作者: Jan Mich'alek, Martin Fri'ak, Petr Va\v{s}'ik

1. 核心物理图象

• 本论文的核心物理图象是：将变分量子算法（VQA）的优化景观（即损失函数随参数变化的曲面）等效地看作一种定义在高维环面上的随机场——Wishart 超环面随机场（WHRF）。 • 通过这种映射，作者得以绕开直接分析量子线路的困难，转而利用随机矩阵理论和 Kac-Rice 公式来统计该随机场中“局部极小值”的分布。 • 核心贡献在于：数值验证了 VQA 存在一个可训练性相变。当量子线路的独立参数数量 (p) 超过问题哈密顿量自由度 (m) 的两倍（即 (p > 2m)）时，损失景观中所有局部极小值都会在函数值上聚集到全局最小值附近，使得优化变得容易；反之则会被困在远离全局最优的局部极小值中。 • 此外，论文提出利用物理对称性来降低 (m)，从而让中等规模的量子硬件也能跨过这一相变阈值。

2. 关键术语解释

• Wishart 超环面随机场 (WHRF)：

• 定义：一种定义在 (p) 维超环面（每个维度对应一个 (2\pi) 周期的量子门旋转角）上的随机标量场，其函数值由一个服从 Wishart 分布的随机矩阵二次型给出。
• 作用：它是 VQA 损失景观的统计等效模型，使得研究者可以用随机场理论（如 Kac-Rice 公式）来预测局部极小值的分布，而不必真的去运行量子线路。

• Kac-Rice 公式：

• 定义：一个源自几何测度论的公式，用于计算一个随机函数在给定函数值范围内的临界点（梯度为零的点）的期望数量。
• 作用：在本论文中，它被用来推导和数值模拟 WHRF 上局部极小值（海森矩阵正定的临界点）随能量水平的分布，从而定量刻画可训练性相变。

• 过参数化因子 (\gamma = p/(2m))：

• 定义：量子线路独立参数数 (p) 与问题哈密顿量自由度 (m) 的两倍之比。
• 作用：它是控制局部极小值分布相变的核心参数。当 (\gamma < 1)（欠参数化）时，局部极小值远离全局最优；当 (\gamma > 1)（过参数化）时，局部极小值向全局最优聚集。论文数值实验表明有限尺寸下阈值约为 (p = 2m - 2)。

3. 主要贡献 (Key Contributions)

• 有限尺寸下的相变数值验证：以往的理论证明仅在参数数量趋于无穷的渐近极限下成立。本文通过蒙特卡洛模拟离散化的 Kac-Rice 公式，首次在有限参数规模（如 Fermi-Hubbard 模型 2、3、4 格点）上验证了局部极小值分布的可训练性相变依然存在，且阈值近似为 (p = 2m - 2)。

• 高效的张量批处理与分块模拟方法：针对 Kac-Rice 公式中条件海森矩阵行列式的期望计算，作者提出了张量批处理（一次性生成所有样本的 Wishart 和 GOE 矩阵）以及内存受限时的顺序分块策略，并结合对数空间评估，使得在普通笔记本电脑（16 GB RAM）上就能模拟中等规模系统（如 (m=749)）的相变行为。

• 对称性约减显著降低自由度 (m)：论文定量展示了如何利用粒子数守恒、空间宇称和自旋翻转宇称将 Fermi-Hubbard 模型的哈密顿量投影到物理相关的子空间。例如，对 7 格点系统，(m) 从约 130,000 降至约 2,540，从而将可训练性阈值从超过 260,000 个参数降至约 5,000 个，使得近硬件实现过参数化区域成为可能。

• 为 VQA 架构设计提供定量指导：论文明确指出，对于标准硬件高效拟设（HEA），由于 (m) 随系统尺寸指数增长，在近量子设备上几乎不可能达到 (p > 2m)。因此，必须采用哈密顿量信息拟设（HIA）并结合对称性约减来主动降低问题难度，而不是盲目增加线路深度。

4. 研究方法 (Methodology)

• 理论映射：将 VQA 的损失函数 (E(\theta) = \langle \psi(\theta)|H|\psi(\theta)\rangle) 减去基态能量后，映射为 WHRF (F_{\text{WHRF}}(\theta) = \Phi(\theta)^T (J/m) \Phi(\theta))，其中 (\Phi(\theta)) 是超环面的嵌入向量，(J) 是 Wishart 随机矩阵。映射的核心是定义有效自由度 (m = |H - \lambda_1 I|_*^2 / |H - \lambda I|_F^2)。

• Kac-Rice 公式离散化：从一般的 Kac-Rice 公式出发，通过贝叶斯定理和条件分布推导出在给定能量 (E) 下局部极小值期望数量的表达式。该表达式分解为两部分：一个可通过蒙特卡洛采样的条件海森矩阵行列式期望，和一个解析前因子。解析前因子中的指数 (\alpha = m - p/2 - 1) 直接决定了相变行为。

• 蒙特卡洛模拟与数值技巧：使用张量批处理一次性生成大量 Wishart 和 GOE 矩阵样本，构造条件海森矩阵 (H = (1/m)(W + \sqrt{2mE}G) - 2EI)，筛选正定矩阵并计算行列式。对于大 (m) 系统，采用顺序分块和 log-space 计算避免内存溢出和浮点溢出。最终对 Fermi-Hubbard 模型（2 至 4 格点）进行模拟，验证相变并与理论阈值比较。

5. 实验结果与结论 (Results and Conclusion)

• 关键结论：

• 数值模拟证实，局部极小值的分布确实在 (p \approx 2m - 2) 处发生相变。在欠参数化区域（(p < 2m)），局部极小值密度在接近全局最小值时趋于零，峰值位于较高能量；一旦跨过阈值，局部极小值密度在全局最小值处发散，所有局部极小值都成为全局最优的良好近似。
• 对于 Fermi-Hubbard 模型，自由度 (m) 随格点数指数增长（如 6 格点、(U=2) 时 (m \approx 27,700)），这意味着标准 HEA 需要超过 55,000 个独立参数才能进入可训练区域，远超当前量子硬件能力。
• 通过施加粒子数守恒、空间宇称和自旋翻转宇称，可以显著降低 (m)。例如 7 格点系统 (m) 从 130,000 降至 2,540，所需参数阈值降至约 5,000，使中等规模问题在近硬件上变得可行。

• 对领域的意义：该工作为 VQA 的可训练性问题提供了一个定量的、基于随机矩阵理论的预测框架，将电路深度与问题复杂度通过 (p \approx 2m) 这一简单规则联系起来。它明确指出，盲目增加线路深度并非解决训练困难的良方，而应通过物理对称性约减来降低问题内在维度。

• 开放性问题与未来启示：

• 论文的理论映射主要针对哈密顿量不可知拟设（HEA），对于哈密顿量信息拟设（HIA），其精确的随机场映射可能有所偏差，需要进一步研究。
• 作者已在 156 量子比特的 IBM Aachen 处理器上开展初步实验，发现硬件连接限制和 SWAP 门路由会显著增加实际线路深度，使得理论深度估计与物理实现之间存在鸿沟。
• 未来需要将离散 Kac-Rice 公式的阈值预测与真实量子处理器上的优化结果进行系统对比，并探索硬件感知的对称性保持编译策略。

6. 论文标签 (Tags)

量子算法, 量子机器学习, 量子信息, 模拟, 编译与优化

📄 点击此处展开/折叠原文 PDF

原文链接： On Relationship Between Circuit Depth and Trainability of VQAs