作者: Riccardo Molteni, Minjun Jeon, Paolo Braccia, Abhinav Deshpande, Vedran Dunjko, Liang Jiang, Su-un Lee, Swarnadeep Majumder, Javier Robledo Moreno, Parthasarathy Suryanarayanan, Kunal Sharma

1. 核心物理图象

• 这篇论文提出了一种名为“量子哈密顿量嵌入”（Quantum Hamiltonian Embedding, HE）的监督学习框架。其核心物理图象是：将整个经典训练数据集“编码”成一个单一的、参数化的量子多体哈密顿量。每个训练样本（输入特征+标签）都对应这个哈密顿量中的一个“项”（term）。训练过程就是通过调整编码参数，来最小化这个数据依赖哈密顿量的基态能量。训练完成后，这个哈密顿量的近似基态就定义了一个分类器：对于新的输入，通过测量特定可观测量在该基态下的期望值来预测标签。简而言之，学习问题被转化为了寻找一个特定量子多体系统基态的问题，而量子计算机的角色是在训练阶段高效地近似这个基态。

2. 关键术语解释

• 量子哈密顿量嵌入 (Quantum Hamiltonian Embedding): 这是论文提出的核心框架。它指的是将训练数据编码成一个参数化的哈密顿量 $H_T(\alpha)$，其基态 $|\psi_{T,\alpha}\rangle$ 编码了学习到的分类规则。训练通过优化参数 $\alpha$ 来降低基态能量，从而“塑造”这个量子态，使其能正确分类训练数据。

• 经典代理模型 (Classical Surrogate Model): 对于特定类型的浅层编码电路，训练好的量子态可以用经典方式表示（例如通过经典阴影或傅里叶/泡利分解）。这意味着，虽然训练需要量子计算机来制备基态，但推理（对新数据分类）可以完全在经典计算机上高效完成。这大大降低了部署量子模型的门槛。

• 贫瘠高原 (Barren Plateau): 这是变分量子算法（如参数化量子电路）训练中的一个常见瓶颈，指代价函数的梯度随系统规模增大而指数级消失，导致优化无法进行。论文的一个重要理论贡献是证明了在其框架下，对于一类特定的编码电路，相当一部分参数的梯度方差有逆多项式下界，从而避免了贫瘠高原，保证了可训练性。

3. 主要贡献 (Key Contributions)

• 提出了一个兼具理论保证与实验可行性的QML新框架: 该框架将监督学习转化为寻找数据依赖哈密顿量的基态，并证明了其在可训练性（无贫瘠高原）、泛化性（样本复杂度与量子比特数和参数数呈线性关系）以及经典推理方面的优良性质。这解决了现有QML模型（如深度PQC）难以同时满足可训练、可泛化和可部署的难题。

• 揭示了物理约束作为归纳偏置的优势: 论文从理论和数值上证明，要求分类器的系数必须来自一个真实的量子态（即满足物理兼容性约束），可以作为一种强大的归纳偏置。在特定构造的学习任务中，这种物理约束使得HE模型比对应的经典正则化代理模型需要更少的训练样本就能达到相同的泛化精度，展现了量子模型在数据效率上的潜在优势。

• 构造性地证明了量子优势: 在标准密码学假设（离散立方根问题难解）下，论文构造了一个明确的学习任务，该任务可以在HE框架内用量子计算机高效求解，但任何经典算法都无法高效学习。这为QML的量子优势提供了一个严格的理论例证。

• 在真实量子硬件上进行了规模化验证: 作者在IBM Heron处理器（高达50量子比特）上，使用基于采样的Krylov量子对角化（SKQD）算法作为基态求解器，完整地实现了训练流程，并在Fashion-MNIST二分类任务上取得了与最佳经典基线相竞争的性能，验证了该框架在近期量子设备上的可行性。

4. 研究方法 (Methodology)

作者的方法论核心是交替优化。首先，他们选择一个参数化的编码酉电路 $U(x, \alpha)$（例如，由泡利旋转构成的浅层电路）和一个与标签相关的可观测量 $O(y)$。然后，对于给定的参数 $\alpha$，使用量子算法（如SKQD或QPE）来近似数据哈密顿量 $H_T(\alpha)$ 的基态 $|\psi_{T,\alpha}\rangle$。接着，保持该量子态固定，利用参数平移规则（parameter-shift rule）和Hellmann-Feynman定理，在经典计算机上高效地计算代价函数（能量）对参数 $\alpha$ 的梯度，并更新参数。这个过程迭代进行，直到收敛。论文通过矩阵Hoeffding不等式和覆盖数论证来证明泛化界，通过分析冻结态代价函数的梯度方差来证明无贫瘠高原，并通过构造特定的编码和可观测量来展示经典代理模型和量子优势。

5. 实验结果与结论

• 关键结论: 实验表明，HE框架在高达50量子比特的Fashion-MNIST二分类任务上，其性能（使用经典迭代求解器模拟）优于所比较的量子核方法，并接近最佳经典基线。更重要的是，在IBM Heron量子处理器上的实际运行也成功完成了训练，并取得了有竞争力的测试精度。这证明了HE模型在近期量子硬件上的可扩展性和实际应用潜力。

• 领域意义与开放性问题: 这项工作为QML提供了一个全新的、具有坚实理论基础的范式，将量子多体物理的基态问题与监督学习联系起来。它强调了物理约束（来自量子态的兼容性）作为一种强大的归纳偏置，并展示了在特定密码学任务上实现量子优势的可能性。论文留下的开放性问题包括：对于哪些通用的经典数据集，HE的归纳偏置能带来超越经典方法的实际优势？如何设计更优的编码酉和可观测量以提升模型的表达能力和可训练性？以及如何将框架扩展到更复杂的任务（如多分类、回归）并探索更高效的基态制备算法。

6. 论文标签 (Tags)

量子机器学习, 量子算法, 量子信息, 模拟, 物理硬件

📄 点击此处展开/折叠原文 PDF

原文链接： Supervised Learning with Quantum Hamiltonian Embeddings