On the estimation of linear-optical amplitudes and probabilities with entangled input state

在量子光学这个安静且受控的世界里，科学家们长期以来一直痴迷于一个特定的谜题：当许多被称为光子的单个粒子被送入由镜子和分束器组成的复杂迷宫时，光是如何表现的。这种被称为线性光学干涉仪的装置，是被称为“玻色采样”（boson sampling）的提议的核心，该提议旨在展示量子机器能够完成经典计算机无法完成的任务。其核心思想在于，计算这些光子最终落在迷宫终点位置的确切概率在数学上是极其困难的，以至于即使是最强大的超级计算机也会难以招架。然而，这些机器的实际应用（例如训练人工智能模型或模拟化学反应）很少需要每一个可能结果的精确、原始列表。相反，它们需要对平均行为或某些结果组的似然性进行合理的估计，并达到一定的准确度。对于光子彼此相互独立的简单输入情况，科学家们已经知道如何使用标准经典计算机来估计这些平均值。剩下的重大问题是：如果光子在进入机器之前不是相互独立的，而是处于深度关联或纠缠状态，情况会发生什么变化？

来自法国 Quandela 的一个研究团队现在回答了这个问题，揭示了光子的深度关联并不一定会让经典计算机在执行这些估计任务时变得不可能。他们专注于一种由量子发射器（如原子或微小的半导体量子点）通过逐个产生光子的方式顺序创建的特定类型纠缠光。在这些光源中，发射器保留了一小部分量子记忆，保存着关于它已经发送出的光子的信息，这会影响下一个光子的产生。研究人员表明，只要这种记忆很小——具体来说，如果存储的信息量仅随光子数量呈对数增长——经典计算机仍然可以高效地估计输出概率。他们开发了一种新的数学工具，这个工具就像一个高水平的向导，允许计算机在不需要同时追踪每一个可能性的情况下，模拟这些纠缠光子的行为。该工具的工作原理是将复杂的纠缠态分解为一系列易于处理的步骤，逐一计算每个光子的路径概率，然后将这些步骤结合起来以获得可靠的答案。

这一发现的意义在于它告诉了我们量子优势的界限在哪里。多年来，人们一直希望仅仅使用纠缠光就足以在这些估计任务中超越经典计算机。这篇论文证明了，造成困难的并不是纠缠本身，而是产生这种纠缠所需的记忆大小。如果一个量子源使用的记忆量相对于光子数量保持较小，那么经典计算机仍然可以跟上步伐。研究人员证明了他们的方法是无偏的，这意味着它不会系统性地高估或低估结果，并且误差会随着计算次数的增加而可预测地缩小。他们在各种复杂的量子态（包括纠缠光子的线性链）上测试了他们的方法，并证实只要光源的记忆不增长得太大，计算成本就会保持在可控范围内。

这项工作有效地重新绘制了经典计算机“易”与“难”之间的边界。它表明，对于许多拟议的基于光子量子机器的应用（特别是涉及机器学习的应用），仅仅使用纠缠光并不足以保证量子优势。为了在这些特定的估计任务中真正超越经典方法，量子设备需要利用其记忆量随光子数量线性增长，或者需要采用更复杂的策略，例如实时改变实验过程的自适应测量。研究人员还提供了如何实现其方法的清晰路径，提供了一个软件包，可用于在真实数据上测试这些想法。他们的结果表明，虽然纠缠光是一种强大的资源，但只要量子源的内部记忆不变得过于复杂，经典计算机在估计这些系统行为的竞赛中尚未被击败。

研究人员的方法依赖于对这些顺序光源工作方式的一个巧妙观察。当一个量子发射器产生一串光子流时，整个流的状态可以用矩阵乘积态（matrix-product state）来描述，这是一种能够以紧凑方式捕捉光子间相关性的数学结构。研究人员意识到，这种结构允许他们逐个位置地对实验的可能结果进行采样，而不是试图一次性解决整个问题。他们构建了一种采样方法，通过抽取随机数来模拟光子通过干涉仪的路径，但与以往仅适用于独立光子的方法不同，他们的技术通过利用光源的记忆来引导每一步，从而考虑了纠缠。这使得他们能够计算系统的平均行为，其精度随着数据的收集而提高，并且至关重要的是，每一步计算所需的工作量仅随系统规模呈多项式级增长，而不是呈指数级爆炸。

他们发现中最重要的一点是区分了光的纠缠与光源的记忆。单个量子自旋可以产生长链纠缠光，创造出一种在其他方式下极难描述的高度复杂状态，但研究人员表明，由于该单个自旋的记忆很小，该状态对于经典计算机的估计仍然是容易的。这意味着，在量子物理学中经常被赞誉的多体纠缠，并不一定会自动转化为这些特定任务中的计算难度。只有当光源的记忆增长到足以存储关于整个发射序列的大量信息时，困难才会出现。研究人员计算出，如果记忆限制在以光子数量对数级增长的量子比特数量内，经典模拟仍然是高效的。这个阈值非常重要，因为它意味着许多当前及近未来的量子光源（通常使用少量发射器或短延迟线）将无法在这些估计任务中超越经典计算机。

论文还讨论了这些计算的实际应用方面，展示了如何扩展该方法来估计对其他用途有益的量，例如两个不同量子态之间的重叠，或找到特定输出模式中光子的概率。这些正是用于训练机器学习模型或比较不同量子态所需的计算。研究人员证明了他们的采样器可以高效地处理这些任务，提供了一个通用的工具。他们通过数值模拟验证了理论结果，在各种测试案例上运行算法，并将结果与较小系统的精确计算进行对比。结果完全吻合，证实了他们的方法既准确又可靠。他们还使用了计算机辅助证明系统对其方法进行了形式化证明，确保了其背后数学逻辑的严密性。

在量子计算的宏观背景下，这项工作是对该领域的一次现实检验。它阐明了获得量子优势的路径并非仅仅是生成纠缠光那么简单。相反，它需要对量子系统中可用的资源进行仔细考量，特别是其记忆的大小。对于构建光子量子机器的研究人员来说，信息很明确：要实现估计任务中的计算优势，他们要么必须将光源的记忆增加到超过对数阈值的水平，要么必须寻找超越简单加法估计的使用方法。研究人员并未声称他们的方法解决了所有量子模拟问题，也没有暗示量子计算机在这些任务中永远不会有用。相反，他们提供了一个精确的边界，标示出经典计算机仍能与之竞争的范围，为未来的量子实验提供了明确的目标。

研究结论强调了该领域仍存在的几个开放性问题。虽然他们的方法在每个位置只有少量光子的状态下表现良好，但目前尚不清楚如何处理多个光子占据同一模式的情况，或者如何考虑诸如部分不可区分性或系统损耗等现实世界的缺陷。这些是任何实际量子设备都将面临的现实挑战。研究人员还指出，虽然他们的工作解决了估计概率的问题，但对于是否通过采样这些纠缠态的完整输出分布对经典计算机而言是困难的，这仍然是一个开放的问题。这种区别很重要，因为许多拟议的应用依赖于采样，而不只是估计。研究人员已将其代码和证明向公众开放，允许他人测试其方法并基于其发现进行研究。他们的工作为我们理解线性光学领域内经典计算机与量子计算机的能力及其局限性提供了坚实的贡献。