⚛️ 量子物理

Hardware Demonstration of Neural-Surrogated Quantum-Enhanced MCMC for Large-Scale Constrained Boltzmann Sampling

本文展示了一种在 IBM Quantum Heron r2 处理器上实现的硬件高效型神经代理量子增强 MCMC 方案，证明了在具有多达 1,064 个二元变量的大规模约束玻尔兹曼采样中，自相关衰减得到了显著加速。

原作者： Yuya Kawamata, Keisuke Fujii

发布于 2026-11-05

📖 1 分钟阅读🧠 深度阅读

原作者： Yuya Kawamata, Keisuke Fujii

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

在现代计算的广袤版图中，一个持久的挑战在于如何在无数选项中寻找最佳排列。想象一下试图组织一座巨大的图书馆，每本书都必须放在特定的书架上，但放置规则如此复杂，以至于检查每一种可能性所需的时间将比宇宙的年龄还要长。这就是优化领域，科学家和工程师在这里寻求最高效的解决方案，其应用范围涵盖了从物流到药物设计的各个领域。几十年来，标准方法一直依赖经典计算机逐步探索这些可能性，但往往会陷入低效的局部谷底。然而，随着量子计算机的出现，一个新的前沿已经显现，这些机器利用奇特的物理定律以经典机器无法实现的方式处理信息。虽然今天的量子设备仍具有噪声且规模有限，但研究人员正在学习如何将其独特的优势与强大的经典算法相结合，以解决以前无法触及的问题。

一支研究团队现在展示了一种弥合这一差距的实用方法，即使用小型量子处理器来帮助经典计算机解决大规模采样问题。其目标是从复杂的概率分布中生成随机样本，这是一项对于理解系统在特定约束下如何运行至关重要的任务。为此，他们采用了称为马尔可夫链蒙特卡罗（Markov chain Monte Carlo）的技术，这种方法通过构建一系列随机步骤来探索可能性的景观。创新的关键在于他们如何引导这些步骤。他们没有让计算机盲目游走，而是利用量子计算机为序列中的下一步生成高质量的“提议”。随后，这些提议被提炼到一个神经网络中，这是一种能够学习量子样本模式的人工智能。这种混合系统允许研究人员同时更新大组变量，从而比传统方法更快地穿梭于解空间。

该团队在 IBM Quantum Heron r2 处理器上测试了这种方法，这是一个包含 156 个超导量子比特的设备。他们从一个由 144 个二进制变量组成的系统开始，这些变量可以被视为处于“开”或“关”状态的开关。挑战在于找到满足特定约束的开关排列方式：即“开”状态开关的总数必须保持不变。研究人员将这个大问题分解成若干个较小的、相互重叠的部分。对于其中一个代表性部分，他们调整量子计算机以生成最优样本。令人瞩目的是，他们发现用于这一个部分的设置对于所有其他部分也都适用，尽管这些部分本身是不同的。这种“参数转移”意味着他们不需要为每一个子问题都重新调整量子机器，这是使该过程在现有硬件上高效运行的关键步骤。

结果表明，这种方法显著加速了对解空间的探索。当研究人员使用基于量子生成样本训练的神经网络来引导经典计算机时，系统的“遗忘”起始点并达到真实随机状态的能力得到了显著提升。具体而言，系统对其过去记忆的衰减速度比使用标准全局方法快约 5 倍，比使用局部方法快 12 倍以上。即使当研究人员将问题规模扩大到包含 1,064 个变量的系统时，这种加速效应依然成立，而这个规模已远超量子处理器的容量。通过保持量子子问题规模较小并重复使用学习到的设置，他们成功演示了在规模比量子设备直接处理能力大 7 倍多的系统上，实现了具有更快自相关衰减率的受限玻尔兹曼采样。

然而，这项研究也揭示了未来增长必须解决的重要局限性。随着研究人员增加尝试用量子计算机解决的子问题规模，性能并未无限提升，反而开始下降。神经网络难以学习这些较大区块所需的复杂模式，导致提议被拒绝的比例上升。这表明，虽然量子计算机可以提供强大的助力，但经典神经网络必须能够准确模拟量子行为，而随着子问题复杂度的增加，这种模仿变得愈发困难。研究人员发现，仅仅扩大量子子问题的规模并不会自动带来更好的结果；在量子优势最大化与学习模式的难度压倒系统之间，存在着一个“甜点区”（sweet spot）。

这项工作的意义在于展示了一条可扩展的前行路径。它证明了我们不需要一台庞大的、具备纠错能力的量子计算机就能获得优势。相反，通过使用小型量子设备为少数代表性问题生成高质量样本，并将该知识转移到更大的系统中，我们可以演示涉及数千个变量的问题的高效采样。研究证实，量子优势不仅是一个理论上的可能性，更是一个可以扩展到大规模系统的可衡量的现实。尽管在改进大型区块的学习过程方面仍面临挑战，但核心结论非常明确：一种混合方法——即让小型量子处理器作为大型经典系统的专门引擎——可以为复杂的受限玻尔兹曼采样带来实质性的加速。这为利用当今并不完美的量子机器来应对目前仅靠经典计算机难以处理的现实世界优化挑战，打开了一扇实用的门。

技术摘要：用于大规模受限玻尔兹曼采样的神经代理量子增强型 MCMC 的硬件演示

问题陈述
本文解决了在当前的含噪声中规模量子（NISQ）设备上，对大规模受限系统（特别是具有固定汉明重量的二进制变量系统）进行玻尔兹曼采样的挑战。虽然量子增强马尔可夫链蒙特卡洛（QeMCMC）通过使用量子生成的提议（proposals）为加速采样提供了一条路径，但将这种方法扩展到拥有数千个变量的系统受到了阻碍，其原因在于在“分而治之”策略中，为每个子问题优化量子近似优化算法（QAOA）参数的成本极高。对众多子问题进行独立优化需要过多的量子电路执行次数，使得在大规模硬件上的实现变得不切实际。

方法论
作者提出了一种神经代理 QeMCMC 的硬件高效实现方案，通过两种主要机制降低了量子资源开销：

线性渐进式 QAOA 与参数转移： 作者没有为每个子问题优化全套变分参数，而是采用了线性渐进式 QAOA 拟设（ansatz），将参数空间缩减为仅有的四个独立变量 ( $\gamma_0, \Delta\gamma, \beta_0, \Delta\beta$ )。他们在单个代表性子问题上优化这四个参数，并将其转移到所有其他子问题中。该策略利用了 QAOA 参数在具有相似图拓扑结构和优化景观的题目实例之间的可迁移性，从而消除了在量子处理器上重复进行参数优化的需求。
基于神经代理的“分而治之”策略： 大系统被划分为重叠的区块（子问题）。对于每个区块，使用转移后的参数生成 QAOA 样本。这些样本随后被提炼到**条件掩码自编码器（Masked Autoencoders for Distribution Estimation, MADEs）**中。这些神经网络学习给定区块汉明重量条件下，该区块变量的条件概率分布。
MCMC 执行： 在马尔可夫链蒙特卡洛过程中，选择一个区块，并由相应的条件 MADE 提出一个新的配置。根据全系统能量函数，基于 Metropolis–Hastings 判据接受或拒绝该提议，从而确保链收敛到目标受限玻尔兹曼分布。

核心贡献

硬件高效的可扩展性： 本研究展示了一种将 QeMCMC 扩展到 $N > 1000$ 个变量的方法，通过大幅减少参数优化所需的量子电路执行次数（从 $M$ 次优化减少到仅需一次）。
硬件验证： 该方法在 IBM Quantum Heron r2 处理器（156 个量子比特）上进行了实现与测试，超越了纯粹的经典模拟。
对区块大小的经验分析： 论文提供了关于神经代理 QeMCMC 的性能如何随真实硬件上的区块大小变化的实验数据，识别出区块大小与混合速度之间存在非单调关系，这与之前的经典模拟结果有所不同。

实验结果
研究包含两个主要的实验阶段：

$N = 144$ 系统（区块大小缩放）：
- 实验在一个包含 144 个二进制变量、且子问题规模 $b \in \{2, 12, 30, 49, 82, 144\}$ 不同的系统中进行。
- 参数转移有效性： 转移后的 QAOA 参数成功地在不同区块规模下生成了比均匀采样更低有效温度的样本，验证了参数的可迁移性假设。
- 混合性能： 对于合适的子问题规模（例如 $b=49$ ），神经代理提议相比于全局和局部 Kawasaki 动力学，实现了更快的自相关衰减率。
- 局限性： 与此前认为性能随区块增大而持续提升的经典模拟不同，硬件实验显示，对于较大的区块（ $b > 49$ ），混合性能会出现恶化。这归因于**约束泄漏（constraint leakage）**的增加，即条件 MADE 无法生成满足所需区块汉明重量的提议，导致拒绝率上升。
$N = 1064$ 系统（大规模演示）：
- 该方法被扩展到一个由 $3 \times 3$ 个 $N=144$ 拓扑组成的 1064 个二进制变量系统中。
- 利用在第一个实验中确定的最优区块规模（ $b=49$ ）并转移相同的优化参数，作者展示了在该更大规模系统上的受限玻尔兹曼采样。
- 性能增益： 该方法每步 MCMC 的自相关衰减率比全局 Kawasaki 动力学快约 5.2 倍，比局部 Kawasaki 动力学快约 12.3 倍。
- 这些改进与 $N=144$ 系统中观察到的情况相当，表明只要量子子问题规模保持固定，即使总系统规模超过一千个变量，加速效果依然能够维持。

意义与主张
论文声称，这项工作证明了通过神经代理使用固定规模量子子问题来加速大规模系统（ $N > 1000$ ）采样的可行性。其重要意义在于证明了：

通过利用参数转移，可以使“分而治之”的方法在真实的 NISQ 硬件上变得实用，避免了为每个子问题进行独立优化的沉重代价。
即使存在硬件噪声和转移参数，量子生成的样本仍能提供非局部更新，从而显著加速 MCMC 的混合速度，优于经典基准。
虽然该方法行之有效，但无限扩大区块规模并非万灵药；研究强调，神经代理的学习质量（特别是满足硬约束如汉明重量的能力）是限制更大规模子问题性能的关键因素。

作者总结道，尽管目前的实现显示出了实质性的加速，但未来仍需进一步研究，以厘清训练数据覆盖范围、模型容量以及训练优化对约束泄漏的影响，从而进一步提升该方法的扩展性。

类似论文