噪声增强的量子核方法：基于模拟量子计算从稀疏时间数据估计非马尔可夫性

《Scientific Reports》：Noise-enhanced quantum kernels on analog quantum computers for estimating the non-Markovianity from sparse temporal data

　　

量子核方法是一种前景广阔的量子机器学习算法，具有展示量子优势的巨大潜力。尽管大多数量子核是在基于门的量子电路背景下构建的，但在里德伯（Rydberg）原子模拟量子计算思想的启发下，研究人员构建了一种模拟量子核和一种混合量子核，并在从稀疏时间数据估计非马尔可夫性（non-Markovianity）这一具有物理动机的任务中，展示了它们相对于其他标准基线的竞争力。关键是，研究人员报道了一种反直觉现象：当原子间距离被适当调节时，操作噪声（operational noise）能够增强它们的性能。研究人员的分析表明，尽管这些模型紧密拟合训练数据，噪声仍能帮助模拟和混合量子模型将测试均方误差（Mean Squared Error, MSE）控制在合理范围内，从而产生具有更高复杂度且训练MSE低于或相当于其理想对应物的模型。研究结果不仅揭示了噪声可以反直觉地有益于模拟和混合量子核方法，而且为在缓解实验需求的情况下高效估计非马尔可夫性提供了一条有效途径。

量子核方法是一种极具前景的量子机器学习算法，具有展示量子优势的巨大潜力。然而，现有量子核大多在基于门的量子电路框架中构建，而当前量子设备处于含噪声中等规模量子（Noisy Intermediate-Scale Quantum, NISQ）时代，严重噪声限制了可实现的电路深度，阻碍了实际应用。模拟量子计算通过可控哈密顿演化执行任务，可显著降低电路深度。受里德伯（Rydberg）原子模拟量子计算的启发，研究人员构建了模拟量子核和混合量子核，并将其应用于估计稀疏时间数据中的非马尔可夫性。非马尔可夫性源于量子系统与环境之间的信息交换，是开放量子系统动力学的重要性质。现有度量通常依赖具有足够精细时间分辨率的量子过程层析（quantum process tomography），实验资源开销巨大。因此，利用量子机器学习从稀疏时间数据直接估计非马尔可夫性，对于缓解实验需求具有重要意义。

研究人员采用支持向量回归（Support Vector Regression, SVR）作为学习算法。模拟量子核将特征编码到里德伯原子系统的局域能级间距中，通过含时演化生成量子特征映射；混合量子核采用数字-模拟拟设，用单比特门编码特征，并以简并哈密顿量演化替代CNOT纠缠层。噪声模型包括操作噪声（能级间距、拉比频率、原子位置涨落、CNOT门角度误差）和退极化噪声。训练数据来自偏置自旋-玻色子模型（biased spin-boson model），研究人员均匀采样超欧姆谱密度指数s∈[1.1,6.5]和温度T∈[0.5,4.5]，生成400个训练样本和200个测试样本；每个样本由10个等间距时间点的退相干因子实部与虚部构成，经主成分分析降至10维并做归一化。数值模拟使用QuantumToolbox.jl，模型训练使用Scikit-learn。

研究结果部分包括以下各小标题：

支持向量回归器与核函数：SVR通过ε-不敏感损失优化目标函数，其决策函数可表示为核函数的线性组合，从而在高维特征空间中隐式完成回归任务。

量子特征映射与量子核方法：量子核函数由两个量子特征映射态的内积模方定义，可通过测量末态概率或SWAP测试协议进行估计，是构建量子模型的核心组件。

数字量子核：采用硬件高效拟设（Hardware-Efficient Ansatz, HEA），由两层编码层和一层CNOT纠缠层组成。为降低硬件噪声，纠缠层采用相邻比特线性排列，仅需d-1个CNOT门。

模拟量子核：将特征编码进里德伯原子系统的哈密顿量参数中，系统在范德瓦尔斯相互作用下自主演化。由于该演化不易被反转，研究人员使用SWAP测试估计核函数。原子间距较小时会出现里德伯阻塞效应，影响核的性质。

混合量子核：在数字-模拟拟设框架下，用简并哈密顿量的模拟演化替代HEA中的CNOT层。这一结构兼具数字量子电路的灵活性与模拟演化的抗噪声能力。

噪声模型：操作噪声通过对噪声参数进行多次采样并构建噪声系综来模拟，得到噪声核矩阵；退极化噪声的作用等价于对理想核矩阵进行缩放和平移，且可通过调整超参数C加以补偿，因此训练过程对退极化噪声具有鲁棒性。

从稀疏时间数据估计非马尔可夫性：BLP度量通过最大化迹距离（trace distance）的累积恢复来量化非马尔可夫性，实验上通常需要精细时间分辨率。该研究利用10个等间距时间点的稀疏数据构造特征，避免了对精确局域极值的依赖。

训练数据生成：基于偏置自旋-玻色子模型的解析退相干因子，研究人员计算对应的BLP非马尔可夫性作为标签，并构建了特征-标签数据集。

数值结果：在原子间距离a=1.05R_b时，所有模型均取得较低的均方误差，其中数字和混合量子核优于经典RBF