TensorHyper-VQC: гиперсеть на основе тензорного поезда для устойчивых и масштабируемых вариационных квантовых вычислений

Почему эта новая идея важна для квантовых компьютеров

Квантовые компьютеры обещают прорывы в химии, материаловедении и оптимизации, но современные машины малы и шумны. Ведущая стратегия, называемая вариационными квантовыми вычислениями, позволяет классическому компьютеру и квантовому чипу работать вместе для решения сложных задач. Однако по мере роста цепочек и числа кубитов обучение таких гибридных систем часто тормозит и становится чрезвычайно уязвимым к шуму. В этой статье предлагается TensorHyper‑VQC — новый способ управления квантовыми схемами, который сохраняет стабильность обучения, масштабируется на большее число кубитов и естественным образом противостоит значительной части аппаратного шума, мешающего современным устройствам.

Более умный способ управлять квантовыми схемами

Традиционные вариационные квантовые схемы напрямую регулируют сотни или тысячи углов вентилей на самом квантовом чипе. По мере увеличения числа кубитов и слоёв сигнал обучения может угасать, приводя к так называемой «заброшенной равнине», где градиенты практически нулевые и обучение останавливается. TensorHyper‑VQC переворачивает эту картину. Вместо покомпонентной настройки квантовых вентилей он обучает компактную классическую модель, построенную на тензор‑трейн-сети, чтобы генерировать все параметры квантовых вентилей. Форма квантовой схемы остаётся фиксированной и служит лишь прямым вычислителем: она получает углы от классического генератора, выполняется один раз и возвращает результаты измерений. Вся тяжёлая оптимизация происходит на классическом оборудовании, где вычислять градиенты проще и они меньше подвержены квантовому шуму.

Как структура укрощает сложность и шум

Сердцем подхода является тензор‑трейн (TT) сеть, которая представляет огромный список параметров схемы через цепочку маленьких тензоров низкого ранга. Такая структурированная репрезентация действует как продуманный алгоритм сжатия: её можно сделать более выразительной, увеличив внутренние ранги, или более компактной и устойчивой к шуму, оставив ранги малыми. Поскольку каждый угол вентила порождается через эту общую низкоранговую структуру, случайные флуктуации из квантовых измерений естественным образом усредняются по многим компонентам TT. Авторы используют инструменты теории Neural Tangent Kernel, чтобы показать, что такая конструкция улучшает обусловленность задачи обучения, ускоряет сходимость и избегает самых тяжёлых эффектов «заброшенной равнины». Их анализ также выявляет компромисс: более высокие ранги повышают выразительность, но могут ухудшать обобщающую способность, подобно переобучению в глубоком обучении.

Проверка фреймворка в реальных задачах

Команда протестировала TensorHyper‑VQC на трёх довольно разных задачах. Во‑первых, они классифицируют изображения диаграмм устойчивости заряда в полупроводниковых квантовых точках, которые критичны для создания масштабируемого квантового оборудования. Используя всего несколько сотен обучаемых параметров TT, их метод быстро достигает почти идеальной точности в чистых симуляциях и сохраняет высокую тестовую точность даже при введении нескольких типов квантового шума. Он не только превосходит стандартные вариационные схемы и другие конструкции гиперсетей, но и обходят сильные классические модели зрения, использующие гораздо больше параметров. Удивительно, но TensorHyper‑VQC поддерживает высокую точность на 156‑кубитном процессоре IBM Heron, в то время как традиционные методы с продвинутыми инструментами подавления ошибок отстают далеко позади.

Решение задач на графах и молекулах на шумных устройствах

Далее авторы внедряют TensorHyper‑VQC в Quantum Approximate Optimization Algorithm, чтобы решать задачу Max‑Cut, классическую задачу теории графов. На случайно сгенерированных графах с 20 кубитами их подход, управляемый TT, последовательно находит лучшие разрезы, чем стандартный QAOA, даже когда последний усилен продвинутыми техниками снижения шума. Затем они переходят к квантовой химии, оценивая энергию основного состояния молекулы гидрида лития. Всего с девятью параметрами TT TensorHyper‑VQC достигает точности, близкой к идеальному значению полного конфигурационного взаимодействия в симуляциях, превосходя обычный вариационный eigensolver, использующий почти в три раза больше параметров. При реалистичном шуме и на реальном аппаратном обеспечении IBM модель, управляемая TT, снова показывает существенно меньшие ошибки энергии, подчёркивая её устойчивость к декогеренции и погрешностям считывания.

Что это означает для будущего квантовых вычислений

В совокупности эти результаты предлагают многообещающий рецепт для ближайшего будущего квантовых вычислений: держать квантовые схемы простыми и фиксированными, а позволить тщательно структурированной классической модели научиться ими управлять. TensorHyper‑VQC показывает, что вынос оптимизации в свободное от шума классическое пространство и использование низкоранговой тензорной структуры для организации параметров позволяют надёжнее обучать более глубокие и большие квантовые схемы, с меньшим числом настраиваемых параметров и меньшей потребностью в сложных схемах подавления ошибок. Для неспециалистов ключевое послание таково: более умное классическое управление может сделать сегодняшние несовершенные квантовые чипы значительно полезнее, ускоряя прогресс к практическим приложениям в таких областях, как диагностика устройств, комбинаторная оптимизация и проектирование молекул.

Цитирование: Qi, J., Yang, CH.H., Chen, PY. et al. TensorHyper-VQC: a tensor-train-guided hypernetwork for robust and scalable variational quantum computing. npj Quantum Inf 12, 70 (2026). https://doi.org/10.1038/s41534-025-01157-z

Ключевые слова: вариационные квантовые вычисления, квантовое машинное обучение, тензорные сети, устойчивость к квантовому шуму, квантовая оптимизация