← 最新论文
⚛️ 量子物理

Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms

本文介绍了一种利用梯度贡献中特定参数稀疏性的学习控制器,旨在显著降低变分量子算法中的测量开销,通过将物理表示与特定任务目标进行有效整合,展示了优于无引导大语言模型的性能。

原作者: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

发布于 2026-11-18
📖 1 分钟阅读🧠 深度阅读

原作者: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

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过程中,科学家们目前正在尝试解决一个听起来简单但极其困难的问题:如何找到分子的最低能量状态。这是理解化学反应、设计新药或创造更好材料的关键。完成这项工作的领先工具被称为变分量子特征值求解器(variational quantum eigensolver)。它的工作原理是设置一个量子电路,运行它,并测量结果以观察系统距离目标能量有多近。如果结果不完美,计算机就会调整设置并再次尝试。这个循环会重复数千次,直到找到答案。问题在于,量子计算机是脆弱且多噪声的,因此单次测量很少足够。为了获得可靠的答案,研究人员必须重复相同的实验数千次,这个过程被称为“取样”(shots)。随着分子变得越来越大以及计算变得更加复杂,所需的取样次数会呈爆炸式增长,这往往成为减慢整个进程的主要瓶颈。

Visa 的一个研究团队开发了一种新方法,可以在不损失准确性的情况下加速这一过程。他们发现,并非所有的量子测量部分对于计算的每一步都同等重要。在典型的运行中,计算机测量许多不同的量子比特组,以计算如何调整设置。研究人员发现,对于任何特定的调整,实际上只有一小部分特定的组别才是真正重要的。其余的部分对最终决策的贡献微乎其微。这就像试图通过一张显示了每一条街道、小巷和车道的地图来导航城市;对于特定的行程,你只需要知道主干道。研究人员意识到,如果他们能够识别出对于每一次转向哪些“道路”是必不可少的,他们就可以忽略其余部分并节省大量时间。

为了实现这一点,他们构建了一个智能控制器,这是一种经过训练的、能够预测哪些测量是必要的型人工智能。该控制器不再尝试每次都测量所有内容,而是观察当前量子电路的状态以及正在进行的特定调整。然后,它决定保留哪些测量组并跳过哪些组。该系统在十五种不同的分子模拟上进行了测试。在这些测试中,这种新方法成功地节省了近一半的所需测量次数。具体而言,它在保持最终能量计算与完整的、未跳过的版本极其接近的同时,将所需的取样次数减少了 49.6%。最终能量结果的差异非常微小,平均仅为 5.67 毫哈特里(millihartrees,一种在化学中使用的能量单位)。这意味着计算机可以大约用一半的时间达到相同的化学精度。

研究人员还探讨了大型语言模型(即那些可以写文章或回答问题的强大 AI 工具)是否能在没有任何专门训练的情况下解决这个问题。他们要求这些通用模型根据提供的物理数据来挑选重要的测量项。结果褒贬不一。虽然这些模型有时能识别出有用的组别,但它们并不一致。如果没有特定的指导,它们往往无法优先处理那些实际上最重要的物理信息。而这个专门构建的控制器,由于是针对量子力学的规则和问题的结构进行专门训练的,表现要好得多。它学会了比通用模型更有效地利用可用的线索。这表明,对于复杂的科学任务,最好的方法可能不是依赖于一个全知全能的 AI,而是将通用模型的灵活性与理解特定领域规则的专业工具相结合。

研究还观察了当条件发生变化时(例如,当量子电路变得更深,或者分子与系统训练时的分子不同时),该方法的有效程度如何。该控制器表现稳健,即使面对它从未见过的全新场景,仍能保持节省取样的能力。这种鲁棒性至关重要,因为现实世界的应用几乎不会与训练数据完全一致。研究人员发现,该方法可以进行调节,以在速度和精度之间进行权衡。通过调整一个单一的设置,他们可以选择如果接受稍大的误差范围则节省更多的取样,或者如果需要最高的准确度则保留更多的测量。这种灵活性让科学家们拥有了一种直接控制成本与质量平衡的方法。

最终,这项工作凸显了当前量子计算工作流中的一个特定弱点:倾向于为了保险起见而测量一切。通过证明在任何给定步骤中,很大一部分测量都是冗余的,研究人员为实现更高效的量子算法开辟了一条路径。研究结果表明,量子计算的未来可能不仅取决于建造更大的机器,更取决于构建更聪明的方式来使用我们现有的机器。在不牺牲化学数据质量的前提下将测量时间缩短一半,是一个显著的进步,使得这些算法在药物研发和材料科学领域的实际应用变得更加可行。研究证实,理解问题的特定结构可以实现通用方法所忽略的智能捷径,这指向了一个由具备物理感知能力的专业化 AI 指导量子计算机寻找答案的未来。

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。

试用 Digest →