⚛️ 量子物理

Delta-Corrected Shot Reduction for Bypassing Optimization Plateaus in Variational Quantum Eigensolvers

本文介绍了 Delta 校正采样缩减（Delta-Corrected Shot Reduction, DCSR），这是一种利用高阶统计矩来校正有限样本偏差的数学严谨的采样分配策略，旨在稳定 VQE 优化、绕过噪声诱导的贫瘠高原，并在降低测量成本的同时加速收敛。

原作者： Jamie Evander Ghozaly, Pekik Nurwantoro, Gagus Ketut Sunnardianto, Yanoar P. Sarwono, Leong-Chuan Kwek

发布于 2026-11-10

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Jamie Evander Ghozaly, Pekik Nurwantoro, Gagus Ketut Sunnardianto, Yanoar P. Sarwono, Leong-Chuan Kwek

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

在探索物质构建块的过程中，科学家们正转向一种基于量子力学奇特规则运行的新型计算机。这些机器目前仍处于早期且充满噪声的发展阶段，但它们有望以经典计算机无法比拟的速度和精度来模拟复杂的分子。完成这项任务最重要的工具之一是一种被称为变分量子特征值求解器（variational quantum eigensolver）的方法。可以将这种方法想象成量子处理器与经典计算机之间的协作努力。量子处理器准备物质的状态并对其进行测量，而经典计算机则分析结果，并建议如何调整量子设置以获得更好的答案。他们重复这个循环，希望能找到分子能量最低的状态，从而揭示其最稳定的形态。然而，这一过程面临着一个巨大的障碍：为了获得清晰的能量图像，量子计算机必须被要求执行成千上上万次、甚至数百万次的相同测量。这种重复是必要的，因为测量量子系统的行为本质上是随机的，只有通过对许多结果进行平均，科学家才能看到真实的信号。随着所研究的分子变得越来越大，所需的测量次数也随之剧增，这成为了主要的瓶颈，减慢了整个过程，并往往使实际的模拟变得无法实现。

研究人员曾尝试通过更聪明地分配测量预算来解决这个问题。他们不再平等地测量系统的每一个部分，而是估算哪些部分噪声较大，并在那里分配更多的测量次数，而对较安静的部分则减少测量频率。一种被称为方差保持采样缩减（variance-preserved shot reduction）的近期方法试图通过进行一小组初步测量来猜测噪声水平，然后据此调整剩余实验的规模。然而，这种方法存在一个隐藏的缺陷。由于初步的猜测是基于有限的样本量，因此它并不完全准确。当计算机利用这个不完美的猜测来决定测量次数时，一个微小但系统性的误差就会悄然潜入。这种误差会导致优化过程停滞，使计算机陷入一个循环，即使它还有充足的资源，也无法改进其答案。这就像一位试图穿越沙漠的导航员使用了一张略有偏差的地图；他们可能会不断原地打转，坚信自己正在取得进展，而实际上却原地踏步。

为了打破这一僵局，一组物理学家引入了一种名为 $\delta$ 修正采样缩减（delta-corrected shot reduction）的新框架。该方法并非试图完美地猜测噪声水平或依赖试错法，而是使用一种严谨的数学技术来计算并消除由有限初步测量所导致的特定误差。研究人员推导出一组修正项，用以解释在处理小样本量时出现的微妙统计特性。通过应用这些修正，算法可以以更高的精度确定系统中每个部分的最佳测量次数。在研究中，该团队在氢气和氢化锂分子的模拟上测试了这一方法，并引入了各种水平的噪声以模拟真实量子硬件的缺陷。他们发现，新方法始终优于之前的最佳策略。在旧方法会陷入数十次迭代无法动弹的场景中，经过修正的方法能够平稳推进，更快地达到目标能量。

这些模拟结果表明，新方法不仅加快了向正确答案的收敛速度，还节省了大量的测量次数。例如，在一次使用中等数据量的测试中，采用第四阶修正版本的新方法比未修正的方法减少了 12,965 次测量。在数据限制更为严苛、条件更困难的情况下，改进效果更为显著，修正后的方法绕过了困扰旧算法的长时期停滞状态。研究人员还发现，虽然增加修正层数通常会有所帮助，但存在一个极限。如果初始测量次数过少，最复杂的修正反而可能放大噪声而非减少噪声。在这些极端情况下，较简单的三阶修正被证明是最稳健且可靠的选择。这一发现表明，最佳策略取决于实验的具体约束，但核心原则是一致的：通过在数学上消除由有限数据引入的偏差，优化过程将变得稳定且高效。

这项工作为量子计算机应如何管理其测量资源树立了新标准。它证明了经常被归咎于硬件噪声的不稳定性，实际上往往是由测量策略本身的统计局限性造成的。通过对这些局限性进行解析修正，研究人员创建了一个既符合数学逻辑又具有实际效力的框架。该方法不需要额外的数据或复杂的训练；它只是精炼了对现有数据的利用方式。这使其成为当前这一代量子计算机的强大工具，因为这些机器虽然强大，但在处理海量测量需求方面仍受限制。随着这些机器的不断演进，拥有一种可靠的分配测量资源的方法，对于释放量子模拟的全部潜力至关重要，从而让科学家能够以以往无法企及的清晰度，去探索生命与材料的化学奥秘。

技术摘要：用于变分量子特征值求解器的 Delta 校正采样缩减技术

问题陈述
变分量子特征值求解器（VQE）是用于在噪声中规模量子（NISQ）设备上模拟分子基态能量的一种领先的混合量子-经典算法。然而，其可扩展性受到估计量子哈密顿量期望值时所需高额测量开销的根本限制。虽然诸如方差保持采样缩减（VPSR）之类的策略旨在通过基于从一小组“试点”（pilot）测量中估计出的方差来分配采样数，以减轻这种成本，但它们存在一个关键缺陷：有限样本偏差。

由于 VPSR 的缩减因子是基于估计方差的非线性函数，有限的试点采样通过詹森不等式（Jensen's inequality）引入了系统性偏差。这种偏差会导致不准确的能量梯度，从而引发优化停滞。具体而言，优化器经常遇到“贫瘠高原”（barren plateaus）或长时间的停滞，即尽管仍远离变分最小值，优化器却失去了动力，这种情况在受限的测量预算或较高的硬件噪声下尤为显著。

方法论：Delta 校正采样缩减（DCSR）
为了解决 VPSR 中固有的有限样本偏差问题，而不诉诸于启发式正则化或机器学习，作者引入了 Delta 校正采样缩减（DCSR）。该方法利用多元 Delta 方法（multivariate delta method）来解析地推导经验缩减因子的高阶偏差校正项。

其核心理论框架包括：

泰勒展开： 对缩减因子估计值在真实方差向量周围进行展开。
偏差推导： 由于缩减因子是零阶齐次函数（根据欧拉定理），其一阶偏差贡献消失。因此，主要的校正项由黑塞矩阵（Hessian matrix，二阶）及更高阶导数决定。
闭式校正： 作者推导出了二阶、三阶和四阶偏差校正项的显式解析表达式。这些项整合了方差估计器的高阶统计矩，例如偏度（skewness）和峰度（kurtosis）。
分配策略： 最终的采样分配通过从标准 VPSR 缩减因子中减去这些计算出的偏差项来进行调整：
$N_i = (\eta - \text{Bias}^{(2)} - \text{Bias}^{(3)} - \text{Bias}^{(4)})N$
这使得该策略能够系统地应对方差估计值的统计不稳定性，同时保留 VPSR 的自适应结构。

关键结果
使用 Qiskit Aer 模拟器在不同噪声和资源机制下的氢分子（ $H_2$ ）和氢化锂（ $LiH$ ）哈密顿量上的数值模拟，证明了 DCSR 的有效性：

收敛稳定性： 在中等有限采样机制（ $N=1200, k=50$ ）下，标准 VPSR 表现出梯度枯竭和长时间平台期（例如在迭代 90–160 之间停滞）。DCSR（特别是带有四阶校正的 DCSR）能够绕过这些陷阱，比 VPSR 早近 100 次迭代实现收敛。
资源效率： 通过防止因梯度不准确导致的无效优化迭代，DCSR 减少了达到化学精度所需的累积测量次数。对于受严格约束的 $H_2$ 系统（ $N=500, k=25$ ），四阶 DCSR 比 VPSR 基准节省了 5,409 次采样。
复杂系统的可扩展性： 对于更复杂的 $LiH$ 系统（ $N=18000, k=100$ ），未经过校正的 VPSR 因宽阔的平台期而在 500 次迭代内未能收敛。而四阶 DCSR 在第 185 次迭代时就达到了目标能量，减少了超过 380,000 次采样负担。
噪声阈值： 灵敏度分析确定了一个临界噪声阈值，即泡利误差率 $p=0.05\%$ 。在此阈值以下，三阶 DCSR 保持稳健并能达到化学精度，而二阶校正和基准 VPSR 则会在目标上方出现平台期。在极端有限采样条件下（ $k \leq 19$ ），四阶项会起到噪声放大器的作用，应当予以舍弃，这表明三阶校正代表了高噪声或低采样量机制下的最优折中方案。
计算开销： 解析校正引入的经典计算开销微乎其微（低于 100 $\mu$ s），即使对于复杂的四阶交叉项也是如此，且除了试点采样外不需要额外的量子样本信息。

意义与主张
本文声称建立了一个数学严谨的方差稳定采样分配框架，将自适应测量策略从启发式采样转变为统计无偏的过程。其主要意义在于识别出有限样本偏差是 VQE 中自适应测量分配的一个关键且常被忽视的局限性。

通过解析地消除这种偏差，DCSR 同时提高了优化稳定性和测量效率。作者断言，该方法具有通用性，独立于特定的分子系统、拟设（ansatz）构造或经典优化器，使其能够无缝集成到更广泛的近程量子硬件测量缩减协议中。与机器学习方法不同，DCSR 完全依赖于确定性的解析校正，为资源受限的量子模拟提供了一种无需算法训练或参数调优的可扩展解决方案。

技术摘要：用于变分量子特征值求解器的 Delta 校正采样缩减技术

类似论文