🔬 物理学

Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection

本文介绍了 BW-QAMOO，这是一种查询高效的量子多目标优化方法，它利用多目标贝叶斯优化来自适应地选择 QAOA 的目标权重，与非自适应的随机或均匀采样策略相比，显著减少了追踪帕累托前沿所需的昂贵求解器调用次数。

原作者： Onur Boyar, Seiji Takeda, Akihiro Kosugi, Indra Priyadarsini S, Lisa Hamada, Sina Klampt

发布于 2026-11-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Onur Boyar, Seiji Takeda, Akihiro Kosugi, Indra Priyadarsini S, Lisa Hamada, Sina Klampt

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

设计新材料很少是寻找单一完美解的过程。相反，它是一个不断平衡相互竞争的需求的过程。一种金属合金可能既需要足够坚固以支撑桥梁，又要足够轻盈以用于飞机，还要足够便宜以便大规模生产。通常，使材料变得更强会使其变得更重或更昂贵。科学家称之为多目标问题，其目标不是寻找一个赢家，而是绘制出所有可能折衷方案的完整图景。这种图景被称为帕累托前沿（Pareto front），即一组在改进一项品质时必然会导致另一项品质恶化的设计集合。为了寻找这些设计，研究人员经常转向量子计算机，因为量子计算机非常擅长解决涉及许多相互作用部分的复杂谜题。然而，目前的量子机器价格昂贵且容易出错，使得每一次计算都是一种昂贵的资源消耗。因此，挑战不仅在于使用量子计算机，还在于如何明智地使用它，通过提出正确的问题，从每一次有限的尝试中获得最大的价值。

IBM 研究院的一个研究小组开发了一种新方法来解决这一效率问题。他们专注于一种称为“量子近似多目标优化”（Quantum Approximate Multi-Objective Optimization）的技术，该技术试图通过解决一系列简化问题来追踪材料折衷的图景。在这种方法中，不同材料属性之间的复杂权衡被一组权重合并为一个单一的分数。随后，量子计算机针对该特定分数求解最佳的材料配置。该方法的原始版本是随机选择这些权重，本质上是在不从以往结果中学习的情况下，盲目猜测下一步该测试哪些组合。研究人员意识到这是一种浪费策略，特别是随着竞争属性数量的增加。他们将这个问题重新定义为一个学习任务，创建了一个像智能向导一样的系统。该系统不再是靠猜，而是构建了一张关于已见结果的心理地图，并利用这张地图来预测下一个最有价值的测试点。

这个被称为 BW-QAMOO 的新方法使用了一种被称为高斯过程（Gaussian process）的统计工具来充当代理模型。可以将其想象为一个高度受过教育的“猜测”，用于填补量子计算机已提供的观测数据点之间的空白。在每一步中，系统都会计算哪种未测试的权重组合最有可能揭示出一种尚未发现的新型价值材料设计。它平衡了两种本能：探索设计空间中未知的领域，以及利用已识别出的有前景的区域。这一过程由一个名为“期望超体积改进”（expected hypervolume improvement）的指标引导，它本质上是在问：“如果我们测试这个特定的组合，我们对整个图景的理解会增加多少？”通过根据这种计算而非随机机会来选择下一次测试，该系统避免了在不太可能产生新见解的组合上浪费时间。

为了测试他们的想法，研究人员模拟了一个涉及受挫合金（frustrated alloy）原子构型的场景，这类材料中的原子难以稳定在某种模式中。他们设置了包含三个和四个竞争能量目标（代表材料需要满足的不同物理属性）的实验。他们将这种新的智能选择方法与原始的随机方法以及第三种采用固定网格测试权重的刚性方法进行了对比实验。结果显示，智能方法具有明显优势。在模拟中，新方法在使用显著减少的量子计算次数的情况下，达到了对材料图景相同的理解水平。平均而言，它比随机方法少用了约三分之一的尝试次数，即可找到 90% 的可能最佳设计。与刚性网格方法相比，节省的成本更为显著，新方法所需的计算次数减少了高达四分之三。

研究表明，这种智能选择带来的收益会随着问题的复杂化而增长。当只有少数几个属性需要平衡时，随机猜测可能会碰巧成功。但随着竞争目标数量的增加，可能性的空间会迅速扩张，随机猜测会变得越来越低效。研究人员发现，随着他们加入更多的目标，这种自适应方法变得更加有效。这表明，对于现实世界材料科学中典型的多维度、复杂问题，引导式方法远优于盲目式方法。这项工作是使用模拟量子计算机完成的，这意味着结果是一个概念验证，而非在实际硬件上的演示。研究人员承认，真实的量子机器会引入噪声和延迟，从而影响性能，但使用经典智能来指导量子资源的这一核心逻辑仍然是成立的。

这项研究指向了一个未来：量子计算机不再孤立使用，而是被包裹在管理其资源的经典人工智能之中。量子求解器扮演着一个强大但昂贵的“神谕”角色，回答特定的问题，而经典学习系统则决定哪些问题值得提问。这种伙伴关系使科学家能够在无需等待完美、无误差机器出现之前，就能充分利用近期的量子技术。团队指出，下一步工作包括在真实的量子硬件上测试此方法，并将其应用于具有复杂原子相互作用的实际材料，而非简化的模型。他们还计划探索这种方法如何处理单种合金中超过两种类型的原子，这是先进高熵合金的一个共同特征。通过优化这些机器的使用方式，研究人员相信他们可以加速发现更强、更轻、更高效的新材料，从而将量子计算的理论力量转化为实际的科学进步。

技术摘要：通过贝叶斯权重选择实现面向材料配置搜索的高效查询量子多目标优化

1. 问题陈述

材料设计本质上是一个多目标优化问题，需要识别能够平衡竞争目标（如相稳定性、成本、密度和化学无序度）的配置。这些组合配置问题自然地映射到伊辛模型（Ising models）上，使其成为类似量子近似优化算法（QAOA）等量子优化器的理想目标。

然而，将量子求解器应用于此类问题存在显著瓶颈：

成本： 每次 QAOA 运行都是一项昂贵的操作，涉及迭代式经典参数搜索、重复的电路采样以及潜在的云端 QPU 排队延迟。
现有方法的低效性： 现有的方法，特别是量子近似多目标优化（QAMOO），通过将多个目标标量化为单个伊辛代价函数 $E_w(\sigma) = \sum w_k E_k(\sigma)$ 来追踪帕累托前沿（Pareto front），其中 $w$ 为权重向量。QAMOO 以非自适应的方式（通过随机采样或均匀网格搜索）选择这些权重向量。这种“盲目”的选择浪费了有限的量子查询预算，特别是在目标数量 ( $m$ ) 增加且权重单纯形（weight simplex）维度升高时。

核心问题在于：如何通过自适应地选择权重向量，而不是随机选择，从而以显著减少的量子查询次数达到目标帕累托前沿质量。

2. 方法论：BW-QAMOO

作者提出了 BW-QAMOO（贝叶斯加权 QAMOO），该方法将权重选择重新构建为一个多目标贝叶斯优化（BO）问题。量子求解器被视为一个昂贵的黑盒算子，而经典代理模型则决定下一个应当查询的权重。

核心组件

标量化： 将 $m$ 个竞争能量 $E_k(\sigma)$ 合并为一个单一的伊辛代价函数 $E_w(\sigma) = \sum w_k E_k(\sigma)$ ，其中 $w$ 位于概率单纯形上（ $w_k \ge 0, \sum w_k = 1$ ）。
代理模型： 维护一个针对“权重-目标”映射的高斯过程（GP）。对于每个目标，使用一个独立的 GP 回归器（采用各向异性长度尺度的 Matérn-5/2 核函数）来预测未查询权重的目标向量，从而提供后验均值 $\mu(w)$ 和方差 $\sigma(w)$ 。
采集函数： 下一个权重 $w_{t+1}$ $w_{t + 1}$ 的选择旨在最大化期望超体积改进（EHVI）。
- 为了避免在选择过程中进行昂贵的查询，该方法使用目标向量的乐观估计值： $\hat{\sigma}(w) = \mu(w) - \kappa \sigma(w)$ （其中 $\kappa=1.5$ ，且目标是最小化）。
- 采集分数是该乐观点能为当前帕累托集 $P_t$ 增加的超体积改进量： $a(w) = HV(P_t \cup \{\hat{\sigma}(w)\}) - HV(P_t)$ 。
- 这种公式平衡了探索（高不确定性/方差）与利用（高预测增益）。
连续优化： 不同于基于网格的方法，BW-QAMOO 通过在每一步从狄利克雷分布（Dirichlet distribution）中抽取密集的候选池，在连续单纯形上优化采集函数。

3. 实验设置

基准测试： 一个合成的受挫合金配置问题，具有 $n \in \{10, 11, 12\}$ $n \in {10, 11, 12}$ 个晶格位点和 $m \in \{3, 4\}$ $m \in {3, 4}$ 个竞争能量。
- $E_1$ 是一个随机符号耦合的伊辛模型。
- $E_{2 \dots m}$ 是具有固定不同耦合矩阵的“混合能量”目标。
- 使用随机耦合是为了确保精确的帕累托前沿是可枚举的，以便进行准确评分。
求解器： 在基于射数的态矢量模拟器（Qiskit Aer）上执行的真实门控 QAOA 电路。
比较对象：
1. QAMOO (均匀网格)： 标准的非自适应基准，在粒度为 6 的单纯形网格上行走。
2. QAMOO (随机)： 标准 QAMOO 方法，使用独立同分布（i.i.d.）的狄利克雷采样。
3. BW-QAMOO： 提出的自适应方法。
指标： “达到目标所需的运行次数”，定义为达到精确帕累托超体积的 90% 和 95% 所需的标量化 QAOA 求解次数。

4. 关键结果

研究表明，自适应权重选择显著降低了近似帕累托前沿所需的查询预算。

效率提升： 在所有测试配置（ $m=3, 4$ 以及 $n=10, 11, 12$ ）中，BW-QAMOO 达到 90/95% 超体积目标所需的标量化求解次数比 QAMOO（随机）中位数减少了 33%。
与网格对比： 与均匀网格基准相比，节省效果更为显著，在 $m=4$ 时减少了 60–74% 的求解次数。
可扩展性： BW-QAMO 的优势随目标数量 ( $m$ ) 的增加而增长。随着权重单纯形从 2D ( $m=3$ ) 扩展到 3D ( $m=4$ )，随机采样变得越来越低效，而自适应方法则将查询集中在有前景的区域。
统计显著性： 配对 Wilcoxon 检验确认了这些节省具有统计学意义（在大多数情况下 $p < 10^{-3}$ ）。
可靠性： BW-QAMOO 比随机基准表现出更紧密的标准误差带，这表明其在不同问题实例上的性能更加一致。

5. 意义与主张

本文将这项工作定位为一项查询效率结果，而非纯粹的量子优势展示。作者认为，材料科学中量子优化的现实“近期胜利”不在于在原始速度上超越经典求解器，而在于通过包裹一层聪明的经典 AI，使昂贵且带有噪声的量子求解器变得可用。

核心主张：

方法论转变： 成熟的经典多目标 BO 技术（特别是 EHVI 和 GP）可以在不修改量子子程序的情况下，显著提高近期待用量子优化器的效用。
自适应 vs. 盲目： 盲目采样权重是一个显著的瓶颈，且随目标数量增加而扩展性变差；自适应选择是实现量子多目标优化规模化的必要步骤。
范围： 研究结果源自基于合成基准的模拟 QAOA 环境。作者明确指出，下一步的关键步骤是在实际量子硬件上部署，以解决门噪声、读取错误和排队延迟问题。

论文最后概述了开放性挑战，包括：更大系统所需的代理参考点、针对非凸前沿的非线性标量化，以及如何从基于第一性原理的拟合簇相互作用过渡到随机耦合，以弥合与真实世界材料设计工作流之间的差距。