⚛️ 量子物理

Normalizing Flows for Classical Simulation of Quantum Circuits in Phase Space

本文引入了一种利用归一化流将量子线路表示为相空间流形上概率分布的新型框架，证明了在模拟大规模量子系统方面其精度优于现有的神经网络方法。

原作者： Edward Jiang, Timothy Heightman, Marcin Płodzień

发布于 2026-11-11

📖 1 分钟阅读🧠 深度阅读

原作者： Edward Jiang, Timothy Heightman, Marcin Płodzień

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

探索量子世界的征程，往往感觉像是试图绘制一张拒绝保持静止的景观图。在量子计算领域，科学家们研究由被称为“量子比特”（qubits）的微小粒子组成的系统，这些粒子可以同时存在于多种状态之中。为了预测这些系统的行为，研究人员传统上试图追踪粒子每一个可能的配置，但随着系统的增长，这项任务变得极其困难。当一台计算机仅拥有几十个量子比特时，可能性的数量就会爆炸式增长，甚至超过最强大的超级计算机的处理能力。这种局限性是该领域的核心障碍：如果我们无法在普通计算机上模拟这些系统，我们就无法完全理解它们，也无法可靠地设计未来的量子硬件。几十年来，科学家们一直依赖于专门的数学技巧，这些技巧在处理简单、有序的电路时效果良好，但在系统变得复杂或混沌时则会失效。

来自 ICFO 光子科学研究所和华沙大学的研究团队提出了一种导航这一艰难地形的新方法。他们不再试图追踪每个粒子的精确、僵硬的状态，而是将量子系统视为一个流动的概率景观。想象一下，量子计算机的状态不是一个单一的点，而是一团弥漫在广阔多维表面上的迷雾云。在这种视角下，量子计算机执行的操作不是僵硬的开关，而是重塑云朵的平滑变换。研究人员开发了一种方法，学习如何逐步重塑这团云，从而模拟量子电路的作用，而无需计算每一个可能的情况。他们将这种方法称为“归一化流”（normalizing flow），这是一种特别擅长学习如何将一种形状转化为另一种形状的机器学习模型。通过训练这些模型来遵循量子电路的路径，该团队创建了一个工具，能够以以往方法无法企及的准确度来模拟大型量子系统。

这项工作的核心在于一种被称为“相空间表述”（phase space formulation）的特定量子力学观察方式。在这个框架下，一组量子比特的状态被表示为一个概率分布，类似于天气图显示某个区域降雨的可能性。研究人员选择了一种被称为“Q 函数”的特定类型地图，它具有始终显示正值的特性，因此可以被视为一个真正的概率分布。当一个量子门（即操作）作用于系统时，它会改变这个分布。过去，计算这种变化非常困难，因为控制变换的数学规则通常涉及负数，这破坏了概率的逻辑。研究人员通过使用生成模型直接学习变换解决了这个问题。他们不再尝试每次都去计算复杂的变换数学，而是训练一个神经网络，根据旧的分布来学习新分布的形状。

这种方法通过将量子电路分解为一系列步骤来运作。对于电路中的每个门，模型都会学习一种特定的“流”，将概率云从当前形状推向下一个形状。由于模型是按顺序学习这些流的，因此它可以通过堆叠简单的流来构建复杂的变换，就像多次折叠一张纸来创造一个复杂的形状一样。研究人员在三种不同类型的量子电路上测试了这种方法：一种用于创建被称为“簇态”（cluster state）的特定纠缠态，另一种用于创建“GHZ 态”，第三种用于准备一种被称为“横场伊辛模型”（transverse-field Ising model）的磁性模型的基态。在每种情况下，他们都将结果与精确的数学解以及其他领先的模拟方法进行了对比。

结果表明，即使在系统规模变大时，该方法依然能站得住脚。对于簇态制备，在模拟一个拥有 64 个量子比特的系统时，该模型的保真度（即准确度）约为 0.96。这比其他方法有了显著提升，后者在类似规模的系统中保真度下降到了 0.91 左右。对于 GHZ 态，该模型达到了约 0.965 的保真度，超越了以往最好的方法。在更复杂的伊辛模型电路案例中，随着门数量的增加，准确度仅略有下降，保持了极高的精度，并明显超过了基于 Transformer 的模型。这些发现表明，该方法足以应对现实世界量子电路的复杂性，特别是涉及大量粒子和深层操作序列的情况。

然而，研究人员也谨慎地指出了其成功的局限性。该方法在量子门每次作用于少量量子比特时效果最好，这在许多物理系统中是很常见的。如果一个门同时作用于所有量子比特，计算成本将会变得难以承受。此外，该模型并不是一个无需重新训练就能适用于所有可能输入状态的通用求解器；它学习的是其所受训练的特定电路路径。模拟的准确度也取决于电路的深度，随着门数量的增加，误差会缓慢增长。尽管存在这些限制，这项工作仍展示了一条模拟此前无法触及的量子系统的可行路径。通过将量子态视为一种可学习的概率分布，研究人员为理解复杂量子物质的行为开辟了一条新途径，提供了一种有助于弥合理论量子物理学与实用量子工程之间鸿沟的工具。

技术摘要：利用归一化流在相空间中进行经典量子电路模拟

问题陈述
量子多体系统的经典模拟仍然是理解量子优势和控制量子硬件的关键挑战。传统方法面临显著局限性：精确态矢量（state-vector）和路径积分方法在算法复杂度上随系统规模呈指数级增长；而利用结构的技巧（如 Clifford 电路、张量网络）则受限于特定的电路类别或低纠缠机制。此外，现有的机器学习方法（如神经量子态 NQS 和生成式动力学模型）通常随着系统规模和演化时间的增加而表现出精度下降。一个核心难点在于，如何在不借助离散松弛或可能导致保真度丢失的手工嵌入的情况下，将量子态表示为概率分布。

方法论
作者提出了一个框架，利用多体比特系统的相空间表述（具体为 Husimi Q 函数）来表示量子电路的输出态。

相空间表示：
- $N$ 个量子比特的态被映射到光滑流形 $(S^2)^N$ 上的概率分布。状态 $|\psi\rangle$ 的 Q 函数定义为 $Q_{|\psi\rangle}(\Omega) = \frac{1}{(2\pi)^N} |\langle \Omega | \psi \rangle|^2$ ，其中 $\Omega$ 代表乘积布洛赫球上的坐标。
- 酉门 $U$ 对应于相空间中与积分核 $K_U$ 的卷积操作。虽然这些核可能包含负值（从而无法直接采样），但它们允许对分布进行精确演化。
归一化流公式化：
- 作者将量子电路的演化建模为一系列归一化流（normalizing flows）。该方法并非直接从可能存在负值的核卷积中采样，而是为每个门 $U_k$ 学习一个流变换 $f_k$ ，将前一态的分布 $Q_{|\psi_{k-1}\rangle}$ 映射到下一态的分布 $Q_{|\psi_k\rangle}$ 。
- 该变换由变量替换公式定义：
  $\tilde{Q}_{|\psi_k\rangle}(\Omega) = Q_{|\psi_{k-1}\rangle}(f_k^{-1}(\Omega)) \left| \det \frac{\partial f_k^{-1}}{\partial \Omega} \right|$
- 这种架构具有天然的可组合性，镜像了量子电路的序列结构。
训练策略：
- 模型通过最小化通过精确转移核卷积得到的分布与学习到的流生成的分布之间的 Kullback-Leibler (KL) 散度来进行训练。
- 为了确保稳定性，流进行顺序预训练（从 $k=1$ 到 $K$ ），然后进行联合微调。
- 初始态通常为基准态 $|00\dots0\rangle$ ，它具有已知的、高效的乘积形式 Q 函数。

核心贡献

连续相空间建模： 不同于以往在离散域上运行或需要连续松弛的生成式方法，本方法直接在连续流形 $(S^2)^N$ 上运行，避免了对手工嵌入的需求。
可组合架构： 该框架为每个门分配一个特定的归一化流，使得模型能够随电路深度扩展，而无需在每一步之后重新训练固定架构（这是以往变分方法的局限性）。
高效采样： 通过利用流的可组合性，该方法实现了大规模系统规模下的高效采样和似然估计，将希尔伯特空间的指数级增长问题转化为模型表达能力的问题。

实验结果
该框架在三个类别的量子电路上进行了评估：1D 集簇态（cluster state）制备、GHZ 态制备，以及通过变分量子特征值求解器（VQE）制备 1D 横场伊辛模型（TFIM）的基态。

性能： 该方法与最先进的神经网络基准进行了对比，特别是使用 Transformer 的 IC-POVM 以及使用 TDVP 的神经量子态（NQS）。
可扩展性：
- 对于 $N=64$ 量子比特的 1D 集簇态，该模型实现了 $\approx 0.96$ 的经典保真度，优于 IC-POVM（ $N=60$ 时为 $0.91 $）和 NQS（$ N=60 $时为$ 0.84$）。
- 对于 GHZ 态，该模型达到了 $\approx 0.965$ 的保真度，超过了上述两个基准。
- 对于 VQE 电路（10 个量子比特），保真度随门数量线性下降，但在测试深度内仍高于 Transformer 基准（$0.985 $对比$ 0.965$）。
观察结论： 随着系统规模和电路深度的增加，该模型的准确度超过了目前的神经网络方法。

意义与局限性
论文声称，这种方法为使用生成式模型模拟量子电路开辟了一条新途径，特别是在其他方法性能退化的超大规模系统场景下。

计算成本： 作者指出存在一种权衡：虽然准确度扩展性良好，但训练成本随门数 $K$ 呈 $O(K^2)$ 增长，因为每次训练步骤都需要反转之前的流。这与重新训练固定大小模型的基准方法（ $O(K)$ ）形成对比。
负值与近似： 出现流的必要性源于“符号问题”（转移核中的负值）。近似误差随电路深度呈指数级复合，体现为在更深电路中观察到的保真度下降。
状态依赖性： 学习到的流是针对输入分布的近似传输映射。虽然单比特门允许精确的、与输入无关的流（旋转），但纠缠门需要针对不同的输入态进行重新训练。

作者总结道，该框架展示了扩展到大规模系统的能力，并建议未来的研究方向包括 Trotter 化动力学、噪声演化，以及将组合后的流用作优化电路参数的变分算符（variational ansatz）。

技术摘要：利用归一化流在相空间中进行经典量子电路模拟

类似论文