科研进展 ICLR | 一种基于经典阴影和贝叶斯优化的高效学习算法
近日，北京师范大学、南方科技大学、北京大学及澳大利亚西澳大学等机构的研究者提出了一种结合“经典阴影”与“贝叶斯优化”的新框架，用于预测弱噪声量子态的复杂度 。传统观点认为量子态复杂度随演化时间线性增长，但这仅适用于纯态。这项工作利用量子电路架构的“内蕴结构”将复杂度评估转化为高效的线性优化问题，并在二维横场伊辛模型的动力学演化中验证了该方法，揭示了噪声环境下复杂度随电路深度增加反而可能降低的反直觉现象，同时理论证明了该学习算法在样本复杂度上达到了针对电路深度的最优下界。该成果发表于人工智能领域国际顶级会议 International Conference on Learning Representation (ICLR)。
研究背景
量子态复杂度（Quantum State Complexity）是物理学中的一个核心概念，它量化了从初始态（如 $|0^n\rangle$）制备目标量子态所需的最小量子门数量。
- 理论现状：对于纯态，已有研究证明其复杂度随系统规模线性增长，这与全息对偶中的虫洞体积增长等高能物理概念密切相关。
- 现实挑战：现实世界的量子设备不可避免地受到环境噪声的影响。对于受噪声影响的量子态，其复杂度如何演化仍是一个未解之谜。现有的纯态复杂度定义难以直接应用于噪声环境。
- 本文目标：研究聚焦于“弱噪声量子态”（Weakly Noisy Quantum States），即由深度为 $\tilde{R} \leq\mathcal{O}(\text{poly} \log n)$ 且噪声强度为 $p<\mathcal{O}(1/n)$ 的电路生成的量子态，旨在通过学习算法预测其复杂度。
方法概述
本文提出了一种基于经典阴影（Classical Shadow）和贝叶斯优化的高效学习算法。
有限结构诱导的量子态复杂度（LS Complexity）：
作者定义了“有限结构（Limited-Structured）复杂度”，即判断一个弱噪声态 $\rho$ 是否能被特定量子电路架构诱导的测量算符与最大混合态 $I_n/2^n$ 区分开来。下图展示了该方法的流程：
定义特定架构 $\mathcal{A}$；
通过优化算法寻找区分目标态与最大混合态的最佳参数。
核心度量函数：
为了预测复杂度，作者构建了一个基于参数 $\vec{\beta}$ 的度量函数
其中 $M(\vec{\beta}) = \sum_{i=1}^N \beta_i \hat{\rho}_i$ 是由 QCA 样本态构成的参数化测量算符。
算法流程：
算法利用 QCA 的“内蕴结构（Intrinsic Structure）”性质，将寻找最优测量算符的问题转化为在一个紧致集合上的线性函数优化问题 8。通过贝叶斯优化（BMaxS 算法）最大化上述度量函数，并结合二分查找来确定满足条件的最小电路深度 $R$ 。
核心结果
本文在理论上证明了该学习算法的有效性和最优性：
QCA 内蕴结构定理（Theorem 1）：
证明了特定架构下的最优测量算符可以被 $N = \text{poly}(n)$ 个随机采样的 QCA 电路的线性组合高效逼近，这是算法高效率的理论基础。
样本复杂度下界（Theorem 3）：
对于深度为 $\tilde{R}$、受强度为 $p$ 的噪声影响的量子态，任何学习算法所需的样本量 $m$ 至少为：
$$m \ge \frac{(1-p)^{-2c\tilde{R}}(1-\delta)^{2}}{2n}$$
这表明样本复杂度下界对于 $p \approx 0$ 的情况呈线性增长。结合本文所提出算法的复杂度上界，证明了该算法在$\tilde{R}$方面是近乎最优的。
噪声下的复杂度反直觉演化：
理论分析与实验均表明，与纯态不同，噪声量子态的复杂度并不随电路深度增加而线性增长，反而可能随着深度增加而降低。因为随着深度增加，噪声积累使得量子态逐渐趋向于最大混合态（”白噪声”），从而降低了复杂度。
讨论与展望
- 物理意义：该研究建立的弱噪声量子态复杂度框架，有助于理解多体系统中的信息扩散、局域噪声扩散以及纠缠传播。这对于黑洞理论（如 AdS/CFT 对应中的复杂度与体积猜想）和凝聚态物理中的相变研究具有重要启示 。
- 算法通用性：文中的贝叶斯优化子程序并非唯一选择，该框架具有普适性，可结合其他优化算法使用 。
- 未来方向：当前的噪声模型主要假设为门无关（gate-independent）噪声，如何将该框架扩展到更复杂的门相关（gate-dependent）噪声模型是一个开放问题 。