Data informed Ansatz Selection for Variational Quantum Circuits

在量子机器学习这一新兴领域，研究人员正试图教机器利用量子物理学的奇特规律来学习模式。这些机器不再使用当今计算机中常见的硅芯片，而是使用量子比特（qubits），量子比特可以同时存在于多种状态之中。为了让这些机器具备学习能力，科学家们设计了由量子门组成的特殊电路，用于处理信息。这些电路并非固定不变，而是被称为“拟设”（ansätze）的灵活模板，其间布满了可以通过旋转来改变机器行为的旋钮和拨盘。其目标是找到这些旋钮的最佳设置，使机器能够准确地对数据进行分类，例如区分不同类型的图像或信号。然而，寻找合适的电路设计一直是一场猜测游戏。传统上，研究人员必须构建许多不同版本的电路，运行并反复训练它们，以观察哪一个效果最好。这种试错过程极其昂oly且缓慢，在产生任何有用的结果之前，就会消耗大量的计算能力。

来自印度理工学院马德拉斯分校和新加坡科技设计大学的研究团队提出了一种结束这场猜测游戏的方法。他们发现了三条简单的规则，使科学家仅凭数据本身，无需进行任何训练环节，就能为特定任务设计出特定的量子电路架构。他们的方法将设计过程视为一种诊断检查，而非盲目搜索。通过仔细观察想要分类的数据结构，他们可以确定究竟需要多少层量子门、哪些量子比特需要相互连接，以及如何读取最终答案。这种方法消除了目前该领域占据主导地位的大规模、暴力搜索的需求，取而代之的是一条通往高效解决方案的清晰、逻辑路径。

第一条规则解决了一个基本问题：电路是否需要将量子比特连接在一起？在量子计算中，“纠缠”（entanglement）是一种强大的连接，其中一个量子比特的状态会瞬间影响另一个。虽然纠缠通常被视为实现量子优势的关键，但它也难以创建和维持。研究人员发现，对于许多任务而言，纠缠其实并非必要。他们开发了一种测试方法，通过观察数据中隐藏的数学模式来进行判断。如果数据的模式可以由简单的、独立的组成部分来描述，该测试将显示无需纠缠的电路便已足够。如果模式过于复杂且交织在一起，该测试则能识别出哪些量子比特需要被链接。这一诊断步骤发生在任何训练开始之前，从而避免了研究人员构建过于复杂或过于简单而无法胜任工作的昂贵电路。

第二条规则解决了深度问题，即电路应该有多少层量子门。过去，人们认为增加层数会让电路变得更聪明，但增加过多层会导致机器失去学习能力，这种现象被称为“贫瘠高原”（barren plateau）。研究人员发现了一条精确的数学定律，规定了电路何时停止获得新的独立运动方向。他们发现，随着每一层的增加，电路能够改变的独立方式会稳步增长，但仅受限于由所选量子门类型决定的特定极限。一旦电路达到这个极限，规则预测增加更多层将不再产生新的方向；然而，实验表明，更深的电路仍能提升性能，这可能是因为过参数化（overparameterization）简化了优化过程。通过根据所选的特定量子门计算这一极限，研究人员可以规定一个能达到最大能力的深度，尽管他们也指出，进一步增加深度在实践中可能仍有收益。

第三条规则涉及机器如何读取其自身的结果。在量子电路处理数据后，必须对其进行测量以产生最终答案。最常见的做法是仅检查每个量子比特的一个属性，但研究人员指出这是一种严重的瓶颈。这就像试图通过只看几颗零星的像素来理解一幅复杂的画作。他们证明，通过在单次测量中测量特定属性在所有量子比特上的所有可能组合，电路可以揭示其状态中隐藏的一半信息。这是单个测量设置所能提取的信息量上限。虽然这种全面的读取方法在理论上对于解析状态方向是最优的，但在针对特定数据集的消融测试中，研究人员发现放弃这些额外的测量反而不会改变平均准确率，这表明对于该特定目标而言，简单的读取方式与复杂的读取方式具有同等水平的可利用信息量。

为了证明其规则的有效性，该团队将其应用于一个名为 Madelon 的挑战性数据集，该数据集包含数千个具有许多混淆特征的数据点。利用这三条规则，他们在没有任何试错的情况下设计了一个特定的电路架构。规则指示设计为七个由三个量子比特组成的微型模块，运行三层，并读取所有可能的组合结果。这一设计产生了一个拥有 239 个可调参数的分类器，实现了 78.5% 的测试准确率。为了确认其设计选择是否正确，他们进行了实验，在实验中故意破坏了自己的规则。他们测试了更浅的电路、更小的模块以及不使用全面读取方法的电路。在浅层电路和较小模块的情况下，性能出现了下降，证实了他们的规则已正确识别了这些约束条件下的最优设计。然而，与最初认为电路已达到极限的预测相反，他们发现仅仅增加超过规定深度的层数实际上提高了准确率，这验证了虽然规则基于独立方向确定了架构，但更深的电路确实能从过参数化中获益。

这项工作代表了量子机器学习研究方式的一次重大转变。研究人员不再依赖于昂贵的自动化搜索来“大海捞针”，而是现在可以利用数据本身来“绘制地图”。研究结果表明，对于许多学习任务而言，最好的电路并不一定是复杂度最高的那个，而是与数据结构完美匹配的那一个。通过在训练开始前固定设计选择，这种方法使得量子算法的开发变得更快、更便宜且更可靠。虽然这些规则目前适用于理想的无噪声条件，但它们为构建下一代量子学习工具奠定了坚实的基础，将一场混沌的搜索转变为一门精确的科学。