Commutator-guided repair and classical-accessibility boundaries for shallow quantum circuits
本文介绍了一种由对易子引导的修复方法,旨在解决浅层量子电路尽管具有可训练性却无法达到低能态的问题,并证明了这种操作限制揭示了可训练性、状态到达能力与经典可访问性之间的一种根本权衡,而非明确的量子优势。
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
在构建实用的量子计算机的竞赛中,科学家们面临着一个顽固的悖论。我们今天能够制造的机器规模较小且噪声较大,因此研究人员必须使用非常短的操作序列(称为电路)来解决问题。如果电路太长,噪声就会淹没信号,导致结果变成垃圾。但如果电路太短,即使计算机运行完美,它们也往往缺乏达到正确解所需的动力。这是在避免误差与拥有足够深度以完成工作之间进行的钢丝平衡。多年来,关注点一直在于这些短电路是否可以被训练以改进,即计算机是否可以找到一种调整其设置的方法来获得更好的答案。然而,一项新的研究表明,具备可训练性并不等同于成功。一个电路可能很容易被训练,但仍然无法找到它正在寻找的低能态,仅仅是因为它所获得的短路径无法通向目的地。
Visa 的一个研究小组开发了一种方法来修复这种特定的失效模式,而无需使电路变得更长或更复杂。他们将这种方法称为“对易子引导修复”(commutator-guided repair)。要理解这意味着什么,请想象一位旅行者试图在山脉中到达一个特定的山谷。旅行者有一张地图,显示了他们可以采取的几条路径,但其中没有任何一条路径能真正通向山谷。旅行者可以在现有的路径上行走并调整步伐,以尽可能接近目标,但他们永远无法抵达。研究人员意识到,通过观察旅行者拥有的路径与山谷形状之间的差异,他们可以识别出一个能够弥补差距的单一缺失步骤。他们并没有建造一条新的、更长的路;相反,他们插入了一个原本地图所遗漏的特定、有针对性的转弯。这个转弯是通过比较问题的规则与计算机已有的工具计算出来的,从而揭示了一个此前不可见的维度。
研究人员在各种问题上测试了这一想法,使用了包含六个量子比特(量子计算机的基本信息单元)的量子计算机模拟。他们运行了 189 次不同的配对试验,将未处理的电路与接受了这种针对性修复的电路进行了比较。结果非常显著。在所有 189 次试验中,未经修改的短电路都未能达到寻找正确低能态的严格目标。它们是可训练的,但无法抵达。当研究人员应用其修复方法时,成功率大幅跃升。两种不同版本的修复策略分别在 189 次试验中成功了 133 次和 127 次。这明显优于达到 109/189 的非部署式单次试验控制包络,以及表现最强的单一可部署非对易子控制,后者的成功次数仅为 77/189。修复工作的原理是添加了一个微小且紧凑的操作层,这些操作经过专门选择,旨在填补电路能力与问题需求之间的空白。
然而,该研究谨慎地定义了这种修复在何处有效以及在何处无效。这种方法并非解决所有量子问题的万灵药。它在问题具有特定结构时效果最好,例如涉及变量之间局部连接的问题,这类结构在许多优化任务中很常见。例如,当研究人员在仅涉及一种类型相互作用的问题上测试它时,修复效果较差或完全失败。这告诉我们,该方法的成功取决于电路与问题之间的特定不匹配。研究人员还发现,修复不仅仅是增加深度,而是增加“正确”的深度。当他们尝试通过简单地添加随机的额外层或具有错误类型连接的层来修复电路时,成功率降至零。只有当修复过程添加了由其数学分析所预测的特定方向时,修复才有效。
这项研究的一个关键部分涉及询问这些经过修复的电路是否真的在做经典计算机无法做到的事情。研究人员发现,对于修复效果最好的那类问题,所得的状态仍然可以被经典计算机高效地模拟。这意味着,虽然修复使量子电路能够成功找到答案,但这并不一定证明量子计算机正在进行经典机器无法完成的任务。研究得出结论,存在一种权衡:通过这种修复,浅层量子电路可以变得可训练并能够达到正确答案,但在修复最有效的案例中,解决方案仍然可以通过经典分析获得。这并未削弱修复的价值;相反,它阐明了这些早期量子机器目前所能达到的极限。这项工作为工程师提供了一个清晰的诊断工具:如果一个短电路失效了,这种方法可以告诉他们需要添加哪个缺失的部分来修复它,同时也警告他们,所得到的解决方案可能不会产生超越经典方法的量子优势。
研究人员还探索了这种修复在问题规模变大时是如何表现的。他们在多达 15 个量子比特的问题上测试了该方法,这对于此类模拟来说是一个显著的规模。他们发现,虽然修复提高了找到正确答案的机会,但随着问题的增大,成功率开始下降。这表明,对于非常庞大或复杂的问题,单个修复层可能不够,可能需要更复杂的策略。研究还观察了特定类型的优化问题,例如寻找划分网络或选择一组物品的最佳方式。在其中一些案例中,修复帮助量子计算机比标准方法更频繁地采样到较优解,即使它并不总是能找到完美答案。这种更频繁地采样优选解的能力是一项实际的胜利,即使它未能达到完美的解。
最终,这项研究将关于量子计算的讨论从一个简单的“我们能否训练它?”转向了一个更细致的理解:“它能否抵达?”作者表明,可训练性只是故事的一半。一个量子电路可以被完美地调优并准备好学习,但仍可能困在错误的路径上。通过利用电路操作与问题结构之间的数学关系,他们找到了一种方法,可以在不需要构建更深、更易出错的机器的情况下,引导电路走上正确的道路。这种方法提供了一种实用的方式,可以从现有的带有噪声且浅层的量子计算机中榨取更多性能。它为修复特定故障提供了蓝图,帮助研究人员了解他们的电路究竟在哪里出现了短板,以及如何修补这些漏洞。虽然经过修复的电路目前可能尚未在所有任务上击败经典计算机,但该方法提供了一种清晰、可靠的方式来改进它们,将死胡同变成了可行的前进路径。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。