当前位置：首页 > news >正文

量子优化算法ITEMC：原理、实现与应用

news 2026/5/23 1:45:15

1. 量子优化算法ITEMC的核心原理

量子优化算法ITEMC（Imaginary Time Evolution Mimicking Circuit）是一种创新的混合量子-经典算法，专门用于解决二次无约束二进制优化（QUBO）问题。其核心思想源自量子力学中的虚时间演化概念——通过数学上的虚数时间变换，量子系统会自然地趋向于基态（即能量最低态）。

1.1 虚时间演化的量子模拟

在传统量子力学中，时间演化由薛定谔方程描述：

|ψ(t)〉 = e^(-iHt)|ψ(0)〉

当我们将时间t替换为虚数-iτ时，演化算符变为：

|ψ(τ)〉 = e^(-Hτ)|ψ(0)〉

这个变换使得高能态的振幅会以指数形式衰减，而基态衰减最慢，最终主导整个量子态。ITEMC算法通过构造特定的参数化量子门来模拟这一物理过程。

注意：虚时间演化本身是数学工具，实际量子硬件无法直接执行虚数操作。ITEMC的关键创新在于用量子门电路"模仿"这一过程的数学效果。

1.2 电路设计与参数优化

ITEMC的量子电路由两类参数化门构成：

单量子比特Ry旋转门：Ry(θi) = e^(-iθiσy/2)
双量子比特受控Z门：Uij(θij) = e^(-iθijσz_i⊗σz_j/2)

这些门的参数通过以下方式优化：

# 伪代码：参数优化过程 def optimize_parameters(expectation_values, τ): # 使用经典优化器调整θ使得量子门效果最接近虚时间演化 for each qubit i: θi = argmin( gτ(θi, 〈σx_i〉, 〈σy_i〉, 〈σz_i〉) ) for each qubit pair (i,j): θij = argmin( fτ(θij, 〈σz_iσz_j〉, ...) ) return optimized_θ

其中gτ和fτ是特定的成本函数（见附录A），它们仅需要测量少量局域可观测量（如〈σz_i〉）即可计算。这与传统变分算法需要测量整个哈密顿量有本质区别。

2. ITEMC在QUBO问题中的实现细节

2.1 QUBO问题的量子编码

QUBO问题的标准形式为：

minimize x^T Q x, x ∈ {0,1}^n

在量子计算中，我们将其映射到Ising模型：

H = Σ h_i σz_i + Σ J_ij σz_i σz_j

每个二进制变量xi对应一个量子比特，xi=0/1分别对应σz的本征态|0〉和|1〉。

2.2 自适应门排序技术

ITEMC引入了一个关键创新——自适应门排序。在每次迭代开始时，算法会测试5种不同的量子门排列顺序，选择能产生最低能量的排序方案。这一步骤虽然增加了5次电路执行，但能显著提升后续优化的效率。

门排序优化的效果如图11所示：

使用自适应排序(蓝色曲线)时，基态保真度比固定排序(橙色)高1-2个数量级
特别是当τ值较大时(>0.3)，自适应排序能避免性能剧烈波动

2.3 CVaR风险度量作为成本函数

ITEMC采用条件风险价值(CVaR)作为优化目标：

CVaR_α = E[energy | energy ≤ F^(-1)(α)]

其中α是分位数阈值(通常取0.01-0.001)。这种设计使得算法更关注低能态区域，实验显示：

较小的α值(如0.0001)能获得更高的近似比(图8a)
但需要更多测量次数来保持统计精度
实际采用固定shots×α=100的平衡策略

3. 硬件实现与性能分析

3.1 在IBM量子处理器上的实现

实验使用IBM的156量子位"ibm_fez"处理器（基于Heron R2架构），关键硬件参数：

指标	平均值	中位数
读出错误率	2.07×10^-2	8.79×10^-3
双量子比特门错误率	1.34×10^-1	4.38×10^-3
T1时间(μs)	157.6	159.4
T2时间(μs)	110.4	113.0

为抑制噪声，采用了两种关键技术：

Pauli Twirling：随机化测量基以减少系统性误差
XY4动态解耦：在空闲时段施加脉冲序列保护量子相干性

3.2 不同规模问题的性能对比

表II总结了硬件实验结果：

量子位数	近似比	保真度	每轮shots	迭代次数	总shots
40	1.0	0.759	10^4	7	1.2×10^5
40	1.0	0.763	10^5	4	9×10^5
60	1.0	0.594	10^5	5	10^6
80	0.974	2×10^-5	10^5	9	1.4×10^6

关键发现：

小规模问题(40-60比特)能获得高保真解
80比特时保真度显著下降，但算法仍能找到最优解（在10^5 shots中出现2次）
增加每轮shots可减少所需迭代次数（图9）

3.3 与经典算法的对比

在3-正则图QUBO实例上的测试显示：

相比模拟退火，ITEMC获得的解质量相当（表II）
远优于传统变分算法：
- VQE通常需要10^3-10^4次电路评估
- QAOA需要深度电路和精细参数调优
ITEMC平均只需11次电路执行（5次排序+6次优化）

4. 算法优势与局限

4.1 核心优势

测量效率：
- 传统VQE需测量全部泡利项
- ITEMC只需测量单/双量子比特期望值
- 典型情况下减少1-2个数量级的测量次数
参数确定：
- VQE/QAOA需要量子-经典交替优化
- ITEMC参数可通过经典轻量优化或解析近似获得
- 避免了"贫瘠高原"问题（图7显示梯度幅度保持稳定）
迭代收敛：
- 150量子位问题仅需6次迭代（图8b）
- 每次迭代的量子电路深度可控（约N+10，N为比特数）

4.2 当前局限

硬件噪声敏感：
- 80比特时保真度降至10^-5量级
- 主要受双量子比特门错误影响（平均~13%）
问题类型依赖：
- 目前仅在3-正则图QUBO上验证
- 对更高连接密度问题的适应性待研究
τ参数选择：
- 实验固定τ=0.3（附录B显示这是折中选择）
- 最佳τ可能与问题规模相关，需要进一步研究

5. 实用建议与优化技巧

基于实验数据，我们总结以下实操经验：

参数调优指南：
- 初始设置：α=0.01, τ=0.3, shots×α=100
- 若结果不理想，可尝试：
  - 降低α至0.001（需同比增加shots）
  - 微调τ在0.2-0.4范围内
测量策略：
- 排序阶段：可分配较少shots（如总预算的20%）
- 优化阶段：集中资源测量〈σz_i〉和关键〈σz_iσz_j〉
错误缓解：
- 必做：Pauli Twirling + 动态解耦
- 进阶：可采用零噪声外推(ZNE)等技术
经典预处理：
- 对QUBO矩阵做谱分解，估计基态能量范围
- 帮助设置合理的CVaR阈值α