作者: Zi-Jian Zhang, Kouhei Nakaji, Matthew Choi, Al'an Aspuru-Guzik

1. 核心物理图象

• 任务: 测量是量子计算中最耗费资源的一步。为了计算一个分子能量等物理量，我们需要反复制备量子态并进行测量，这会消耗大量的“拷贝数”。传统的测量方案大多依赖人工设计的固定规则，效率有限。这篇论文的核心思想是：我们能否利用机器学习，让计算机自动“学习”出针对某个具体物理量（例如某个分子的哈密顿量）的最高效的测量方案？

• 贡献: 论文提出了一个名为 C-LBCS (Composite Locally-Biased Classical Shadow) 的通用框架。它不再使用固定的测量规则，而是将测量方案的生成问题转化为一个机器学习问题，通过训练一个由多个“子方案”混合而成的模型，来自动找到最优的测量方式，从而显著降低所需的量子态拷贝数（即提高测量效率）。

2. 关键术语解释

• 测量方案 (Measurement Scheme): • 定义: 论文中将“测量方案”定义为一个“测量生成器”，你给它指定一个需要进行的测量次数（例如10000次），它就会输出一组具体的、在这个量子系统上需要执行的测量操作。 • 作用: 它是整个测量过程的核心“引擎”，其设计质量直接决定了测量效率。论文的创新之处就是让这个“引擎”本身可以被学习和优化，而不是手工编写。

• 复合测量方案 (Composite Measurement Scheme, CMS): • 定义: 论文提出的核心思想。它不依赖一个单一的、固定的测量方案，而是将多个简单的“子方案”混合在一起。例如，它可以包含3种不同的测量策略，并以一定的概率（权重）随机选择使用哪一个。 • 作用: 混合多个简单方案可以极大地增强表达能力，理论上可以逼近任何最理想的测量方案。C-LBCS 就是这个概念的一个具体实例。

• 平均一次方差 (Average One-Shot Variance): • 定义: 论文使用的一个用于衡量测量方案好坏的“成本函数”。它大致反映了在理想情况下，使用该方案进行一次测量，其最终结果（例如能量值）的不确定度有多大。 • 作用: 这个定义非常巧妙，因为它不依赖于被测量的量子态的具体信息，可以仅从要测量的物理量（如哈密顿量）本身计算出来。这使得我们可以将“提升测量效率”直接转化为一个“最小化这个方差”的优化问题，从而使用机器学习中的梯度下降等工具来求解。

3. 主要贡献

• 提出“可学习的测量方案”框架: 论文首次将测量方案的设计从一个依赖于手工启发式算法的问题，转化为一个端到端的机器学习问题，引入了参数化、成本函数和随机梯度下降等现代优化工具。 • 引入“复合测量方案”概念: 通过混合多个简单方案（如多个 LBCS 方案），大幅提升了模型的表达能力。理论证明，只要子方案数量足够多，它可以模拟任何理论上存在的、在每个比特上都有非平凡操作的测量概率分布。 • 应用创新的训练策略: 针对 C-LBCS 的独特结构（成本函数具有“双凸”性质），论文采用了梯度重缩放 (Gradient Rescale) 和双时间尺度更新规则 (Two Time-Scale Update Rule, TTUR) 两种优化策略，有效避免了子方案“被冻结”和训练陷入局部最优的问题。 • 数值验证优越性能: 在多达30量子比特、涵盖多种分子的化学系统（如CO₂）的数值实验中，C-LBCS 在测量效率（即达到相同精度所需的测量次数）上全面超越了当前最先进的传统方法，如 Derandomized Classical Shadow 和 ShadowGrouping。

4. 研究方法

作者采取了以下步骤来实现“可学习的测量方案”：

1. 定义测量方案：将测量方案参数化。对于核心实例 C-LBCS，它由一组“子方案”组成，每个子方案都是一个 LBCS 方案（即在每个量子比特上，以特定概率选择测量 X, Y, 或 Z 轴）。
2. 定义成本函数：引入“平均一次方差”作为成本函数。该函数可以仅从待测量的哈密顿量（即一组需要计算的物理量）解析计算，并且可以写成所有子方案贡献之和。
3. 设计优化策略：利用成本函数的“双凸”结构——即固定子方案参数时，混合权重是凸的；固定权重时，子方案参数对应的问题也是凸的——设计了高效的训练策略。这包括使用随机梯度下降处理大规模哈密顿量，以及上述的梯度重缩放和 TTUR 技巧。
4. 训练与评估：通过最小化平均一次方差来训练 C-LBCS 方案的参数，然后在各种分子系统的哈密顿量上，将其测量效率与 Derand, OGM, SG 等经典方法进行对比。

5. 实验结果与结论

• 核心结论: C-LBCS 在所有测试的分子系统中，都达到了当前最优的测量效率。即便是采用随机梯度下降（小批量训练），也能取得优异效果，表明该方法具有可扩展性。 • 局限性: 论文指出，其成本函数是针对无限多次测量的极限情况定义的。在测量预算非常少（例如只有几千次）的短测量场景下，C-LBCS 的效率可能不如像 ShadowGrouping 这样的贪心算法。此外，C-LBCS 对测量分布的近似能力受限于子方案的数量和结构。 • 未来展望: 论文指出，可以探索更复杂的子方案（例如基于张量网络的方案）来构建 CMS，以进一步提高性能。同时，如何将观测到的量子态信息（而非仅哈密顿量信息）融入训练过程，也是一个有价值的研究方向。

6. 论文标签

量子算法, 编译与优化, 量子机器学习, 模拟

📄 点击此处展开/折叠原文 PDF

原文链接： Machine learning of measurement schemes for efficient quantum observable estimation