⚛️ 量子物理

Scaling Laws for Parameter Setting in Digitized Counterdiabatic QAOA

本文为数字化反绝热 QAOA 中的参数设置提出了经验缩放律，该缩放律能够基于图属性实现直接的、无需优化的角度分配，在模拟中显著优于固定角度 QAOA，并在理想实验和硬件实验中均提高了近似比。

原作者： Yaocheng Chen, Jiapei Zhuang

发布于 2026-11-03

📖 1 分钟阅读🧠 深度阅读

原作者： Yaocheng Chen, Jiapei Zhuang

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

在现代计算的广阔版图中，一些最棘手的挑战在于，如何在天文数字般的可能性中找到那唯一一个最佳排列。无论是规划穿梭于城市中的货运卡车路线、调度工厂机器，还是结算金融交易，这些都属于组合优化问题。几十年来，科学家们一直寄希望于量子计算机——利用亚原子世界的奇特规则进行运算的机器——以比经典计算机更快的速度来解决这些难题。实现这一目标最受期待的工具之一是一种被称为量子近似优化算法（QAOA）的算法。可以将其想象为一种引导式搜索：计算机准备一个量子态，应用一系列由特定数值（称为参数）控制的操作，然后测量结果，以观察其与完美解的接近程度。问题在于，对于每一个新问题，计算机通常需要运行一个漫长且缓慢的过程来确定要使用的最佳数值。这种“调优”步骤消耗了大量的时间和资源，往往抵消了量子机器本应提供的速度优势。

研究人员雅奥程·陈（Yaocheng Chen）和庄嘉培（Jiapei Zhuang）发现了一种方法，可以为一种专门处理加权问题的特定量子算法绕过这一瓶颈，在这种问题中，项目之间的不同连接具有不同的强度。他们发现，该算法控制参数的最佳设置并非随机，也不是每个问题所独有的。相反，这些设置遵循一种基于问题本身两个简单事实的预测模式：项目拥有的平均连接数，以及这些连接的强度。通过在模拟中研究数千种不同的问题设置，该团队建立了一套规则，仅通过观察问题的基本统计数据，即可预测新问题的最优设置。这意味着，量子计算机在接收到一个全新的未解问题时，可以立即获得正确的指令开始搜索，而无需花费时间去摸索这些指令究竟是什么。

该团队专注于一种被称为数字化反绝热（digitized counterdiabatic）QAOA的高级标准算法版本。虽然标准版本使用两种类型的操作来遍历可能的答案，但这个增强版本增加了第三种类型操作，旨在防止系统在演化过程中陷入停滞或出错。这个额外的步骤使算法功能更强大，但也更加复杂，要求在每一层过程中都要对三组数字进行调优。研究人员首先在各种图结构（即连接的数学地图，从简单的环状到复杂的随机网络）上进行了大规模的离线模拟。他们为这数千个图优化了设置，以寻找绝对的最佳性能。

从这如山般的资料中浮现出一种显著的规律性。当研究人员根据连接规模和每个项目的平均连接数进行调整时，所有不同图的最优设置都收缩到了一个紧密的簇中。这就像是每个图的具体细节并不如问题的整体规模那样重要。团队意识到，他们可以用一个简单的公式来描述最佳设置，该公式将平均连接数和链路强度作为输入。这个公式就像一把通用钥匙：一旦你知道了一个新问题的基本统计数据，你就可以将其代入并获得运行量子电路所需的精确数值。其结果是一个“冻结”的处方，一套固定的规则，能够瞬间分配正确的参数，从而完全跳过了冗长的搜索过程。

为了测试这种捷径是否奏效，研究人员在 1,050 个从未见过的测试图上进行了模拟。他们将这种基于公式的方法与一种使用统一固定数值的标准方法进行了对比。在每种情况下，无论是只有一层操作的浅层电路，还是拥有四层操作的深层电路，基于公式的方法所得到的采样最优解的平均概率都高于标准的固定方法。在四层深度时，新方法的平均最优解概率达到了 19.36%，而标准固定方法为 13.11%。这种优势在不同类型的网络和不同的连接强度分配方式下均保持不变。研究人员甚至在真实的量子处理器 IBM ibm_fez 上，使用小型均匀网络测试了该方法。尽管真实硬件中的噪声使深层水平的结果变得复杂，但基于公式的方法在最浅层级仍显示出明显的优势，证明了从模拟中推导出的规则可以转化为物理机器。

研究还探讨了这些预先计算的设置是否可以作为进一步精细化的良好起点。在一次单独的实验中，研究人员采用了公式提供的设置，并将其用于在少量图上启动标准的优化搜索。他们发现，使用公式提供的数值作为初始值，比从随机猜测开始能更快地达到更好的解。事实上，基于公式的起始点所获得的平均解质量，甚至超过了随机搜索尝试 500 次后能达到的水平。这表明，该公式不仅是替代了搜索，它还提供了一个高质量的发射台，使得任何随后的微调都更加有效。

然而，研究人员也谨慎地指出其方法可能失灵的地方。这些规则是从具有中等连接数的图中推导出来的，当他们在具有极少连接数的图上测试该公式时，性能有所下降，尤其是在更深的电路中。这表明，虽然缩放定律非常强大，但它们也有极限，不应盲目应用于每一种可能的网络类型。此外，对比是逐层进行的，这意味着增强版算法在每一步中使用了更多的物理操作。研究人员承认，一个更公平的比较需要考虑总的操作次数，这是一个有待未来研究的问题。

最终，这项工作证明，通过理解它们所解决问题的简单几何结构，可以驯服复杂量子算法的行为。通过认识到最佳设置取决于网络的规模而非其具体细节，研究人员将一个困难的、针对每个实例进行调优的问题，变成了一个直接的计算问题。这种转变让量子计算机能够把宝贵的时间花在解决问题上，而不是学习如何解决问题，使量子优化的前景离实际应用又近了一步。研究结果表明，对于广泛的组合优化问题，通往最佳答案的路径并非一个每次都要从头开始破解的谜团，而是一个可以直接从问题自身结构中读取的模式。

技术摘要：数字化反绝热 QAOA 中参数设置的标度律

问题陈述
变分量子算法（VQAs），例如量子近似优化算法（QAOA），通常需要为每个新的问题实例优化变分参数。这一过程涉及对量子目标函数的重复评估，形成了一个显著的瓶颈，限制了此类算法在不同图结构之间的实际复用。尽管数字化反绝热 QAOA（DC-QAOA）通过引入反绝热驱动项，在固定电路深度下提供了比标准 QAOA 更高的解质量，但它也引入了额外的参数（反绝热角 $\alpha_l$ ），进一步复杂化了优化景观。作者旨在解决如何在不进行目标实例变分优化的情况下，将优化后的参数迁移到不同的加权 MaxCut 实例中的挑战。

方法论
作者提出了一种基于经验标度律的“冻结处方”（frozen prescription），用于设定 DC-QAOA 参数，该标度律源自广泛的离线优化。该方法包含三个主要组成部分：

电路定义： 研究使用了一个用于加权 MaxCut 的 $p$ 层 DC-QAOA 电路。每一层 $l$ 由一个代价幺正算符（ $e^{-i\gamma_l H_C}$ ）、一个反绝热幺正算符（ $e^{-i\alpha_l H_{CD}}$ ）和一个混合幺正算符（ $e^{-i\beta_l H_B}$ ）组成。反绝热项 $H_{CD}$ 由代价哈密顿量与混合哈密顿量的对易子构建而成，通过 $Y_iZ_j$ 和 $Z_iY_j$ 项的有序门乘积来实现。
标度律与参数分配： 核心贡献是一个基于公式的分配规则，该规则仅利用经典图统计量——平均度 $D(G)$ $D (G)$ 和均方根（RMS）边权重 $s_J(G)$ $s_{J} (G)$ 来确定角度 $\gamma_l, \beta_l, \alpha_l$ $γ_{l}, β_{l}, α_{l}$ 。
- 权重标度： 该处方在均匀边权重重缩放下保持精确协变。角度与 RMS 权重成反比（ $1/s_J$ ）进行缩放。
- 度标度： 作者根据离线优化数据，对代价角（ $\gamma$ ）和反绝热角（ $\alpha$ ）拟合了经验幂律。这些角度遵循以下形式：
  $\theta_l(G) = A_{l,p} \frac{s_J(G)}{(D(G)/D_0)^{b_{l,p}}}$
  其中 $A_{l,p}$ 和 $b_{l,p}$ 是从训练数据中拟合出的与深度及层相关的系数， $D_0$ 是参考度。
- 混合角： 混合角 $\beta_l$ 保留为离线方案中的固定值，不进行缩放。
训练与验证： 系数是通过对各种图族（正则图、Erdős–Rényi 图、树、二部图等）和权重分布下的 7,000 个离线优化 DC-QAOA 向量进行的。最终得到的“冻结”系数被应用于一个包含 1,050 个图（跨越 10–22 个量子比特）的互斥测试集，且无需对目标实例进行任何进一步优化。

核心贡献

参数标度律： 作者将均匀边权重重缩放下的精确协变性与针对代价角和反绝热角的经验性、深度特定度幂律相结合。
紧凑的冻结处方： 他们证明了在去除权重和度缩放后，来自不同图的优化角度会聚集在共同的振幅周围。这使得能够建立一个紧凑的系数表，仅通过该图的平均度和 RMS 权重即可分配所有三类角度（ $\gamma, \beta, \alpha$ ），从而消除了对目标实例进行变分优化的需求。
全面评估： 研究通过理想电路模拟、硬件执行以及基于能量的精细化实验，将这种直接分配策略与固定角度 QAOA 对照组以及变分优化基准进行了对比。

结果

理想电路模拟： 在深度 $p=1$ 到 $4 $的 1,050 个测试图上，冻结幂律 DC-QAOA 处方在每个深度下都实现了比经过验证选择的固定角度 QAOA 更高的平均最优解概率。在$ p=4 $时，DC-QAOA 的平均概率为 19.36%，而 QAOA 为 13.11%。这种优势在$ p=6$ 的 600 个图子集上持续存在并有所增加（36.81% vs. 26.69%）。
硬件执行： 在使用 21 个单位权重 3-正则图的 IBM 量子处理器 ibm_fez 上，幂律 DC-QAOA 在 $p=1$ 时显示出平均概率优势（1.61% vs. 0.76%）。然而，在 $p=2$ 时，顺序发生了反转（1.25% vs. 1.61%），作者将其归因于 DC-QAOA 层中更高的双比特门计数加剧了硬件噪声。
优化成本与精细化： 在基于能量的实验中，通过公式分配的角度在没有任何目标实例目标函数评估的情况下，实现了 0.8921 的平均近似比。这在 500 次评估的预算内，优于随机启动的变分优化（L-BFGS-B, COBYLA, Adam），后者的最佳随机启动比例仍低于 0.71。此外，将公式角度作为局部精细化的初始化，以极小的额外计算成本将平均近似比提升至 0.9010。
局限性： 优势随图结构和权重分布的变化而变化。虽然平均而言是正向的，但特定的实例（例如高深度的二部图）表现出了损失。此外，由于标度律是在平均度 $D > 1$ 的图上拟合的，在更高深度下，低度图（ $D \le 1$ ）表现出了负向性能差异。

意义与主张
论文声称，基于标度的优化角度表示法可以有效地引导不同图实例之间的参数复用。其主要意义在于实现了直接参数分配，无需在目标实例上进行变分优化的计算开销，同时仍能为局部精细化提供高质量的初始角度。作者将此定位为使 DC-QAOA 更具可扩展性和可复用性的务实步骤。他们也审慎地指出，研究结果特定于所测试的图族和深度，且在匹配门预算（而非匹配层数）以及更广泛的硬件配置上的表现仍需进一步评估。这项工作并不声称解决了所有量子算法的通用参数迁移问题，而是为针对加权 MaxCut 的 DC-QAOA 提供了一个具体的、经过经验验证的处方。

类似论文