⚛️ 量子物理

Equilibrium propagation in non-equilibrium quantum systems

本文通过推导利用量子细致平衡对称性的新型非平衡易受性关系，将平衡传播训练算法扩展到了驱动耗散多体量子系统，从而实现了无需重复基态弛豫的高效学习。

原作者： Aditya Gandotra, David D. Noachtar, Aashish A. Clerk

发布于 2026-10-27

📖 1 分钟阅读🧠 深度阅读

原作者： Aditya Gandotra, David D. Noachtar, Aashish A. Clerk

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

在物理学习（physical learning）这一新兴领域中，科学家们正在探索如何利用物理定律本身作为计算引擎来让机器进行学习。这些系统不再是在硅芯片上运行软件，而是利用原子、光或电路的自然行为来处理信息。其目标是通过调整内部设置，教导一个物理对象执行特定任务，例如识别模式或解决问题。这个过程通常依赖于一种被称为“梯度下降”的方法，即系统通过进行微小的参数调整来减少误差，就像一名在浓雾中摸索着下山的徒步者，试图寻找最低的谷底。为了高效实现这一点，系统需要一种可靠的方法来计算某个设置的微小变化如何影响最终结果。在物理学的常规世界中，事物会趋于平静、稳定的状态，那里存在一种被称为“平衡传播”（equilibrium propagation）的强大捷径，能使这种计算变得极其迅速。然而，从历史上看，这种捷径要求系统处于完美的热平衡状态，而这一条件在复杂的量子系统中极难维持，尤其是当这些系统正受到环境的积极驱动和冷却时。

芝加哥大学的研究人员现在找到了一种绕过这一限制的方法，证明了即使在量子系统远离平衡态时，这种高效的学习方法仍然可以奏效。他们的工作聚焦于“驱动-耗散系统”（driven-dissipative systems），这类量子对象在不断受到外部力量推动的同时，也在不断向周围环境损失能量。在这种系统中，物体永远不会进入安静、静态的状态；相反，它会根据受到的推动强度，流动进入一种稳态节奏。传统上，科学家认为这种高效的学习捷径无法应用于此类系统，因为这些流动状态并不具备引导它们的简单能量图谱。然而，研究团队证明，这些系统行为中存在一种特定的隐藏对称性，使得该捷径能够完美运作。他们证明了对于某些类型的量子系统，即使没有传统的能量景观，因果关系依然保持着可预测且对称的特性。

为了验证这一想法，研究人员模拟了两种截然不同的量子机器。第一种是微型磁体（或称自旋）网络，它们在受到外部场驱动并损失能量的同时相互作用。第二种是光粒子（或称玻色子）网格，它们通过另一种力量进行驱动并发生相互作用。在这两种情况下，他们都设定了一个“教师-学生”场景。其中的“教师”是一个拥有已知设置并能产生特定复杂输出的系统；而“学生”是一个内部设置最初为随机值的相同系统。目标是训练“学生”去模仿“教师”的行为。研究人员使用这种新的平衡传播方法来调整“学生”的设置，并将其与旧的、更繁琐的方法（即每次计算都需要从头开始重置系统）进行了对比。

结果显示，新方法在准确性方面与旧方法同样出色，但在效率上却显著更高。在模拟中，为了达到相同的学习水平，新方法所需的准备系统进入稳态的尝试次数远少于旧方法。这是一个至关重要的优势，因为准备这些复杂的量子态往往是整个过程中最耗时且最困难的部分。研究人员发现，这种效率增益非常可观，其缩放方式表明，该方法可以处理比此前认为的可能性更大的、更庞大且更复杂的系统。他们还观察到，虽然“学生”系统最终学会了产生正确的输出，但其最终沉淀下来的内部设置并不总是与“教师”完全一致。这表明系统找到了实现相同结果的不同内部路径，这是学习过程中常见的一种现象，即可能存在多个解。

成功的关键在于发现了这些非平衡系统拥有一种“隐藏对称性”，这是一种数学属性，确保了系统对变化的响应保持一致且具有特定的可逆性。这种对称性充当了缺失的能量图谱在这些活跃系统中的替代品。通过利用这一特性，研究人员可以推导出一条规则，使系统无需了解机器的完整能量状态即可计算出必要的调整。这一发现为使用更广泛的物理系统执行学习任务打开了大门，包括那些本质上是活跃动态而非静态平静的系统。它表明，物理学习的潜力并不局限于那些可以被冷却到完美静止状态的系统，而是延伸到了驱动量子物质那丰富且流动的世界。

该研究并未声称已经解决了量子学习中的所有挑战，也没有在实际硬件上演示这些系统。研究结果源于能够高精度模拟这些系统行为的精确数值模拟。研究人员指出，虽然他们的特定模型运行完美，但关于这些系统的“表达能力”（即它们能学习多复杂的任务）这一更广泛的问题，仍是一个有待未来调查的开放领域。他们还指出，许多现实世界的系统可能只具备近似的而非完美的这种对称性。在这种情况下，学习方法可能仍然有效，尽管寻找最佳解的过程可能会更长。这种可能性意味着，该方法可能具有足够的鲁棒性，能够应对现实实验环境中的不完美情况。

最终，这项工作为训练物理机器提供了一份全新的蓝图。它表明，系统必须处于热平衡态这一严格要求并不是高效学习的硬性障碍。通过识别允许在驱动-耗散系统中进行学习的特定对称性，研究人员扩大了构建物理计算机的工具箱。无需不断重置系统即可高效训练这些系统，这一能力使“自我学习量子设备”的愿景离现实更近了一步。研究结果表明，物理学习的未来可能不在于强迫量子系统进入静止状态，而在于利用它们自然的、活跃的动力学特性来执行复杂的任务。

技术摘要：非平衡量子系统中的平衡传播（Equilibrium Propagation）

问题陈述
平衡传播（Equilibrium Propagation, EP）是一种强大的物理学习算法，它通过利用能量或自由能函数的存在，高效地提取梯度。虽然 EP 已成功应用于经典系统和平衡量子系统（其状态为基态或热态），但对于量子应用而言存在一个显著的瓶颈：EP 要求系统在每次参数更新后都重新平衡到基态。为多体哈密顿量准备基态通常是 QMA-难的，且高效的准备过程往往局限于特定机制（例如高温度或一维系统）。这种对重复准备基态的依赖，为大规模量子学习带来了严重的扩展性挑战。

作者探讨了是否可以将 EP 扩展到驱动-耗散量子系统（driven-dissipative quantum systems），这类系统能够自然地弛豫到参数依赖的非平衡稳态（NESS），而无需外部冷却机制。直接将 EP 应用于此类系统会失败，因为这些非平衡态缺乏明确定义的自由能，且 EP 所需的标准易感性对称性（susceptibility symmetries）无法得到保证。

方法论与理论框架
本文提出将 EP 扩展到由马尔可夫型林德布拉德（Markovian Lindblad）主方程控制的开放量子系统。核心方法论依赖于识别一类满足**隐式时间反演对称性（Hidden Time-Reversal Symmetry, hTRS）**的特定非平衡系统，即一种量子细致平衡（quantum detailed balance）形式。

隐式时间反演对称性 (hTRS)： 作者利用了有效非厄米哈密顿量与跳跃算符满足涉及反线性算符 $\hat{\Psi}$ 的特定约束这一条件。虽然 hTRS 允许产生远离热吉布斯态（Gibbs states）的 NESS，但它对系统动力学施加了严格的约束。
易感性对称性： 核心理论洞察在于，hTRS 将平凡的规范协变性（涉及驱动相位下的幺正变换关系）提升为非平凡的关系，从而连接了具有不同驱动幅度和相位的稳态。这导致了 NESS 中静态易感性对称性的推导。具体而言，作者证明了对于某些观测量，观测量 $i$ 对驱动 $j$ 的响应等于观测量 $j$ 对驱动 $i$ 的响应（ $\partial \langle \hat{O}_i \rangle / \partial \theta_j = \partial \langle \hat{O}_j \rangle / \partial \theta_i$ ），即使在不存在自由能的情况下也是如此。
EP 训练协议： 作者改编了标准的两阶段 EP 协议：
- 自由阶段（Free Phase）： 系统弛豫到由当前参数定义的 NESS $\hat{\rho}_0$ 。
- 扰动阶段（Nudged Phase）： 通过根据误差向量（ $\vec{\theta}' \to \vec{\theta}' + \beta \vec{\epsilon}$ ）移动输出位点上的驱动来扰动系统，系统随后弛豫到新的 NESS $\hat{\rho}_\beta$ 。
- 梯度估计： 利用推导出的易感性对称性来确保正确性，通过计算扰动态与自由态之间的期望值差异来计算梯度。

核心贡献与模型
作者在两个具有实验相关性的多体模型中推导了这些结果，证明了 hTRS 能够实现精确的易感性对称性：

耗散横场伊辛模型 (DTFIM)： 一个由 $N$ 个拉比驱动（Rabi-driven）比特组成的系统，具有全连接伊辛相互作用和局部弛豫。作者表明，对于驱动振幅 $\Omega_j$ ，稳态相干性 $\langle \hat{\sigma}_j^y \rangle$ 满足所需的对称性 $\partial \langle \hat{\sigma}_i^y \rangle / \partial \Omega_j = \partial \langle \hat{\sigma}_j^y \rangle / \partial \Omega_i$ 。值得注意的是，观测量 $\hat{\sigma}^y$ 并不出现在哈密顿量中，这突显了该对称性的非平衡特性。
参数驱动玻色子晶格： 一个包含双光子驱动和克尔（Kerr）非线性的相互作用玻色模式系统。作者确立了对于实值驱动振幅 $M_{ij}$ ，稳态对关联 $\langle \hat{Y}_{ij} \rangle$ （其中 $\hat{Y}_{ij} \propto i(\hat{a}_i \hat{a}_j - \hat{a}_i^\dagger \hat{a}_j^\dagger)$ ）满足广义易感性对称性。该模型具有空间结构和无界局部希尔伯特空间，比 DTFIM 具有更高的复杂度。

结果
作者使用“教师-学生”学习设置（监督学习，其中学生系统学习教师系统的输入-输出映射），将所提 EP 方法与标准**参数偏移法（parameter-shift method）**进行了基准测试。

DTFIM 模拟： 对于 $N=11$ 的自旋系统，EP 收敛到了与参数偏移法相同的目标输入-输出关系。然而，EP 所需的状态准备次数显著减少。作者报告，在每次梯度更新所需的不同稳态准备次数方面，EP 的加速因子约为 $2M_{train}/3 \approx 6.67$ 。
玻色子晶格模拟： 对于 $N=4$ 模式系统，EP 同样优于参数偏移法，显示出 6 倍的加速因子。玻色子模型表现出非单调、复杂的输入-输出关系，暗示其相比 DTFIM 具有更高的表达能力。
效率： 在两种情况下，EP 都将状态准备的缩放从随参数数量线性变化（参数偏移法的要求）降低到了每个梯度更新仅需常数个状态（通常为 2 或 3 个状态），且与可训练参数的数量无关。

意义与主张
论文声称为非平衡量子系统的物理学习建立了一条可行路径，避免了重复准备基态的高昂代价。

理论突破： 这项工作证明了平衡传播中的“平衡”并不严格要求热平衡或自由能。相反，它需要特定的静态易感性对称性，而这种对称性可以通过驱动-耗散系统中的 hTRS 来保证。
可扩展性： 通过利用开放量子系统的自然弛豫动力学，所提方法规避了准备基态的 QMA-难问题，为多体量子系统提供了一种可扩展的训练算法。
范围： 作者明确指出，他们的重点是可训练性（trainability）（即梯度下降算法的效率）而非表达能力（expressivity）（即系统学习复杂函数的能力）。虽然结果表明具有 hTRS 的非平衡系统可能拥有丰富的表达能力，但对其进行系统性研究仍有待未来工作。
通用性： 作者指出，虽然他们在两个特定模型中演示了这一点，但该方法也可应用于其他已知具有 hTRS 的系统，如耗散自旋链和相互作用费米子模型。他们还建议，具有近似 hTRS 的系统也可以被利用，从而可能扩大可用物理系统的类别。

技术摘要：非平衡量子系统中的平衡传播（Equilibrium Propagation）

类似论文