《PLOS One》：CohAlign: Predicting the first-order noise susceptibility of gradients in equivariant quantum neural networks
编辑推荐：
量子神经网络通过跟随梯度进行学习，而在真实硬件上这些梯度会被噪声抹除。在运行任何有限噪声实验或电路扫描之前预测这一退化发生的速度，仍是一个未解难题。研究人员提出了CohAlign，一个开源工具包，用于计算电荷守恒砖墙式量子神经网络（charge conserv
量子神经网络通过跟随梯度进行学习，而在真实硬件上这些梯度会被噪声抹除。在运行任何有限噪声实验或电路扫描之前预测这一退化发生的速度，仍是一个未解难题。研究人员提出了CohAlign，一个开源工具包，用于计算电荷守恒砖墙式量子神经网络（charge conserving brickwork quantum neural network）中指定参数梯度的系综二阶矩的一阶噪声敏感性（first order noise susceptibility）。该计算仅需电路的经典描述、噪声模型、制备态、读出方式以及初始化先验分布。所预测的量与训练收敛性或最终精度不同。关键观察在于，只有测量实际能够感知到的噪声部分才起作用。一个特意构造的控制通道清晰地说明了这一点：它以近乎最大速率破坏携带梯度的算符，而测得的梯度却完全如预测般不受影响。研究人员在基准测试套件上，将预测结果与分别评估的有限差分斜率进行了验证，包括一个有符号相干情形，在八量子比特和十量子比特的精确模拟中，以及在两种电路拓扑结构下均完成了验证。
研究背景与问题
变分量子算法被认为是近期量子硬件上实现有用计算的主要候选方案之一。其核心思想是通过带有可训练参数的电路，测量输出端的代价函数，并利用参数平移规则获取梯度来调整参数。然而，将该方法扩展到更大规模面临两大障碍：一是深度或高表达力电路中的贫瘠高原现象，即梯度随系统尺寸呈指数级消失；二是硬件噪声引入的另一种截然不同的机制——即使无噪声景观是良性的，噪声也会在层间累积抑制测量到的梯度，最坏情况下会产生任何初始化都无法修复的噪声诱导型高原。现有理论虽已识别出避免贫瘠高原的架构与初始化策略，但如何在运行任何实验前预测噪声对梯度的具体影响，尤其是针对特定参数和读出方式的退化程度，仍是开放问题。
对称性为应对这两类困难提供了有希望的路径。等变架构限制每个门与守恒荷对易，是通往可训练模型的最具吸引力途径之一。然而，对称性带来的另一个较少被认识的好处是：由于动力学被限制在固定电荷扇区内，代价函数及其梯度位于希尔伯特空间已知部分，只有该扇区内特定部分的相干性对局部读出可见。因此，单一的噪声标量总结过于悲观，因为它无法说明损伤落在何处。本研究的核心对比在于：通道收缩并不等同于测量到的梯度退化。两个具有相同最差情况速率的通道可能以非常不同的速度退化梯度，而一个快速收缩几乎所有相干方向的通道，若其收缩方向恰是读出不可见的，则可能使梯度完全不受影响。
研究内容与结论
本研究将上述观察定量化，并将其转化为可工作的软件工具。研究对象是家族式的砖墙式量子神经网络，该网络在相位旋转下守恒全局电荷。核心数学对象是噪声生成元的扇区内非对角块，即简并电荷本征空间内的占据数基相干性。研究人员区分了三个逐次精细化的量：最差情况扇区相干速率（worst case sector coherence rate，Γwc），衡量通道收缩任何相干方向的最快速度；算符模收缩速率（operator mode contraction rate，Γop），衡量通道收缩携带特定参数导数读出的算符模的速度；响应敏感性（response susceptibility，χ），衡量初始化系综二阶矩随噪声衰减的速度，它联合依赖于通道、架构、参数、读出、制备态和初始化系综。
本研究的关键贡献是证明后两个量本质不同。研究人员展示了一个案例：通道以几乎全最差速率收缩梯度模，但测量到的梯度完全不衰减，原因在于收缩对读出不可见。这直接回答了为何算符收缩速率本身不足够的问题。实践贡献是开发了名为CohAlign的工具包，它能从问题的经典描述出发提前计算所有三个量，无需任何有限噪声电路扫描或实测退化数据，但需要无噪声电路在研究所用系统尺寸上的经典模拟。
关键技术方法
研究人员采用的主要技术方法包括：1）基于马尔可夫生成元（Markovian generator，L）的受限超算符构造，将噪声通道投影到选定扇区的非对角块上，通过有限探针强度数值微分获得；2）最差情况扇区相干速率通过相干块上衰减速率的瑞利商变分上确界谱计算；3）算符模收缩速率通过对插入点处海森堡演化的读出算符的投影对易子进行系综平均得到；4）响应敏感性通过将含噪导数展开至一阶，计算无噪声导数与其响应的交叉矩，并由工具包直接实现系综累积估计；5）验证协议采用匹配的有限差分比较，在同一组参数采样上同时执行生成元推导的预测和有限噪声密度矩阵模拟的参考值，并通过线性外推至零噪声强度进行对比。
研究结果
3.1 算符速率的恢复与零对齐控制：在受限各向同性通道上，生成元以共同速度收缩相干块的每个方向，审计在八量子比特下以相对误差低于10-3恢复了最差情况速率。在相关退相位控制通道中，尽管模式诊断显示通道以接近最差速度收缩梯度算符（比率0.969），但响应预测和测量值均为零，证实了收缩与响应之间的根本区别。
3.2 敏感性的直接一阶验证：对每个耗散通道和有符号纯相干过旋转，研究人员在共享参数采样上测量四个极低每层强度的配对退化，形成有限差分敏感性并线性外推至零噪声。每个耗散通道均落在恒等线上，最大相对偏差为10-3探针偏置。受保护的相关退相位参数返回的有限差分极限为零至数值精度。有符号相干情形在四百采样的放大系综上，计算的敏感性为负值且置信区间排除零，与有限差分极限一致。
3.3 跨架构、系统规模和设置的恒等式：在开放链架构上，退相位和振幅阻尼均落在预期探针偏置处，相关控制响应为零。在十量子比特缩减设置下同样如此。设置面板改变初始化宽度、跳跃背景和读出站点，每个可测量行与匹配有限差分的偏差最多为10-2。读出变化导致退相位敏感性从7.99移至7.38，证实了构造声称的读出依赖性。
3.4 跨通道族系的比对：在主参数下，预测比率与缺陷窗口截距的均方根误差为0.009（八个不同通道）。六个相位协变耗散通道的一致度为0.005，两个协方差破缺探针为0.016。预测跟踪测量退化，当预测退化低于0.1时，测量与预测偏差保持在4%以内。
3.5 深度、更高电荷扇区与计算成本：深度研究中，退相位的最终噪声槽贡献为零，三至六层的预测与测量比对中位绝对差为0.009。相关控制在浅层光锥内受保护，随着光锥跨越配对边，比对在四层时开启至0.503预测对0.488测量。在两激发扇区（756维相干块）中，八个不同通道的预测比对与测量的均方根误差为0.037，相关控制不再受保护。
3.6 从预测到决策：在深度四几何中，每个可测量位置在退相位和相关控制下均被审计并在工作强度0.01处测量。测量保留率严格遵循审计预测的排序，且最优放置位置在两种噪声模型下反转。复合通道应用中，审计正确推荐了应减半的噪声分量。
讨论与结论
本研究的实用价值在于，噪声意识从描述转变为设计时的预测。因为按参数分辨，它区分的是单个参数而非整个通道。概念上，研究分离了两个易混淆的量：模式收缩速率独立于制备态，而响应敏感性评估了对测量导数的完整一阶效应，包括决定收缩是否实际可见的状态和槽依赖项。研究明确指出，CohAlign预测的是指定先验下选定梯度系综二阶矩的衰减，它本身不预测训练参数向量处的梯度、优化器收敛性、精度或测量复杂度。局限性包括：深层电路中有效样本量可能变小；九个通道构成设计基准而非重建器件噪声；真实器件在固定通道模型之上还有门和层依赖性；预测器是一阶的，在大累计缺陷处标记其边界。结论部分翻译如下：在本论文中，研究人员提出了CohAlign，一个开源工具包，用于计算等变量子神经网络中指定参数梯度的初始化系综二阶矩的一阶敏感性，按参数和噪声槽分辨。输入是等变量子神经网络的经典描述、可微噪声模型、制备态、读出和初始化先验。
