⚛️ 量子物理

Engineered Learning Problems on Noisy Quantum Processors

本文表明，在具有多达 45 个量子比特的有噪声量子处理器上，经过工程设计的分类问题可以超越经典方法，尤其是在通过误差缓解进行增强的情况下，尽管要超越如矩阵乘积态等最先进的模拟技术仍然是一个重大挑战。

原作者： Esteban Payares, Nadia Milazzo, Ghada Ben Slama, Thomas Cope

发布于 2026-11-02

📖 1 分钟阅读🧠 深度阅读

原作者： Esteban Payares, Nadia Milazzo, Ghada Ben Slama, Thomas Cope

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

在构建能够解决超越当今计算机能力的机器的竞赛中，科学家们正在探索一个物理规则本身即成为处理器的领域。这就是量子机器学习的领域，这一学科试图利用亚原子粒子那些奇异、反直觉的行为来识别模式并做出预测。其核心思想依赖于一个被称为“核”（kernel）的概念，这本质上是一种用于衡量两组数据相似程度的数学工具。在经典计算机中，这种工具通过一种熟悉的方式比较数据点来工作。而在量子计算机中，数据首先被翻译成量子力学的语言，在那里，数据存在于一个对于经典机器而言难以驾驭的复杂高维空间中。人们希望通过这种翻译，量子机器能够发现数据中隐藏的、经典方法根本无法察觉的联系。然而，一个持久的问题一直悬在这一领域之上：这些充满噪声、并不完美的量子设备是否真的能超越最强大的经典超级计算机，还是它们仅仅是在自身的脆弱性重压之下挣扎？

一个研究小组旨在通过设计一个特定的、人工设计的挑战来回答这个问题，在这个挑战中，量子计算机在理论上可以拥有优势。他们并没有尝试解决像预测天气或诊断疾病这样的现实世界问题，因为处理这些任务的经典方法过于强大且已被研究得非常透彻。相反，他们创造了一个定制的谜题。他们采用了一组标准的图像——如 T 恤和连衣裙等衣物照片——并使用量子电路将数据转化为一种新的形式。然后，他们利用这种转换的结果为图像分配标签，从而有效地创造了一个测试，其中“正确”答案是由量子机器自身的独特视角所定义的。其目标是观察量子计算机是否能比试图解决同一个谜题的经典计算机更好地预测这些标签。为了确保结果是真实的，而非特定机器特有缺陷导致的偶然现象，他们在两个不同的量子处理器上运行了实验，一个是具有 54 个量子比特的处理器，另一个是 20 个量子比特的，甚至在同一芯片的不同部分测试了相同的问题，以观察结果在不同噪声剖面下是否依然成立。

研究人员发现，当量子电路保持相对简单时，量子机器确实优于其经典对手。它成功地以高度的准确性预测了标签，而最好的经典模型则难以跟上。这种性能差距在不同的硬件设置中都是清晰且可复现的。然而，随着研究人员使量子电路变得更深、更复杂以处理更多数据时，这种优势开始消退。当前量子硬件中固有的噪声——即随着机器运行而不可避免产生的误差——开始扭曲结果。当电路深度达到特定计算步骤的十步时，量子机器的性能下降到了一个水平，以至于它不再能击败经典模型。量子计算机不再获胜；它也变得像经典计算机一样困惑。

随后，该团队转向了一套被称为“误差缓解”（error mitigation）的技术，这些技术旨在在实验运行后清理噪声数据，有效地减去已知的误差以揭示真实的信号。他们测试了几种方法，包括一种试图推测如果机器没有任何噪声时结果会是什么的方法，以及另一种使用一系列快速脉冲来稳定量子比特的方法。他们发现，并非所有的误差纠正方法都是平等的。一种仅仅根据机器读取方式调整最终数值的方法失败了。另一种试图外推无噪声结果的方法虽然恢复了性能差距，但它只是通过让谜题本身对经典计算机变得更难来达到目的，而不是通过显著提升量子计算机的能力。然而，最有效的方法是一种在过程中主动抑制噪声的方法。这种方法不仅恢复了量子机器的优势，还提高了它解决谜题的能力，使其性能更接近于一台完美的、无噪声的机器。

尽管取得了这些成功，研究人员仍谨慎地澄清了他们的工作并未证明的内容。他们展示了量子硬件可以在特定的、工程化的任务上超越经典机器学习模型，但也表明这种优势并非绝对。当他们使用一种被称为“矩阵乘积态”（matrix product state）的强大经典算法（旨在模拟量子系统）来模拟量子过程时，经典模拟的表现与带有噪声的量子硬件同样出色。这表明目前的量子优势是脆弱的，并且高度依赖于特定问题的类型和噪声的水平。经典模拟之所以能跟上，是因为实验中所使用的量子电路还不够复杂，尚未突破经典计算的限制。研究人员得出结论：虽然他们展示了一条量子机器可以获胜的路径，但要击败最先进的经典模拟方法仍然是一个巨大的障碍。前进之路在于设计出不仅对经典计算机而言难以模拟，而且即便使用目前最先进的算法也无法对其进行模仿的问题。

这项研究为当前的量子计算领域提供了一张现实的地图。它证实了量子机器可以完成经典机器无法完成的任务，但前提是处于精心控制的条件之下，并借助误差纠正技术。它还强调了，在这一领域中，“噪声”往往是决定胜利或失败的关键因素。通过展示不同的误差缓解技术具有截然不同的效果，这项工作为未来的实验提供了路线图，即仅仅运行量子算法是不够的；人们还必须选择正确的工具来清理机器制造出的“混乱”。研究人员并未声称已经解决了量子优势的问题，但他们提供了强有力的证据，证明只要能通过精心挑选的问题来智取那些目前最大的障碍——即经典模拟程序，那么实现量子优势是一个可以实现的目标。

技术摘要：噪声量子处理器上的工程化学习问题

问题陈述
尽管在理论上存在量子优势的预期，但在证明量子硬件在机器学习领域优于经典方法方面仍难以实现。严谨的加速需要容错设备，而目前的噪声中等规模量子（NISQ）方法（如变分量子电路）在经验性能方面面临质疑。此外，大规模研究表明，量子核在处理现实世界数据时往往无法超越“一刀切”式的经典方法。本研究旨在解决如何在当前硬件上建立可衡测的量子与经典模型性能差距的问题。作者并未将量子核应用于工业问题，而是采用了“工程化学习问题”的方法：构建一个专门设计的分类任务，以最大化量子核与特定经典核之间的预测差异。

方法论
本研究在 IQM 超导量子处理器（拥有 54 个量子比特的 Emerald 和拥有 20 个量子比特的 Garnet）上实现了由 Huang 等人 [23] 提出的协议。

量子核构建： 作者利用 投影量子核 (Projected Quantum Kernels, PQK)。数据通过 1D 非均匀 XXX 海森堡哈密顿量的 Trotter 化时间演化编码进量子电路。由于全保真度会遭受指数级浓度效应的影响，作者转而使用局部观测值（单量子比特泡利期望值）来构建核，从而有效地在 $3n$ 维特征空间上创建了一个径向基函数 (RBF) 核。
标签工程： 为了创建一个量子模型在理论上具有优越性的任务，“裁判”标签是通过最大化经典模型（由 RBF 核定义）的复杂度，同时约束量子模型的复杂度为最小值来生成的。这被表述为一个广义特征值问题，旨在最大化量子核与经典核之间的“几何差异” ( $g$ )。
实验设置： 实验在 $n = 15, 30, 45$ 个量子比特以及不同的 Trotter 步数（ $T = 3$ 到 $10$）下进行。为了确保结果不是由于拟合特定设备的噪声而产生的伪影，作者通过在具有不同噪声分布的不同量子处理单元 (QPU) 或同一芯片上的不同量子比特链上运行“挑战者”（预测），测试了可重复性。
误差缓解： 研究评估了几种用于恢复因噪声损失性能的缓解技术：
- 零噪声外推 (Zero Noise Extrapolation, ZNE)： 使用全局幺正折叠和 Richardson 外推法。
- 读取误差缓解 (Readout Error Mitigation, REM)： 通过反转单量子比特读取误差的混淆矩阵。
- 自适应泡利扭转 (Adaptive Pauli Twirling, APT)： 一种利用标准扭转中丢弃信息的全新技术。
经典基准： 性能对比对象包括一系列经典电路无关模型（如 RBF、线性、多项式、MLP、随机森林），以及至关重要的、使用 矩阵乘积态 (Matrix Product States, MPS) 进行经典模拟的量子核。

关键结果

性能差距与噪声： 在 $n=15$ 个量子比特的情况下，量子挑战者最初以显著优势领先于经典基准（例如在 $T=3$ 时准确度差距为 +0.30）。然而，随着电路深度增加（至 $T=10$ ），累积的噪声导致量子核的保真度偏离理想状态，使得性能差距缩小并最终消失（在 $T=10$ 时无显著差距）。对于更大的系统（ $n=30, 45$ ），该差距在所有深度下都持续存在，但缩小的幅度不如 $n=15$ 时那样剧烈。
误差缓解的有效性：
- ZNE： 成功在硬件生成的标签上恢复了性能差距。然而，分析显示这主要是由于“标签效应”——ZNE 改变了由裁判设计的标签，使得任务对经典模型而言变得更难，而不是显著提高了量子挑战者自身的核保真度。
- REM： 被证明基本无效，既未能改变性能差距，也未能提高在理想标签上的准确度。
- APT： 最有效的技术。它直接抑制了残余特征误差，使硬件核显著趋近于理想核（增加了中心化核对齐度）。APT 通过真正改善量子挑战者的预测能力，而非仅仅通过改变任务难度，恢复了性能差距。
经典模拟极限： 使用 MPS 近似（键维 $\chi=128$ ）的经典挑战者在 $n=45, T=10$ 的实验中，达到了与噪声量子硬件挑战者相当的预测准确度。这表明对于所使用的特定嵌入，该问题仍处于最先进经典模拟的覆盖范围内。
泛化与数据缩放： 作者扩展了标签构建方法，允许包含在初始训练集之外的新测试点。虽然这降低了性能差距的幅度，但量子优势依然存在。此外，增加数据集大小 ( $N$ ) 继续提升了性能差距，在测试范围内未观察到最优峰值（ $N \le 600$ ）。

意义与主张
本文声称提供了强有力的证据，证明通过精心设计的工程化问题，实现量子硬件相对于所有经典技术的卓越经验性能是一个可以达到的目标。这项工作证明了：

性能差距可以在不同的量子硬件单元之间建立并复现。
误差缓解技术，特别是自适应泡利扭转，可以通过纠正特征中的偏差（而非仅仅是缩放量级）来恢复这种差距。
在该领域声称“量子优势”的主要障碍不是硬件噪声本身，而是经典模拟器（如 MPS）近似量子核的能力。

作者明确表示，他们并未声称已经实现了严格意义上的量子优势，因为其特定的嵌入方式可以被经典高效模拟。他们总结道，未来的优势展示必须依赖于在经典上难以模拟的嵌入方式，即从当前的 1D 时间演化模型转向更复杂的、能够挑战经典张量网络方法的动力学过程。这项工作强调，对于工程化问题，最强的“经典对手”通常是电路模拟器，而非标准的机器学习模型。

技术摘要：噪声量子处理器上的工程化学习问题

类似论文