⚛️ 量子物理

Hidden selection rules and amplitude ceilings in quantum Fourier models

本文识别了预训练结构约束，包括消除特定频率和限制系数幅度上限的振幅天花板的时间反演与反射选择规则，这些约束共同决定了具有泡利数据编码的量子傅里叶模型的表达能力与预测性能。

原作者： Pavel Sulimov, Claude Lehmann

发布于 2026-11-03

📖 1 分钟阅读🧠 深度阅读

原作者： Pavel Sulimov, Claude Lehmann

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

在构建能够从数据中学习的机器的过程中，科学家们正转向量子物理学的奇妙法则。这项努力的核心是量子电路，它们本质上是操纵存储在被称为量子比特（qubits）的粒子中的信息的微型开关网络。为了让这些机器能够胜任诸如识别模式或预测趋势之类的任务，研究人员必须教会它们以非线性方式处理信息，这意味着输出并不简单地与输入成正比。这种非线性是学习的引擎，但在量子世界中，它是一种脆弱的存在。电路旨在计算复杂的波形模式，而它们的学习能力完全取决于它们能够生成的特定模式。多年来，该领域一直基于这样一个假设：如果一个电路足够复杂且训练时间足够长，它最终可以学习几乎任何模式。然而，一项新的研究表明，这种希望往往是错位的，这并非因为缺乏训练能力，而是因为内置于电路设计本身的隐形墙壁。

来自苏黎世应用科学大学的研究员帕维尔·苏利莫夫（Pvel Sulimov）和克劳德·莱曼（Claude Lehmann）发现，许多量子电路在根本上受到隐藏规则的限制，这些规则阻止它们表达某些模式，无论经过多少训练都无法实现。这些限制并非由困扰当前量子计算机的噪声或误差引起，也不是由于训练策略不佳造成的。相反，它们是结构性特征，就像建筑物的固定几何形状决定了哪些房间可以相互连接一样。该团队发现了两种特定类型的这类结构性障碍。第一种充当严格的过滤器，完全抹除了电路输出中的某些频率，使它们变得无法学习。第二种充当天花板，限制了电路所能产生的模式强度，确保即使某个模式被允许存在，它的强度也会弱到在学习中毫无用处。

为了理解这些障碍是如何工作的，可以将量子电路想象成一台机器：它接收一个数字，通过一系列门进行扭转，然后产生一个类似波形的输出。研究人员发现，对于许多常见的电路设计，存在一种隐藏的对称性，迫使输出以特定方式运行。如果电路具有某种特定的连接排列，它就会遵循类似于时间反演对称性的规则。这条规则规定，如果你移动输入的数字一个特定量，输出必须改变其符号。这种数学约束迫使机器忽略整个系列的模式。例如，在一种用于量子机器学习主要基准测试的特定设计中，这条规则意味着该电路只能学习奇数模式，而在物理上无法学习偶数模式。研究人员开发了一种快速的基于计算机的方法，在开始任何训练之前检查这些规则。他们测试了数千种标准电路设计，发现这种时间反演规则存在于近 18% 的设计中，这实际上在进行任何计算之前，就让很大一部分电路的潜力变得毫无用处。

第二种障碍是振幅天花板，它限制了模式的响度或强度。当电路使用单层量子比特来编码数据时，它能产生的最高频模式的强度会随着量子比特数量的增加而呈指数级下降。仅使用 8 个量子比特时，最强的可能的高频模式是如此微弱，以至于它对数据集变化的解释程度不足 2%。这并不是因为电路太浅；即使通过多次重新编码数据来增加电路深度，这些高频的强度仍会被第一层的宽度所限制。研究人员证明，无论系统中的噪声或误差如何，这一天花板都成立。这是模型表达能力的硬性限制，意味着无论多少训练都无法将电路推过这面墙去学习强信号的高频信号。

为了验证这些发现，该团队从理论转向现实世界，在 IBM 提供的实际量子处理器上进行了实验。他们在从几个量子比特到 65 个量子比特链不等的一系列设备上测试了电路。在每种情况下，隐藏规则都保持不变。当他们设计了一个理应无法产生某些模式的电路时，机器对于这些模式只产生了背景噪声，证实了理论预测。他们还展示了可以通过向电路添加一个简单的门来刻意打破这些规则，这会立即让被禁止的模式出现。此外，他们还表明机器中的噪声有时会模拟打破这些规则的行为，但通过仔细分析数据，他们可以区分出真正的结构性违规与机器因放松进入较低能量状态而导致的临时故障。

这些发现对量子机器学习领域具有深远意义。研究表明，一个量子模型的学习能力不仅取决于是否有足够的数据或强大的计算机，首先是一个关于架构的问题。在模型进行训练之前，其潜力已经由其结构决定了。研究人员通过在运行任何训练之前冻结他们关于电路能学到什么的预测，对此进行了测试。在现实世界的数据集上，这些预训练的预测非常准确，通常在极小的误差范围内与训练后的模型性能相匹配。在结构规则阻止模型学习的情况下，再多的训练也无法修复。相反，当他们识别出一个结构缺陷并应用简单的修复方案时，模型的性能得到了显著提升，完全符合预期。

这项工作将焦点从单纯训练量子模型转向理解其基本极限。它揭示了量子机器学习基准测试中看到的许多失败，并非源于缺乏优化或数据，而是因为模型试图学习的模式被其物理设计所禁止表达。研究人员提供了一套工具包，用于及早识别这些限制，从而让科学家能够设计出真正能够胜任所分配任务的电路。通过识别这些隐藏的选择规则和振幅天花板，该领域可以从试错法转向对量子计算机能做什么、不能做什么的更具原则性的理解。研究结论指出，实现有用量子机器学习的路径不在于使电路变得更深或更复杂，而在于确保其结构与它所要学习的模式保持一致。

技术摘要：量子傅里叶模型中的隐藏选择定则与振幅天花板

问题陈述
利用泡利数据编码（Pauli data encodings）的量子模型计算三角多项式 $f(x) = \sum c_\omega e^{i\omega x}$ 。虽然已知频谱范围（可能频率的集合）由编码生成器的特征值差决定，但仍存在一个关键空白：即如何精确确定特定电路架构实际能够触及哪些傅里叶系数。以往的工作仅对最大频率进行了界定，或计算了特定电路类（如 Clifford 加旋转电路）的精确谱，但缺乏一个通用的框架来预测任意带有辅助比特、噪声和输出平均测量电路的精确零点（禁选频率）和精确振幅天花板（最大可实现权重）。这种不确定性增加了评估量子机器学习（QML）基准测试的难度，因为失败可能是由于结构性的不可能，而非优化能力的缺陷。

方法论
作者提出了一个预训练分析框架，通过两种主要工具计算量子电路的结构约束：

基于对称性的选择定则：
- 时间反演定则： 作者识别了一种反幺正对称性（涉及时间反演 $YK$ ），如果该对称性存在，则会强制输出函数满足 $f(x+\pi) = s f(x)$ （其中 $s = \pm 1$ ）。该条件消除了所有满足 $(-1)^\omega \neq s$ 的频率 $\omega$ 。
- 反射定则： 一种涉及 $X$ 型框架的幺正对称性可以强制执行 $f(\pi-x) = -f(x)$ ，从而使常数项 $c_0$ 为零并固定系数之间的相位关系。
- 判定程序： 对于门级电路，这些对称性的存在性被简化为在 $GF(2)$ 域上求解线性方程组。这使得即使对于拥有数千个门和量子比特的电路，也能在多项式时间内确定是否存在此类定则。
振幅天花板：
- 单次上传界限： 对于 $m$ 个量子比特仅进行一次编码（单次上传）的模型，作者推导出了第 $k$ 个傅里叶系数幅值的紧确上界 $c^*(m, k)$ 。该界限取决于对称子空间的维度，并通过一个 $(m+1)$ 维特征值问题进行计算。至关重要的是，最高阶系数被限制在 $2^{-m}$ ，无论后续通道、噪声或测量如何。
- 重上传界限： 对于具有 $L$ 层重上传的模型，作者推导出了频谱边缘附近系数的与深度无关的界限 $T(m, d)$ 。该界限表明，高频分量相对于第一层上传的宽度呈指数级微小，且与总电路深度无关。

核心贡献

预训练可预测性： 本文证明了结构约束（禁选频率和振幅天花板）可以在训练前计算得出。这使基准测试转变为对结构预测能力的测试，而不仅仅是优化性能的测试。
多项式时间验证： 开发了一个 $GF(2)$ 框架检查器，用于快速验证大规模电路中的选择定则（在 51 毫秒内测试了高达 1,025 个量子比特和 31,744 个门的电路）。
硬件验证： 作者在 IBM Heron 处理器（高达 65 个量子比特）上验证了这些理论界限。他们证明了在对称电路中，“禁选”谐波保持在散粒噪声水平，而“破规则”噪声（例如非幺正弛豫）可以被识别，甚至可以通过设计（如使用空闲时间、回声或框架翻转）进行开启或关闭。
基准测试分析： 通过应用这些工具于 QNLEP（量子非线性表达力）基准测试，作者表明标准拟设（ansätze）的每一次失败要么是结构上不可能实现的（由于选择定则），要么是被振幅天花板所限制。

结果

选择定则： 在对 6,120 个电路配置的普查中，时间反演定则在 17.6% 的案例中成立。在硬件上，对称 65 量子比特链中的禁选谐波被抑制至 $2.1 \times 10^{-4}$ 和 $2.3 \times 10^{-4}$ ，与散粒噪声水平一致，而没有对称性的控制电路则显示出显著更高的功率。
振幅天花板： 推导出的天花板准确预测了拟合特定频率时的最大可实现 $R^2$ 。例如，对于 8 个单次上传量子比特， $k=8$ 的分量被限制在 $R^2 \leq 0.016$ ，无论预算多少，训练都无法超越此极限。
真实数据性能预测： 通过在训练前冻结结构边界（支撑集和天花板），作者预测了训练模型在六个真实数据集上的测试 $R^2$ 误差在 0.026 以内。一种“单门修复”（添加单个 $R_Z$ 门以打破对称性）被预测能提高在特定数据集（如“circles”和“moons”）上的性能，并正确预测其对其他数据集（如“iris”）没有影响，两者之间的 Spearman 相关系数为 0.83。
噪声作为见证： 选择定则充当了噪声见证器。非协变噪声（如振幅阻尼）被证明会恢复禁选频率，而协变操作（回声、Pauli 缠绕）则保留了该定则。

意义与主张
本文声称，“量子非线性的来源”经常被误解；辅助比特、测量和噪声并不会改变（函数）的类别（三角多项式），但会严格限制哪些频率是可访问的以及它们能承载多少权重。

结构决定论： 作者断言，“结构决定了什么可以被拟合以及最高能达到什么程度”，而训练仅决定模型如何接近这些结构极限。
基准测试效用： 这些发现表明，基准测试应包含一个“零阶段”，在此阶段报告结构边界，以区分优化失败与根本的表达力限制。
硬件认证： 选择定则提供了一种在任何规模下为硬件原生电路提供“认证零点”的方法，并可通过观察它们如何影响禁选谐波来诊断特定的噪声机制（例如，区分弛豫与相干相位误差）。

作者对研究范围保持谦逊，指出这些规则是针对 $RY/RX$ 编码的单次上传和特定框架类而言已证实的，并且虽然天花板对于所有通道都是紧确的，但它们代表的是上包络线，除非结构是限制因素，否则并非对训练后精确性能的精确预测。

技术摘要：量子傅里叶模型中的隐藏选择定则与振幅天花板

类似论文