1. 量子机器学习中的两大难题贫瘠高原与核指数集中在量子机器学习这个前沿交叉领域变分量子算法和量子核方法是目前最受瞩目的两条技术路线。它们都试图利用量子计算机的并行性和纠缠特性在经典机器学习难以企及的问题上取得突破。然而这两种方法都各自面临着一个看似不同、实则同源的“杀手级”难题。对于变分量子算法这个难题叫做“贫瘠高原”。想象一下你在一片广阔无垠、平坦如镜的高原上寻找一个隐藏的深谷。由于高原过于平坦无论你朝哪个方向走地形都几乎没有变化你根本无法感知到深谷所在的方向。在数学上这意味着代价函数关于变分参数的梯度其方差会随着量子比特数量的增加而指数级衰减至零。结果就是基于梯度的优化算法会完全失效因为每一次参数更新都像是随机漫步需要指数级多的测量次数才能获得有意义的梯度信号这在当前含噪声中等规模量子设备上几乎是不可能的任务。另一方面对于量子核方法难题则是“核指数集中”。量子核的核心思想是将经典数据通过一个量子特征映射编码到高维的希尔伯特空间中然后计算两个数据点对应量子态之间的保真度即内积的平方作为核函数值。这个核函数理论上可以捕捉到经典方法难以表达的复杂模式。但问题在于随着量子比特数的增加几乎所有不同数据点对应的量子态之间的内积都会指数级地趋近于零而相同数据点的内积则趋近于1。最终整个核矩阵会退化为一个近乎对角的单位矩阵。这样的核矩阵失去了区分不同数据的能力使得基于它的机器学习模型如支持向量机无法学到任何有意义的模式量子优势也就无从谈起。长期以来社区里一直有一种直觉这两个问题本质上是相连的都根植于高维希尔伯特空间中量子态的几何特性。但直觉需要证明。最近一项研究通过严格的数学框架正式证明了变分量子算法中的贫瘠高原与量子核方法中的指数集中在特定条件下是等价的。这意味着一个能避免贫瘠高原的量子电路同样可以用来构建一个不会指数集中的、有效的量子核。反之一个存在贫瘠高原的电路其对应的量子核也必然失效。这个证明不仅统一了我们对两个核心难题的理解更重要的是它为设计实用的量子机器学习模型指明了一条清晰的路径与其分别应对两个问题不如集中精力攻克它们的共同根源。注意本文讨论的“等价性”并非指两个现象在所有场景下完全等同而是在一个严谨定义的数学框架下一个问题的存在或不存在必然导致另一个问题的存在或不存在。理解这个框架的边界和前提条件是应用该结论的关键。2. 核心概念拆解从定义到直观理解在深入证明之前我们必须先厘清几个核心概念的确切含义。这就像盖房子前要打好地基定义不清后续的所有推导都可能建立在流沙之上。2.1 量子核与指数集中当“相似性”消失首先我们明确什么是量子核。给定一个n量子比特的系统和一个量子特征映射φ它将一个经典数据点x映射为一个量子态 |φ(x)⟩。这个映射通常由一个参数化的量子电路U(x)实现作用在一个固定的初始态比如全零态 |0⟩^⊗n上。那么两个数据点x和x之间的量子核函数κ(x, x)就定义为它们对应量子态内积的平方κ(x, x) |⟨φ(x)|φ(x)⟩|^2 |⟨0^⊗n| U†(x)U(x) |0^⊗n⟩|^2这个值在0到1之间衡量了两个量子态的“相似度”。1表示完全相同0表示完全正交。将所有数据点两两之间的核函数值排列起来就得到了核矩阵K其中K_ij κ(x_i, x_j)。指数集中描述的是这样一种现象随着量子比特数n的增加对于绝大多数不同的数据对(x, x)核函数值κ(x, x)会以指数速度O(1/b^n) (b1) 趋近于一个固定值μ通常是1/2^n量级。同时κ(x, x)则趋近于1。这导致核矩阵的非对角元代表不同数据点间的相似性迅速衰减到几乎为零而对角元则接近1整个矩阵看起来就像一个单位矩阵。为什么这很糟糕在核方法中模型的“学习能力”很大程度上取决于核矩阵的特征谱。一个健康的核矩阵应该拥有一些显著大于零的特征值它们对应着数据中重要的、可学习的模式。当指数集中发生时所有特征值除了一个与常数函数相关的都会指数级地衰减形成一个“平坦”的特征谱。这意味着要学习数据中的任何一个模式都需要指数级多的训练样本否则模型的泛化误差会极高根本无法进行有效学习。实操心得判断你的量子核是否可能遭遇指数集中一个简单的初步检查是观察核矩阵的可视化图。如果你增加量子比特数或电路深度、复杂度发现核矩阵的非对角元素迅速变暗值趋近于0而对角线保持明亮值趋近于1那么指数集中很可能正在发生。图2中的数值演示基于MNIST数据集清晰地展示了这一过程当量子比特数从2增加到10时非对角元素几乎完全消失。2.2 贫瘠高原与代价集中在平坦的景观中迷失现在来看变分量子算法。一个典型的VQA包含一个参数化的量子电路W(θ)作用在初始态σ上制备出量子态ρ(θ)。我们通过测量一个可观测量O来定义一个代价函数C(θ) Tr[ρ(θ)O]。训练的目标是通过调整参数θ来最小化C(θ)。贫瘠高原指的是代价函数C(θ)关于参数θ的梯度∂C/∂θ的方差随着量子比特数n增加而指数级衰减。用公式表示就是Var_θ[∂_μ C(θ)] ∈ O(1/b^n), 其中b1。梯度方差为零意味着在参数空间的绝大多数区域梯度本身几乎为零虽然期望值可能为零但方差为零意味着几乎没有波动。优化算法如梯度下降依赖于梯度来指示下降方向在贫瘠高原上它接收到的信号被淹没在测量噪声shot noise中导致优化停滞不前。一个与贫瘠高原紧密相关的概念是代价集中。它描述的是代价函数C(θ)本身的取值在参数空间的大部分区域都集中在其期望值μ附近。更严格地说随机选取一个参数点θ_A其代价C(θ_A)偏离期望值μ超过一个阈值δ的概率随着n增加而指数级减小Pr_θ[|C(θ) - μ| ≥ δ] ≤ G(n)/δ^2, 其中G(n) ∈ O(1/b^n)。可以证明存在贫瘠高原就意味着存在代价集中和所谓的“狭窄峡谷”代价函数中低于平均值的区域体积指数小。这三者本质上是同一现象的不同侧面。为什么会出现贫瘠高原根本原因在于量子电路的“表达能力”过强。当参数化电路W(θ)足够随机、复杂例如能形成酉2-design时它制备的量子态在巨大的希尔伯特空间中几乎是均匀分布的。不同参数对应的量子态彼此几乎正交它们对可观测量O的期望值也就高度集中在平均值附近导致代价函数景观异常平坦。2.3 连接两者的桥梁希尔伯特空间中的内积衰减无论是量子核κ(x, x) |⟨φ(x)|φ(x)⟩|^2还是VQA中梯度计算涉及到的项通常包含类似于⟨ψ|O|ψ⟩的形式其核心都是高维希尔伯特空间中的内积。在指数大的希尔特空间维度随n指数增长中随机或均匀采样的量子态之间其内积的幅值期望是指数小的。这是高维几何的一个基本事实。量子核的指数集中直接源于不同数据编码出的量子态之间内积的指数衰减。而VQA中的贫瘠高原其根源之一也是当电路高度随机时参数扰动前后产生的量子态之间具有类似的内积衰减行为从而导致梯度消失。因此两种现象共享同一个物理本质高维希尔伯特空间中量子态内积的指数衰减。论文的贡献在于它没有停留在直觉上而是构建了一个严格的数学框架证明了在特定构造下一个问题的数学界限上界或下界可以“转移”到另一个问题上。3. 等价性定理的构建与证明思路理解了核心概念我们现在可以深入到论文的核心定理1及其证明框架。这个定理建立了贫瘠高原BP与核指数集中EC之间的严格等价关系。3.1 定理陈述与直观解释定理1简化表述给定一个满足特定条件的变分量子算法VQA或量子神经网络QNN其代价函数为C(θ, x)。如果该代价函数存在贫瘠高原即其关于参数的方差指数衰减那么通过一个特定的构造方法公式12从其对应的量子电路中导出的量子核κ(x, x)其关于数据的方差也会指数衰减即出现指数集中。反之如果该代价函数没有贫瘠高原其方差至少以多项式速度衰减那么构造出的量子核也不会出现指数集中。这个定理的威力在于它的双向性负面传递如果你用的VQA电路存在BP那么你别指望用它构建的量子核能好用到哪里去——它几乎肯定会遭遇EC导致机器学习任务失败。正面传递更重要的启示如果你能设计或找到一个无贫瘠高原的VQA电路那么你可以直接用这个电路的架构来构建一个无指数集中的量子核。这为设计实用的量子核提供了一条明确的指导原则去BP-free的VQA文献里找灵感。3.2 关键构造从VQA电路到量子核如何从一个VQA或QNN的电路构造出对应的量子核论文给出了一个精巧的对应关系。考虑一个QNN其数据嵌入部分为U(x)变分部分为W(θ)测量算符为O初始态为ρ0。构造方法我们将QNN中的变分部分W(θ)的角色替换为数据编码器。具体来说我们丢弃原来的数据嵌入U(x)而是让数据x直接作为变分参数输入到W中。同时我们将测量算符O固定为初始态ρ0即|0⟩⟨0|^⊗n。这样对于一个数据点x我们制备的态就是ρ(x) W(x) ρ0 W†(x)。那么两个数据点x和x之间的量子核就自然地定义为κ(x, x) Tr[ρ(x) ρ(x)] Tr[W(x)ρ0W†(x) W(x)ρ0W†(x)]这正是保真度Fidelity核。对于一般的VQA构造思想类似需要将数据编码到初始态σ或测量算符O中以确保最终表达式与上述核函数一致。为什么这样构造这个构造的关键在于它使得量子核的计算形式与VQA代价函数的计算形式在数学结构上变得极其相似。代价函数是C(θ, x) Tr[W(θ)ρ(x)W†(θ)O]而我们的核函数是κ(x, x) Tr[W(x)ρ0W†(x) W(x)ρ0W†(x)]。当我们把核函数中的x看作一个固定参数而x看作变量时κ(x, x)在形式上就像一个以x为“参数”、以W(x)ρ0W†(x)为“测量算符”的代价函数。这种对称性为转移方差界限奠定了基础。3.3 证明的核心两个引理与方差转移定理的证明依赖于两个关键的引理它们处理了条件方差与总方差之间的关系。引理1如果一个关于两个变量xi, xj的对称函数f(xi, xj)在固定其中一个变量xi的条件下关于另一个变量xj的方差有一个指数小的上界F(n)那么该函数关于两个变量联合分布的总方差的上界至多是2F(n)。也就是说条件方差的上界可以“转移”为总方差的上界。引理2同理如果条件方差有一个多项式大的下界G(n)那么这个下界也适用于总方差。证明思路拆解从BP到EC已知VQA代价函数C(θ, x)存在BP即对于任意数据xVar_θ[C(θ, x)] ≤ F(n)且F(n) ∈ O(1/b^n)。通过上述构造我们将量子核κ(x, x)与一个“类代价函数”联系起来。具体地固定x将κ(x, x)视为以x为参数的函数。可以证明这个函数关于x的方差与将x编码到测量算符后的VQA代价函数C(θ, x)的方差满足相同的上界。应用引理1。既然对于任意固定的xVar_x[κ(x, x) | x] ≤ F(n)那么根据引理1关于x和x的联合总方差Var_{x,x}[κ(x, x)] ≤ 2F(n)。由于F(n)是指数小的所以总方差也是指数小的这就证明了量子核存在指数集中EC。从无BP到无EC反之如果VQA代价函数的方差有一个多项式下界即没有BP即Var_θ[C(θ, x)] ≥ G(n)且G(n) ∈ Ω(1/poly(n))。通过类似的对应关系和引理2我们可以推导出量子核的方差也满足Var_{x,x}[κ(x, x)] ≥ G(n)。由于G(n)是多项式衰减而非指数衰减这意味着量子核不会指数集中。注意事项这个等价性证明有一个重要的前提条件即量子核必须是基于全局可观测量这里是投影到初始态ρ0的保真度核。如果使用局部可观测量情况会有所不同。因为BP的研究表明使用局部观测可以缓解甚至避免贫瘠高原但由此定义的“核”可能不再是标准的保真度核其性质和应用也需要重新评估。4. 数值验证与理论示例从抽象证明到具体电路理论再完美也需要实验的支撑。论文通过一个具体的例子生动地展示了这一定理的实际含义。4.1 对比实验指数集中 vs. 无指数集中作者在经典的MNIST手写数字数据集上进行了实验。他们比较了两种不同量子电路构造的核矩阵易指数集中的核采用Havlíček等人在2019年《自然》论文中提出的量子特征映射电路。这种电路将数据的每个特征维度独立地编码到单个量子比特上。如图2所示随着量子比特数n从2增加到10核矩阵的非对角元素迅速衰减到n10时矩阵几乎只剩下对角线元素清晰展示了指数集中现象。无指数集中的核采用Schatzki等人在2024年提出的置换等变量子神经网络的电路架构来构造量子核。该电路被理论证明是无贫瘠高原的。根据我们的定理1用它构造的量子核也应该避免指数集中。实验结果如图3所示与理论预测完全一致。即使量子比特数增加到20由无BP电路构造的核矩阵其非对角元素依然保持显著的非零值整个矩阵呈现出丰富的结构。右侧的方差曲线图更是直观易指数集中核的方差紫色线随n指数暴跌而无BP核的方差黑线仅随n缓慢下降多项式衰减两者形成鲜明对比。4.2 理论示例已有结论的统一解释定理1的强大之处还在于它能统一解释之前一些分散的研究结论由电路表达能力引起的BP导致ECMcClean等人2018年的创性工作指出当变分量子电路足够复杂形成酉2-design时会导致贫瘠高原。根据定理1如果我们用这样一个高度表达力的电路直接作为特征映射来构造量子核如公式12那么该核必然遭遇指数集中。这正好对应了Thanasilp等人在2024年证明的结论量子核的指数集中可由电路的表达力引起。由全局测量引起的BP导致ECCerezo等人在2021年发现即使对于浅层电路如果使用全局可观测量作用在所有量子比特上代价函数仍可能出现贫瘠高原。定理1告诉我们由于量子保真度核本质上要求全局测量计算全系统的态重叠因此这种由全局性引起的BP也会直接转移到量子核上导致其指数集中。实操心得这个等价性为量子核的工程设计提供了宝贵的“负面清单”和“正面清单”。负面清单避免使用已知会导致BP的电路架构来构建量子核例如过于深或过于随机、形成2-design的电路或者使用全局编码和测量方案而缺乏约束。正面清单积极借鉴BP-free的VQA设计思路来构建量子核。目前已知的避免BP的策略包括限制电路深度使用浅层电路。引入对称性等变性使电路结构与问题本身的对称性如置换对称性、平移对称性相匹配。使用局部可观测量和代价函数但这通常与保真度核的要求冲突。精心设计参数初始化策略避免落入随机初始化的平坦区域。 论文中的置换等变电路就是利用对称性来避免BP进而成功构建无EC量子核的典范。5. 深层启示、局限性与未来方向定理的证明不仅建立了联系更引发了对量子机器学习根本问题——量子优势的深层思考。5.1 一个关键的推论与量子优势的困境论文在结论部分指出了一个可能令人沮丧但至关重要的推论一个没有指数集中的量子核很可能也是经典可高效模拟的。逻辑链条是这样的定理1无贫瘠高原BP-free的VQA电路 → 可构造无指数集中EC-free的量子核。近期的多项研究暗示一个可证明无贫瘠高原的变分量子算法很可能意味着该算法可以被经典计算机高效模拟。这是因为避免BP通常需要给电路施加严格的限制如浅层、强对称性、局部性而这些限制往往也使得量子态和计算过程无法产生真正的“量子霸权”所依赖的复杂纠缠和干涉从而落入经典模拟的能力范围之内。因此通过无BP电路构造的无EC量子核其对应的量子计算过程可能也是经典可高效模拟的。那么使用量子计算机来计算这个核就失去了量子加速的优势。这指向了一个深刻的二难困境为了可用避免BP/EC我们可能需要限制电路但这可能同时牺牲了量子优势变得经典可模拟。这呼应了Kübler等人2021年的观点量子核要有效必须编码适当的归纳偏置——即利用问题领域的先验知识来约束假设空间。一个没有归纳偏置的、过于通用的量子核要么遭遇指数集中而失效要么因为避免集中而变得经典可模拟。5.2 对实践者的指导意义对于从事量子机器学习算法开发的工程师和研究人员这项研究给出了几条清晰的行动指南诊断工具合一当你设计一个量子机器学习模型时无论是VQA还是量子核你可以用同一套工具来诊断其潜在问题。例如分析你用于量子核的特征映射电路的表达力或者计算其代价函数如果将数据视为参数的梯度方差可以提前预警指数集中问题。设计思路共享VQA领域为克服BP而发展出的丰富技术——如浅层ansatz、等变网络、局部测量、课程学习、预训练等——现在可以直接迁移到量子核的设计中。在构建量子特征映射时应有意识地引入这些约束。目标重新定位追求“通用”的量子机器学习模型可能是一条死胡同。未来的重点应放在如何为特定问题设计具有合适归纳偏置的量子模型。例如对于分子或材料科学问题构建具有化学点群对称性的量子电路对于图数据构建具有置换不变性的量子核。这样设计的模型既可能避免BP/EC又因为编码了问题的本质结构而可能保留经典方法难以模拟的量子优势。评估标准更新在评估一个量子核的性能时不能只看它在某个数据集上的分类精度。必须同时检查其核矩阵是否健康非对角元未指数衰减并深入分析其是否真的利用了量子特性还是仅仅等效于一个经过复杂映射的经典核。5.3 未解问题与未来挑战这项研究打开了许多新的大门也留下了待解决的挑战定理的逆命题是否完全成立论文证明了从BP到EC的等价性但一个不存在EC的量子核是否一定源于一个BP-free的VQA构造可能存在其他避免EC的机制如投影量子核、量子费舍尔核它们与BP的关系需要进一步厘清。局部核与部分观测保真度核要求全局测量。如果使用基于局部观测的量子核例如只计算部分量子比特子系统的保真度它与VQA中局部代价函数导致的BP缓解有何对应关系这是一个值得探索的方向。含噪声情况论文分析主要基于理想量子电路。在实际的含噪声中等规模量子设备上噪声本身也会引起或改变BP和EC的行为。噪声与表达力、对称性之间的相互作用如何影响这一定理是通向实用化必须面对的问题。寻找“甜蜜点”最大的挑战在于如何在“避免BP/EC”和“保持量子优势”之间找到平衡点。是否存在一类问题其固有的结构允许我们设计出既有强归纳偏置避免集中、又能展现经典无法模拟的量子加速的电路这是量子机器学习理论研究的核心目标之一。这项研究将量子机器学习中两个最根本的挑战统一到了一个框架之下。它告诉我们贫瘠高原和指数集中不是两个独立的敌人而是同一个深渊的两副面孔。要跨越这个深渊我们不能只靠蛮力增加量子比特或电路深度而必须转向更精巧的设计——将问题的灵魂归纳偏置编织进量子电路的骨骼之中。这条路虽然更具挑战但或许是通往真正实用量子机器学习的唯一途径。
量子机器学习统一难题：贫瘠高原与核指数集中的等价性证明与设计启示
发布时间：2026/5/24 6:23:23
1. 量子机器学习中的两大难题贫瘠高原与核指数集中在量子机器学习这个前沿交叉领域变分量子算法和量子核方法是目前最受瞩目的两条技术路线。它们都试图利用量子计算机的并行性和纠缠特性在经典机器学习难以企及的问题上取得突破。然而这两种方法都各自面临着一个看似不同、实则同源的“杀手级”难题。对于变分量子算法这个难题叫做“贫瘠高原”。想象一下你在一片广阔无垠、平坦如镜的高原上寻找一个隐藏的深谷。由于高原过于平坦无论你朝哪个方向走地形都几乎没有变化你根本无法感知到深谷所在的方向。在数学上这意味着代价函数关于变分参数的梯度其方差会随着量子比特数量的增加而指数级衰减至零。结果就是基于梯度的优化算法会完全失效因为每一次参数更新都像是随机漫步需要指数级多的测量次数才能获得有意义的梯度信号这在当前含噪声中等规模量子设备上几乎是不可能的任务。另一方面对于量子核方法难题则是“核指数集中”。量子核的核心思想是将经典数据通过一个量子特征映射编码到高维的希尔伯特空间中然后计算两个数据点对应量子态之间的保真度即内积的平方作为核函数值。这个核函数理论上可以捕捉到经典方法难以表达的复杂模式。但问题在于随着量子比特数的增加几乎所有不同数据点对应的量子态之间的内积都会指数级地趋近于零而相同数据点的内积则趋近于1。最终整个核矩阵会退化为一个近乎对角的单位矩阵。这样的核矩阵失去了区分不同数据的能力使得基于它的机器学习模型如支持向量机无法学到任何有意义的模式量子优势也就无从谈起。长期以来社区里一直有一种直觉这两个问题本质上是相连的都根植于高维希尔伯特空间中量子态的几何特性。但直觉需要证明。最近一项研究通过严格的数学框架正式证明了变分量子算法中的贫瘠高原与量子核方法中的指数集中在特定条件下是等价的。这意味着一个能避免贫瘠高原的量子电路同样可以用来构建一个不会指数集中的、有效的量子核。反之一个存在贫瘠高原的电路其对应的量子核也必然失效。这个证明不仅统一了我们对两个核心难题的理解更重要的是它为设计实用的量子机器学习模型指明了一条清晰的路径与其分别应对两个问题不如集中精力攻克它们的共同根源。注意本文讨论的“等价性”并非指两个现象在所有场景下完全等同而是在一个严谨定义的数学框架下一个问题的存在或不存在必然导致另一个问题的存在或不存在。理解这个框架的边界和前提条件是应用该结论的关键。2. 核心概念拆解从定义到直观理解在深入证明之前我们必须先厘清几个核心概念的确切含义。这就像盖房子前要打好地基定义不清后续的所有推导都可能建立在流沙之上。2.1 量子核与指数集中当“相似性”消失首先我们明确什么是量子核。给定一个n量子比特的系统和一个量子特征映射φ它将一个经典数据点x映射为一个量子态 |φ(x)⟩。这个映射通常由一个参数化的量子电路U(x)实现作用在一个固定的初始态比如全零态 |0⟩^⊗n上。那么两个数据点x和x之间的量子核函数κ(x, x)就定义为它们对应量子态内积的平方κ(x, x) |⟨φ(x)|φ(x)⟩|^2 |⟨0^⊗n| U†(x)U(x) |0^⊗n⟩|^2这个值在0到1之间衡量了两个量子态的“相似度”。1表示完全相同0表示完全正交。将所有数据点两两之间的核函数值排列起来就得到了核矩阵K其中K_ij κ(x_i, x_j)。指数集中描述的是这样一种现象随着量子比特数n的增加对于绝大多数不同的数据对(x, x)核函数值κ(x, x)会以指数速度O(1/b^n) (b1) 趋近于一个固定值μ通常是1/2^n量级。同时κ(x, x)则趋近于1。这导致核矩阵的非对角元代表不同数据点间的相似性迅速衰减到几乎为零而对角元则接近1整个矩阵看起来就像一个单位矩阵。为什么这很糟糕在核方法中模型的“学习能力”很大程度上取决于核矩阵的特征谱。一个健康的核矩阵应该拥有一些显著大于零的特征值它们对应着数据中重要的、可学习的模式。当指数集中发生时所有特征值除了一个与常数函数相关的都会指数级地衰减形成一个“平坦”的特征谱。这意味着要学习数据中的任何一个模式都需要指数级多的训练样本否则模型的泛化误差会极高根本无法进行有效学习。实操心得判断你的量子核是否可能遭遇指数集中一个简单的初步检查是观察核矩阵的可视化图。如果你增加量子比特数或电路深度、复杂度发现核矩阵的非对角元素迅速变暗值趋近于0而对角线保持明亮值趋近于1那么指数集中很可能正在发生。图2中的数值演示基于MNIST数据集清晰地展示了这一过程当量子比特数从2增加到10时非对角元素几乎完全消失。2.2 贫瘠高原与代价集中在平坦的景观中迷失现在来看变分量子算法。一个典型的VQA包含一个参数化的量子电路W(θ)作用在初始态σ上制备出量子态ρ(θ)。我们通过测量一个可观测量O来定义一个代价函数C(θ) Tr[ρ(θ)O]。训练的目标是通过调整参数θ来最小化C(θ)。贫瘠高原指的是代价函数C(θ)关于参数θ的梯度∂C/∂θ的方差随着量子比特数n增加而指数级衰减。用公式表示就是Var_θ[∂_μ C(θ)] ∈ O(1/b^n), 其中b1。梯度方差为零意味着在参数空间的绝大多数区域梯度本身几乎为零虽然期望值可能为零但方差为零意味着几乎没有波动。优化算法如梯度下降依赖于梯度来指示下降方向在贫瘠高原上它接收到的信号被淹没在测量噪声shot noise中导致优化停滞不前。一个与贫瘠高原紧密相关的概念是代价集中。它描述的是代价函数C(θ)本身的取值在参数空间的大部分区域都集中在其期望值μ附近。更严格地说随机选取一个参数点θ_A其代价C(θ_A)偏离期望值μ超过一个阈值δ的概率随着n增加而指数级减小Pr_θ[|C(θ) - μ| ≥ δ] ≤ G(n)/δ^2, 其中G(n) ∈ O(1/b^n)。可以证明存在贫瘠高原就意味着存在代价集中和所谓的“狭窄峡谷”代价函数中低于平均值的区域体积指数小。这三者本质上是同一现象的不同侧面。为什么会出现贫瘠高原根本原因在于量子电路的“表达能力”过强。当参数化电路W(θ)足够随机、复杂例如能形成酉2-design时它制备的量子态在巨大的希尔伯特空间中几乎是均匀分布的。不同参数对应的量子态彼此几乎正交它们对可观测量O的期望值也就高度集中在平均值附近导致代价函数景观异常平坦。2.3 连接两者的桥梁希尔伯特空间中的内积衰减无论是量子核κ(x, x) |⟨φ(x)|φ(x)⟩|^2还是VQA中梯度计算涉及到的项通常包含类似于⟨ψ|O|ψ⟩的形式其核心都是高维希尔伯特空间中的内积。在指数大的希尔特空间维度随n指数增长中随机或均匀采样的量子态之间其内积的幅值期望是指数小的。这是高维几何的一个基本事实。量子核的指数集中直接源于不同数据编码出的量子态之间内积的指数衰减。而VQA中的贫瘠高原其根源之一也是当电路高度随机时参数扰动前后产生的量子态之间具有类似的内积衰减行为从而导致梯度消失。因此两种现象共享同一个物理本质高维希尔伯特空间中量子态内积的指数衰减。论文的贡献在于它没有停留在直觉上而是构建了一个严格的数学框架证明了在特定构造下一个问题的数学界限上界或下界可以“转移”到另一个问题上。3. 等价性定理的构建与证明思路理解了核心概念我们现在可以深入到论文的核心定理1及其证明框架。这个定理建立了贫瘠高原BP与核指数集中EC之间的严格等价关系。3.1 定理陈述与直观解释定理1简化表述给定一个满足特定条件的变分量子算法VQA或量子神经网络QNN其代价函数为C(θ, x)。如果该代价函数存在贫瘠高原即其关于参数的方差指数衰减那么通过一个特定的构造方法公式12从其对应的量子电路中导出的量子核κ(x, x)其关于数据的方差也会指数衰减即出现指数集中。反之如果该代价函数没有贫瘠高原其方差至少以多项式速度衰减那么构造出的量子核也不会出现指数集中。这个定理的威力在于它的双向性负面传递如果你用的VQA电路存在BP那么你别指望用它构建的量子核能好用到哪里去——它几乎肯定会遭遇EC导致机器学习任务失败。正面传递更重要的启示如果你能设计或找到一个无贫瘠高原的VQA电路那么你可以直接用这个电路的架构来构建一个无指数集中的量子核。这为设计实用的量子核提供了一条明确的指导原则去BP-free的VQA文献里找灵感。3.2 关键构造从VQA电路到量子核如何从一个VQA或QNN的电路构造出对应的量子核论文给出了一个精巧的对应关系。考虑一个QNN其数据嵌入部分为U(x)变分部分为W(θ)测量算符为O初始态为ρ0。构造方法我们将QNN中的变分部分W(θ)的角色替换为数据编码器。具体来说我们丢弃原来的数据嵌入U(x)而是让数据x直接作为变分参数输入到W中。同时我们将测量算符O固定为初始态ρ0即|0⟩⟨0|^⊗n。这样对于一个数据点x我们制备的态就是ρ(x) W(x) ρ0 W†(x)。那么两个数据点x和x之间的量子核就自然地定义为κ(x, x) Tr[ρ(x) ρ(x)] Tr[W(x)ρ0W†(x) W(x)ρ0W†(x)]这正是保真度Fidelity核。对于一般的VQA构造思想类似需要将数据编码到初始态σ或测量算符O中以确保最终表达式与上述核函数一致。为什么这样构造这个构造的关键在于它使得量子核的计算形式与VQA代价函数的计算形式在数学结构上变得极其相似。代价函数是C(θ, x) Tr[W(θ)ρ(x)W†(θ)O]而我们的核函数是κ(x, x) Tr[W(x)ρ0W†(x) W(x)ρ0W†(x)]。当我们把核函数中的x看作一个固定参数而x看作变量时κ(x, x)在形式上就像一个以x为“参数”、以W(x)ρ0W†(x)为“测量算符”的代价函数。这种对称性为转移方差界限奠定了基础。3.3 证明的核心两个引理与方差转移定理的证明依赖于两个关键的引理它们处理了条件方差与总方差之间的关系。引理1如果一个关于两个变量xi, xj的对称函数f(xi, xj)在固定其中一个变量xi的条件下关于另一个变量xj的方差有一个指数小的上界F(n)那么该函数关于两个变量联合分布的总方差的上界至多是2F(n)。也就是说条件方差的上界可以“转移”为总方差的上界。引理2同理如果条件方差有一个多项式大的下界G(n)那么这个下界也适用于总方差。证明思路拆解从BP到EC已知VQA代价函数C(θ, x)存在BP即对于任意数据xVar_θ[C(θ, x)] ≤ F(n)且F(n) ∈ O(1/b^n)。通过上述构造我们将量子核κ(x, x)与一个“类代价函数”联系起来。具体地固定x将κ(x, x)视为以x为参数的函数。可以证明这个函数关于x的方差与将x编码到测量算符后的VQA代价函数C(θ, x)的方差满足相同的上界。应用引理1。既然对于任意固定的xVar_x[κ(x, x) | x] ≤ F(n)那么根据引理1关于x和x的联合总方差Var_{x,x}[κ(x, x)] ≤ 2F(n)。由于F(n)是指数小的所以总方差也是指数小的这就证明了量子核存在指数集中EC。从无BP到无EC反之如果VQA代价函数的方差有一个多项式下界即没有BP即Var_θ[C(θ, x)] ≥ G(n)且G(n) ∈ Ω(1/poly(n))。通过类似的对应关系和引理2我们可以推导出量子核的方差也满足Var_{x,x}[κ(x, x)] ≥ G(n)。由于G(n)是多项式衰减而非指数衰减这意味着量子核不会指数集中。注意事项这个等价性证明有一个重要的前提条件即量子核必须是基于全局可观测量这里是投影到初始态ρ0的保真度核。如果使用局部可观测量情况会有所不同。因为BP的研究表明使用局部观测可以缓解甚至避免贫瘠高原但由此定义的“核”可能不再是标准的保真度核其性质和应用也需要重新评估。4. 数值验证与理论示例从抽象证明到具体电路理论再完美也需要实验的支撑。论文通过一个具体的例子生动地展示了这一定理的实际含义。4.1 对比实验指数集中 vs. 无指数集中作者在经典的MNIST手写数字数据集上进行了实验。他们比较了两种不同量子电路构造的核矩阵易指数集中的核采用Havlíček等人在2019年《自然》论文中提出的量子特征映射电路。这种电路将数据的每个特征维度独立地编码到单个量子比特上。如图2所示随着量子比特数n从2增加到10核矩阵的非对角元素迅速衰减到n10时矩阵几乎只剩下对角线元素清晰展示了指数集中现象。无指数集中的核采用Schatzki等人在2024年提出的置换等变量子神经网络的电路架构来构造量子核。该电路被理论证明是无贫瘠高原的。根据我们的定理1用它构造的量子核也应该避免指数集中。实验结果如图3所示与理论预测完全一致。即使量子比特数增加到20由无BP电路构造的核矩阵其非对角元素依然保持显著的非零值整个矩阵呈现出丰富的结构。右侧的方差曲线图更是直观易指数集中核的方差紫色线随n指数暴跌而无BP核的方差黑线仅随n缓慢下降多项式衰减两者形成鲜明对比。4.2 理论示例已有结论的统一解释定理1的强大之处还在于它能统一解释之前一些分散的研究结论由电路表达能力引起的BP导致ECMcClean等人2018年的创性工作指出当变分量子电路足够复杂形成酉2-design时会导致贫瘠高原。根据定理1如果我们用这样一个高度表达力的电路直接作为特征映射来构造量子核如公式12那么该核必然遭遇指数集中。这正好对应了Thanasilp等人在2024年证明的结论量子核的指数集中可由电路的表达力引起。由全局测量引起的BP导致ECCerezo等人在2021年发现即使对于浅层电路如果使用全局可观测量作用在所有量子比特上代价函数仍可能出现贫瘠高原。定理1告诉我们由于量子保真度核本质上要求全局测量计算全系统的态重叠因此这种由全局性引起的BP也会直接转移到量子核上导致其指数集中。实操心得这个等价性为量子核的工程设计提供了宝贵的“负面清单”和“正面清单”。负面清单避免使用已知会导致BP的电路架构来构建量子核例如过于深或过于随机、形成2-design的电路或者使用全局编码和测量方案而缺乏约束。正面清单积极借鉴BP-free的VQA设计思路来构建量子核。目前已知的避免BP的策略包括限制电路深度使用浅层电路。引入对称性等变性使电路结构与问题本身的对称性如置换对称性、平移对称性相匹配。使用局部可观测量和代价函数但这通常与保真度核的要求冲突。精心设计参数初始化策略避免落入随机初始化的平坦区域。 论文中的置换等变电路就是利用对称性来避免BP进而成功构建无EC量子核的典范。5. 深层启示、局限性与未来方向定理的证明不仅建立了联系更引发了对量子机器学习根本问题——量子优势的深层思考。5.1 一个关键的推论与量子优势的困境论文在结论部分指出了一个可能令人沮丧但至关重要的推论一个没有指数集中的量子核很可能也是经典可高效模拟的。逻辑链条是这样的定理1无贫瘠高原BP-free的VQA电路 → 可构造无指数集中EC-free的量子核。近期的多项研究暗示一个可证明无贫瘠高原的变分量子算法很可能意味着该算法可以被经典计算机高效模拟。这是因为避免BP通常需要给电路施加严格的限制如浅层、强对称性、局部性而这些限制往往也使得量子态和计算过程无法产生真正的“量子霸权”所依赖的复杂纠缠和干涉从而落入经典模拟的能力范围之内。因此通过无BP电路构造的无EC量子核其对应的量子计算过程可能也是经典可高效模拟的。那么使用量子计算机来计算这个核就失去了量子加速的优势。这指向了一个深刻的二难困境为了可用避免BP/EC我们可能需要限制电路但这可能同时牺牲了量子优势变得经典可模拟。这呼应了Kübler等人2021年的观点量子核要有效必须编码适当的归纳偏置——即利用问题领域的先验知识来约束假设空间。一个没有归纳偏置的、过于通用的量子核要么遭遇指数集中而失效要么因为避免集中而变得经典可模拟。5.2 对实践者的指导意义对于从事量子机器学习算法开发的工程师和研究人员这项研究给出了几条清晰的行动指南诊断工具合一当你设计一个量子机器学习模型时无论是VQA还是量子核你可以用同一套工具来诊断其潜在问题。例如分析你用于量子核的特征映射电路的表达力或者计算其代价函数如果将数据视为参数的梯度方差可以提前预警指数集中问题。设计思路共享VQA领域为克服BP而发展出的丰富技术——如浅层ansatz、等变网络、局部测量、课程学习、预训练等——现在可以直接迁移到量子核的设计中。在构建量子特征映射时应有意识地引入这些约束。目标重新定位追求“通用”的量子机器学习模型可能是一条死胡同。未来的重点应放在如何为特定问题设计具有合适归纳偏置的量子模型。例如对于分子或材料科学问题构建具有化学点群对称性的量子电路对于图数据构建具有置换不变性的量子核。这样设计的模型既可能避免BP/EC又因为编码了问题的本质结构而可能保留经典方法难以模拟的量子优势。评估标准更新在评估一个量子核的性能时不能只看它在某个数据集上的分类精度。必须同时检查其核矩阵是否健康非对角元未指数衰减并深入分析其是否真的利用了量子特性还是仅仅等效于一个经过复杂映射的经典核。5.3 未解问题与未来挑战这项研究打开了许多新的大门也留下了待解决的挑战定理的逆命题是否完全成立论文证明了从BP到EC的等价性但一个不存在EC的量子核是否一定源于一个BP-free的VQA构造可能存在其他避免EC的机制如投影量子核、量子费舍尔核它们与BP的关系需要进一步厘清。局部核与部分观测保真度核要求全局测量。如果使用基于局部观测的量子核例如只计算部分量子比特子系统的保真度它与VQA中局部代价函数导致的BP缓解有何对应关系这是一个值得探索的方向。含噪声情况论文分析主要基于理想量子电路。在实际的含噪声中等规模量子设备上噪声本身也会引起或改变BP和EC的行为。噪声与表达力、对称性之间的相互作用如何影响这一定理是通向实用化必须面对的问题。寻找“甜蜜点”最大的挑战在于如何在“避免BP/EC”和“保持量子优势”之间找到平衡点。是否存在一类问题其固有的结构允许我们设计出既有强归纳偏置避免集中、又能展现经典无法模拟的量子加速的电路这是量子机器学习理论研究的核心目标之一。这项研究将量子机器学习中两个最根本的挑战统一到了一个框架之下。它告诉我们贫瘠高原和指数集中不是两个独立的敌人而是同一个深渊的两副面孔。要跨越这个深渊我们不能只靠蛮力增加量子比特或电路深度而必须转向更精巧的设计——将问题的灵魂归纳偏置编织进量子电路的骨骼之中。这条路虽然更具挑战但或许是通往真正实用量子机器学习的唯一途径。
