果。当惩罚值很高时，基于惩罚法的方法被迫保持在有效解附近。然而，为了在这些有效解之间移动，计算机必须短暂地访问违反规则的无效状态。研究人员发现，这些对无效状态的短暂、虚拟访问产生了一种次生效应，模仿了约束法的运动规则。这就像是惩罚法通过试图避免违反规则，无意中学会了以与那些旨在永不违规的方法相同的方式进行移动。通过数学分析，团队展示了这种模仿强度取决于惩罚代价与问题能量差之间的比例。当惩罚值足够大时，两种方法之间的差异会迅速缩小，遵循一种可预测的模式，即误差随惩罚值的增加而下降。

这项研究证实，虽然这两种方法都可能产生类似的偏差结果，但它们都不能保证对所有解进行完美的公平分布。即使是使用旨在留在有效区域内的约束法，计算机仍然会对某些解表现出优于其他解的偏好。这表明，偏差是量子涨落选择状态的一种内在特征，而非仅仅是编写规则时的缺陷。这些发现为构建这些系统的工程师提供了新的视角：与其将惩罚法视为一种笨拙的权宜之计，不如将其视为一种设计特定量子运动的方法，使其能够匹配更复杂的方案。虽然模拟显示了这种一致性在测试系统中非常清晰，但研究人员指出，更大的系统可能会引入新的复杂性。最终，这项工作为理解两种不同的量子策略如何抵达同一目的地提供了一张清晰的地图，为更好地采样广阔的最优解景观提供了共同的基础。

技术摘要：基于惩罚项与受限量子退火之间的基态采样对应关系

问题陈述
量子退火（QA）是一种用于寻找伊辛模型（Ising models）基态的启发式算法，适用于许多组合优化问题（COPs）。虽然寻找单个最优解通常已经足够，但某些应用需要从简并基态集中进行采样。理想情况下，这种采样应该是均匀的；然而，量子退火通常表现出“不公平采样”，即简并基态被采样的概率是非均匀的。这种偏差源于在退火过程接近结束时残余的驱动哈密顿量，它在简并基态流形内起到了扰动作用。

对于具有基数约束（固定上升自旋数量）的组合优化问题，存在两种主要的实现策略：

基于惩罚项的量子退火（Penalty-Based QA）： 使用标准的横场驱动器，并在问题哈密顿量中添加一个惩罚项，以抑制违反约束的行为。
受限量子退火（Constrained Quantum Annealing, CQA）： 使用一个与约束算符对易的驱动哈密顿量（例如全连接的 XY 驱动器），确保系统在整个演化过程中始终处于可行子空间内。

尽管这些方法在驱动结构和转换机制上有所不同，但目前尚不清楚这些差异如何影响最终的条件基态分布，特别是惩罚法是否能在特定条件下重现 CQA 的采样偏差。

研究方法
作者使用图划分问题（Graph Bipartitioning Problem, GBP）及其平衡约束作为代表性案例研究，来调查这种对应关系。本研究结合了以下手段：

闭系统数值模拟： 利用 Erdős–Rényi 模型生成的随机 GBP 实例，在系统规模 $N = 6, 8, 10, 12$ 下求解薛定谔方程。模拟过程对比了不同惩罚系数 $\mu$ 下的基于惩罚项的 QA 与使用 XY 驱动器的 CQA 在不同退火时间（ $T$ ）下的表现。
简并微扰理论： 在退火过程接近结束时，推导出两种方法的有效哈密顿量，以从解析角度解释观察到的采样行为。
度量指标： 研究通过基态概率、条件分布的均匀性（通过与均匀分布的 Jensen–Shannon 散度衡量）以及两种方法之间的一致性（通过它们各自条件分布之间的 Jensen–Shannon 散度衡量）来进行评估。

核心贡献与结果

两种方法的采样偏差：
- 基于惩罚项的 QA 和 CQA 均表现出对简并基态的非均匀采样。
- 在基于惩罚项的 QA 中，增加惩罚系数通常会减少采样偏差（使分布更趋于均匀），但对于较大的系统，这种偏差无法完全消除。
- 在 CVA 中，尽管确保了可行性，但采样仍然是非均匀的，且偏差随系统规模 $N$ 和退火时间 $T$ 的增加而增大。
分布的对应关系：
- 研究发现，对于足够大的惩罚系数和足够长的退火时间，基于惩罚项的 QA 的条件基态分布会收敛于 CQA 的分布。
- 这种一致性通过两个分布之间的 Jensen–Shannon (JS) 散度进行了量化，该散度随着惩罚项的增加而减小。
微扰解释：
- 作者证明了这种收敛性可以通过有效哈密顿量的结构得到解释。
- CQA： XY 驱动器在第一阶直接作用于可行基态流形内，产生自旋交换相互作用。
- 基于惩罚项的 QA： 横场驱动器并不直接耦合可行基态（第一阶项消失）。然而，在第二阶，向不可行态的虚单自旋翻转产生了有效相互作用。
- 对应关系： 在大惩罚项（ $\mu$ ）的极限下，基于惩罚项的 QA 的二阶有效相互作用与 CQA 的投影 XY 驱动器成比例。具体而言，有效相互作用的缩放比例为 $\Gamma^2_{QA} / (2\mu)$ ，这与 CQA 驱动器在可行流形上的投影形式相匹配。
- 因此，如果投影后的 XY 算符在相关的对称部门内具有唯一的最低本征态，则两种方法会选择相同的基态，从而导致相似的采样偏差。
一致性的缩放规律：
- 数值结果显示，两种方法之间的 JS 散度近似于 $r = 4\mu / \Delta_{max}$ 的平方反比关系，其中 $\Delta_{max}$ 是最优可行态与通过单自旋翻转可达的最接近不可行态之间的最大能量差。
- 这种 $r^{-2}$ 的缩放规律与微扰分析一致，其中有效算符的相对修正项阶数为 $r^{-1}$ ，从而导致 $r^{-2}$ 阶的散度。

意义与主张
本文声称建立了两种不同的约束问题量子退火实现方式之间的理论与数值对应关系。其主要意义在于证明了：

不同的微观机制（带有惩罚项的横场与受限 XY 驱动器）可以在简并流形内产生相同的领先阶有效相互作用。
当惩罚项足够大且退火时间足够长以达到基态时，基于惩罚项的 QA 可以有效地重现 CQA 的采样偏差。
在相同的微扰条件下，这种对应关系扩展到了其他等权重约束（固定磁化强度）的情况。

作者得出结论，这一发现为如何通过量子涨落实现共同的状态选择提供了一个具体的例子。他们指出，这一视角可以为超越简单能量最小化的采样目标（如设计混合器和哈密顿量）提供启发，但同时也指出，将这些结果扩展到门电路算法或有限深度的 QAOA 仍需进一步研究脉冲排序和变分参数。本文并非声称其中任何一种方法实现了均匀采样，而是强调它们共享一种共同的有偏采样机制。

类似论文