作者: Yerassyl Balkybek, Andrey Kardashin, Vladimir V. Palyulin, Konstantin Antipin

1. 核心物理图象

这篇论文的核心思想是提出一种不需要“训练”量子电路的量子回归方法。传统方法需要反复调整一个参数化的量子电路（像训练一个神经网络），这既耗时又容易遇到“贫瘠高原（Barren Plateaus）”问题。本文另辟蹊径：预先固定一组与问题物理对称性相关的量子测量，然后只用量子计算机测量一次，把所有数据拿回经典计算机上，用方差正则化的线性回归算法直接算出最终的预测模型。作者在“横场伊辛模型场强预测”和“两体量子比特系统纠缠度量”两个任务上验证了该方法的高效性和准确性。

2. 关键术语解释

• 方差正则化 (Variance Regularization)： 在经典优化中，除了让预测值尽可能接近真实值（最小化均方误差），还额外惩罚预测结果在输入状态上的方差。这迫使模型不仅“猜得准”，而且对不同的输入状态给出的预测更稳定、波动小，从而提升模型的泛化能力，防止过拟合。
• 无参数化电路 (Parametrized-circuit-free)： 核心创新点。指模型不依赖于不断调整变分量子电路中的旋转角度参数。一旦选定了合适的测量算子集合（ansatz），所有量子测量任务都可以一次性完成，后续所有参数的优化都在经典计算机上通过解线性方程组完成。
• 对称性启发的Ansatz (Symmetry-inspired Ansatz)： 针对具体的物理问题，作者不盲目使用通用的量子电路，而是根据系统的物理对称性（如自旋翻转对称性、时间反演对称性）或纠缠的局域幺正不变性，精心选择一组固定的量子测量算子（如3局域泡利字符串、置换算子等）。这大大降低了模型的复杂度和所需训练数据量。

3. 主要贡献 (Key Contributions)

1. 提出了无参数化电路的量子回归框架： 通过将变分参数转移到经典的线性组合系数上，彻底规避了变分量子算法中最棘手的“贫瘠高原”问题和昂贵的量子-经典迭代开销。
2. 利用方差正则化提升模型鲁棒性： 在回归损失中引入方差项，有效控制了模型在不同量子态上的预测波动，显著增强了泛化能力，尤其是在小样本或训练数据有限的情况下。
3. 设计了针对纠缠度量的最优置换算子Ansatz： 对于判定两体量子纠缠这一核心问题，作者利用局域幺正不变性，推导出一组由10类厄米置换算子构成的、极其高效的观测量集合。这个集合不仅物理意义清晰（包含纯度、重排、线性熵等），而且在少量训练样本（甚至只用纯态和各向同性态这类“简单”态训练）上就能准确预测任意混合态的纠缠度，远超通用泡利算符或硬件高效电路。
4. 实现了增量学习和高效训练： 该方法的线性性质使得不同来源的数据集可以非常方便地合并（直接相加对应的矩阵），支持增量学习，且整个训练过程在经典计算机上仅需数秒。

4. 研究方法 (Methodology)

作者将回归问题转化为寻找一个最优观测量H的问题。H被表示为一组预先选定的厄米算符Gj的线性组合：H = Σθⱼ*Gⱼ。

1. 数据测量： 对于训练集中的每个量子态，只测量一次所有选定的Gj的期望值。
2. 经典优化： 构建一个包含均方误差和方差正则化项的经典代价函数。通过求解一个由该代价函数梯度为零导出的线性方程组（涉及矩阵求逆或伪逆），一次性得到最优的系数θⱼ。
3. 预测： 对于新的未知量子态，同样只需测量Gj的期望值，然后带入已经算好的线性组合，即可得到预测结果。 该方法的核心优势在于，衡量量子系统的复杂任务被分解为“一次性的量子测量”和“高效的经典线性回归”。

5. 实验结果与结论 (Results and Conclusion)

论文通过两个经典问题验证了方法：

• 预测伊辛模型横场强度： 在8比特系统上，仅用10个训练样本，基于对称性剪裁的3-局域泡利算符Ansatz就能高精度预测横场强度h，其方差接近量子克拉美-罗下界（qCRB），证明了方法的准确性和有效性。
• 预测两体量子比特纠缠度： 该方法在使用其设计的10类置换算子Ansatz时表现出色。即使仅用100个随机混合态或更少的“简单态”（如纯态）训练，也能在测试集上准确预测（MSE~10⁻⁵），远优于传统方法在小样本下的过拟合问题。这表明其Ansatz抓住了纠缠的核心物理结构。

结论与展望： 该工作提供了一种高效、稳健、无需迭代训练量子电路的量子回归框架。其主要局限是要求用户必须对问题的物理对称性有一定理解。未来研究方向包括：探索更优的训练数据集（如X态、稳定子态）、将方法推广到其他量子估计与学习任务、以及对目前经验最优的10类算符Ansatz给出严格的理论证明。

6. 论文标签 (Tags)

量子机器学习, 模拟, 量子信息, 量子算法

📄 点击此处展开/折叠原文 PDF

原文链接： Parametrized-circuit-free quantum regression with variance regularization