⚛️ 量子物理

Equilibrium Learning of Quantum Circuits

本文提出了一种通过将参数化电路嵌入费曼-基塔耶夫（Feynman-Kitaev）哈密顿量，从而定义基于平衡态的代价函数的量子线路学习新框架，该框架能够重塑优化景观，并实现比标准保真度度量更高效的通过量子相位估计进行的编译。

原作者： Frank Barrows, Touheed Atif, Yiğit Subaşı, Tyler Volkoff

发布于 2026-10-28

📖 1 分钟阅读🧠 深度阅读

原作者： Frank Barrows, Touheed Atif, Yiğit Subaşı, Tyler Volkoff

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

在经典计算的世界中，流经导线和电阻网络的电流提供了一种熟悉的方式，让我们能够思考系统如何趋于稳定状态。当你向这类网络的一侧施加电压时，电流会持续流动，直到系统中的每一点都达到平衡——一种能量最小化的平衡态（即平衡态）。工程师们早已知晓，如果调整导线的特性，就可以训练这种物理系统，使其针对特定的输入产生特定的输出，这本质上是通过让硬件本身通过“松弛”进入正确的形态来学习解决问题。这种利用物理松弛进行学习的思想最近在量子物理领域得到了探索，但直到现在，将其应用于最常见的量子计算机类型仍然存在困难，因为这类量子计算机是通过串联一系列离散的逻辑门来运行，而非通过演化一个连续的物理场。

洛斯阿拉莫斯国家实验室的研究人员现在找到了一种将这种“平衡学习”概念引入基于门（gate-based）的量子电路的方法。他们的工作提出了一种新方法，用于教导量子计算机执行特定任务，例如将一种量子态转换为另一种量子态，或模拟特定的逻辑操作。不同于标准方法（即计算计算机距离目标的差距，然后手动调整设置以减少该误差），研究人员设计了一个系统，让量子计算机在物理上被鼓励趋向于一个代表正确答案的状态。他们通过将量子门的序列嵌入到一个特殊的能量景观（energy landscape）中实现了这一点，类似于球沿着山坡滚动以寻找最低点。在这个景观中，“最低点”对应于电路完美地执行所需操作的状态。

研究人员创建了两种设置这种能量景观的不同方式。在第一种方法中，他们在电路的最末端添加了一个约束，它像一个夹具一样，轻轻地将最终输出拉向目标结果。在第二种方法中，他们将电路的开头和结尾连接成一个环路，创造了一个循环条件，迫使系统在时间维度上寻找一条一致的路径。这两种方法都定义了一个代价函数（cost function），它本质上是系统能量的一种度量。能量越低，电路执行任务的准确度就越高。至关重要的一点是，研究人员表明，这些基于能量的度量不仅仅是常规误差计算的简单镜像；它们重塑了优化问题的地形。这种重塑可以使通往解决方案的路径变得更加平滑和快速，帮助计算机避免陷入局部死胡同（即计算机认为自己找到了一个不错的答案，但实际上并未达到最优解的情况）。

为了测试这个想法在实践中是否可行，团队在涉及仅两个量子比特（量子信息的逻辑基本单位）的小型量子系统上进行了模拟。他们将这种新的基于平衡的训练方法与该领域使用的标准技术进行了对比。结果显示，对于他们尝试的许多任务，新方法在更少的步数（或称“扫描次数”）内达到了极高的准确度。在某些情况下，新方法所需的调整次数显著少于传统方法。研究人员还证明，可以使用现有的量子算法以合理的计算资源估算能量水平和解的质量，这表明该方法不仅是一个理论上的奇思妙想，而且是可以在真实硬件上实现的。

这项工作并不声称解决了量子计算编程的所有难题，也不承诺这些方法在所有可能的场景下都会更快。模拟是在理想的、无噪声的环境中进行的，这是现实世界量子设备尚未完全实现的理想情况。然而，研究结果提供了强有力的概念验证。通过展示量子学习问题可以被编码为平衡属性的计算，研究人员为训练量子电路开辟了一条新途径。这种方法利用了物理系统趋向于稳定状态的自然倾向，为如何高效地教导量子机器执行复杂任务提供了全新的视角。这项研究表明，通过从平衡物理学的角度来看待量子编译，我们或许能够更有效地应对复杂的量子优化景观，从而为未来更稳健、更快速的量子计算机编程提供可能。

技术摘要：量子电路的平衡学习

问题陈述
量子编译旨在使用受架构约束的参数化量子电路 $U(\theta)$ 来逼近目标幺正变换 $V$ 。这通常被表述为一个最小化编译保真度 $\epsilon$ 的全局优化问题。然而，标准的变分方法往往受到贫瘠高原（barren plateaus）和困难优化地形的影响。虽然“平衡学习”已成功应用于经典电阻网络和模拟量子系统（通过平衡传播），但将该框架应用于基于门（gate-based）的量子电路编译仍是一个悬而未决的问题。挑战在于如何将基于门的编译问题转化为平衡观测量的语言，使得系统的物理弛豫到稳态的过程能够提供必要的梯度信息用于训练。

方法论
作者通过将参数化电路嵌入到一个费曼-凯塔（Feynman-Kitaev, FK）哈密顿量中，将平衡学习原理扩展到了基于门的量子电路。这种构造将一系列门映射到一个作用在复合希尔伯特空间（包含一个时钟寄存器和一个系统寄存器）上的局部哈密顿量上。

哈密顿量构造：
- 自由哈密顿量 ( $H_{free}$ )： 定义为 $H_{in} + H_{prop}$ ，其中 $H_{prop}$ 惩罚连续电路步骤之间的不一致性（类似于电阻网络中的电压降），而 $H_{in}$ 强制执行输入边界条件。 $H_{free}$ 唯一的基态是“历史态” $|\Psi_{free}\rangle$ ，它编码了整个电路的演化过程。
- 钳制哈密顿量 ( $H_{clamped}$ )： 为了强制执行一个目标，添加了一个输出项 $H_{out}$ ，该项惩罚最终时钟状态与目标态 $|\psi_f\rangle$ （或目标幺正变换 $V$ ）之间的差异。这类似于“钳制”电阻网络的输出电压。
- 循环哈密顿量 ( $H_{cyclic}$ )： 或者，通过引入 $H_{periodic}$ 施加循环边界条件，从而创建一个连接最终和初始时钟态的“扭转”，使得如果电路实现了目标幺正变换，则历史态即为该哈密顿量的基态。
代价函数：
作者定义了两类源自这些哈密顿量平衡属性的代价函数：
- 能量代价 ( $E_{clamped}, E_{cyclic}$ )： 分别是钳制哈密顿量和循环哈密顿量的基态能量。
- 重叠代价 ( $C_{clamped}, C_{cyclic}$ )： 修改后的哈密顿量的基态与自由历史态 $|\Psi_{free}\rangle$ 之间的重叠度（1 减去平方重叠度）的逆，即保真度缺失。
优化动力学：
训练通过最小化这些代价函数进行。梯度使用海尔曼-费曼定理（Hellmann-Feynman theorem）计算能量代价（需要基态准备），或使用有限差分法计算重叠代价。更新规则遵循平衡传播范式： $\dot{\theta} \propto -\partial_\theta E$ 。

核心贡献与理论结果
本文确立了这些平衡代价函数的严谨数学特性：

忠实性与非线性： 作者证明了能量代价和重叠代价都是编译保真度缺失 $\epsilon$ 的忠实且严格递增函数。至关重要的是，它们是 $\epsilon$ 的非线性函数。这种非线性重塑了优化地形，改变了曲率和梯度量级，与标准的保真度缺失最小化相比。
梯度对齐： 定理 1 和 2 表明，平衡代价的梯度通常与保真度缺失的梯度对齐。值得注意的是，对于特定的耦合强度（ $J_{out} < J_{in}$ ），在钳制重叠代价情况下，梯度在高度保真度缺失的区域可能会变得与保真度缺失梯度反向，从而有助于逃离局部极小值。
谱隙与资源效率： 文中推导了谱隙随电路深度呈反平方比例缩放的关系（ $\Delta = \Theta(T^{-2})$ ）。此外，证明了修改后哈密顿量的基态与自由历史态之间的平方重叠度被下界限制为一个与 $T$ 无关的常数。这确保了可以通过量子相位估计（QPE）准备相关的基态并估计代价函数，且仅需多项式量子资源。
解析表达式： 推导出了基态能量和重叠度关于 $\epsilon$ 和电路深度 $T$ 的显式闭合形式表达式，从而刻画了优化地形的确切形状。

结果
作者在两个量子比特任务上，使用无噪声态矢量模拟，将平衡方法与标准的量子辅助量子编译（QAQC）进行了基准测试：

随机生成器恒等编译： 对于许多实例，平衡方法在更少的中间扫掠次数（median sweeps）内达到了保真度阈值（ $F \ge 0.99$ ），某些实例甚至减少了数十个扫掠次数。
固定算符编译（CNOT 与 Identity）： 平衡代价表现出竞争性或更优的收敛速度，特别是在 CNOT 编译中，其减少的中间扫掠次数为负值。
解释： 扫掠次数的减少归功于在高度保真度缺失附近对目标函数条件的改善，而非单次扫掠中总量子资源的减少（因为准备平衡态的要求可能导致单次扫的是更高的资源消耗）。

意义与主张
本文声称展示了将量子学习问题编码为平衡观测量计算的潜力。通过将编译任务映射到哈密顿量基态问题，作者提供了一类新的代价函数，这些函数具有以下特点：

对编译误差是忠实的。
可以使用量子资源高效地（多项式时间内）估计。
提供了不同的优化地形，与直接的保真度缺失最小化相比，可以加速收敛（以优化扫掠次数衡量）。

作者明确指出，他们并未尝试进行完整的资源分析（门/查询复杂度），观察到的扫掠次数减少应被理解为优化性能（可训练性）的提升，而非端到端的量子资源优势，因为每个扫掠中准备平衡态的成本尚未得到优化。这项工作是一个概念验证，证明了平衡学习原理可以成功地从模拟系统扩展到基于门的量子编译。

类似论文