作者: Nathan X. Kodama, L. Andrew Wray, Sam Cochran, Chad Rigetti, Shravan Veerapaneni, Michael J. Keiser

1. 核心物理图象

这篇论文解决了“波函数流”这一理论框架在计算上的一个关键瓶颈：它原本在经典计算机上模拟时，所需存储和计算资源会随着空间维度指数级增长，导致只能在极低维度下进行验证。作者的核心思想是，利用张量网络（特别是矩阵乘积态，MPS）来高效地压缩和演化描述概率分布的量子波函数。通过这种方式，他们将原本指数级的模拟成本，成功转化为多项式级别的成本，使得在高达32维的空间中模拟连续时间生成模型成为可能。这项工作不仅首次对波函数流进行了数值验证，还展示了其产出的压缩量子态在“稀有事件采样”等下游量子算法中的潜在优势，为量子计算与生成模型的结合铺平了道路。

2. 关键术语解释

• 波函数流：一种新颖的生成模型实现方式。它不直接学习概率分布本身，而是学习一个将简单分布（如高斯分布）平滑地“运输”到目标分布的“速度场”，并将这一运输过程映射为量子力学中波函数的酉演化。最终波函数的模方就代表了目标分布。
• 矩阵乘积态：一种表示高维数据（如高维波函数）的经典张量网络工具。它将一个指数级大小的数据张量，分解为一系列相互连接的小型矩阵的乘积，从而将存储和计算成本从指数级降低到多项式级。在本论文中，它被用来高效存储和演化高维波函数。
• 张量交叉插值：一种从高维函数中抽取少量“关键点”来构建其张量网络近似表示的算法。它无需事先计算或存储整个高维网格上的全部数据，就能快速构建出函数的低秩近似，是构建速度势函数张量网络表示的核心工具。

3. 主要贡献

1. 首次数值验证“波函数流”理论：该理论此前仅为纯理论构想，本文首次通过经典张量网络模拟，在二维到八维空间中验证了其可行性，并证明其能生成与目标分布质量相当的样本。
2. 实现指数级资源压缩：通过在维度为8的空间中，将张量网络波函数与稠密网格方法对比，存储需求减少了约1千万倍，演化时间至少加快了1000倍，成功将模拟成本从指数级降低到多项式级。
3. 提出端到端的张量网络模拟管线：作者训练了一个可直接由张量网络表示的“速度势”模型，跳过运行时的插值步骤，将整个生成过程的模拟延伸到了高达32维的空间，并保持了与理论下限接近的准确度。
4. 实验验证稀有事件采样优势：通过准备好的压缩量子态进行模拟，论文重现了量子振幅放大算法在稀有事件采样中理论上的 (O(1/\sqrt{p_{\text{rare}}})) 加速效果，比经典拒绝采样方法在固定预算下能获得更多有效样本。

4. 研究方法

作者构建了一套完整的经典张量网络模拟流程：

• 波函数编码：将模拟空间离散化，并将高维波函数表示为一个矩阵乘积态，每个空间维度用一个核心张量表示，从而避免了指数级的数据存储。
• 演化算法：采用时间相关变分原理算法，在矩阵乘积态流形上近似求解薛定谔方程，完成生成过程中的波函数演化。针对不同需求，使用了固定秩的一站点和自适应增长的二站点两种变体。
• 势能算符处理：训练一个作为张量网络的“速度势”模型，并用张量交叉插值算法快速压缩每一步演化所需的势能算符，避免了对巨大的密度网格进行显式构造，这是实现计算可扩展性的关键。
• 下游任务：将模拟得到的最终量子态（称为 qsample）用于经典模拟量子振幅放大算法，以进行稀有事件采样，并检测其成本是否符合理论的平方根加速规律。

5. 实验结果与结论

实验结果表明，张量网络是进行波函数流模拟的实用且可扩展的工具。在正交高斯混合目标上，从二维到八维，张量网络方法生成的样本质量（以切片Wasserstein距离衡量）与稠密网格基线相当，并能在后者无法运行的高维度正常工作。更为重要的是，使用训练好的张量网络速度势，该流程可稳定扩展至32维，且演化所需的纠缠（键维数）不会随维度增长，展示了其在中等维度下进行经典模拟的潜力。对稀有事件采样的验证，则证明了该管线产出的量子态可用于下游量子算法，并展现出其理论上的加速优势。

这项研究开辟了利用经典张量网络资源模拟和探索量子生成模型的新途径。但论文也明确指出，其验证的目标（正交高斯混合）结构相对简单，其分布天生是低秩的，这可能是压缩成功的关键。因此，一个重要的开放性问题是该方法在具有丰富、复杂相关结构的高维目标上的表现。此外，如何将一个训练好的矩阵乘积态编译成可在量子硬件上运行的实际量子线路，从而实现真正的量子加速，仍然是未来研究的关键挑战。

6. 论文标签

量子算法, 量子机器学习, 模拟, 编译与优化, 量子信息

📄 点击此处展开/折叠原文 PDF

原文链接： Scalable quantum simulation of continuous-time generative models via tensor networks