Влияние шума измерений на выход из седловых точек в вариационных квантовых алгоритмах

Почему случайный квантовый шум может оказаться скрытым помощником

Современные квантовые компьютеры по-прежнему малы и шумны, но исследователи надеются использовать их для задач в химии, материаловедении и оптимизации, которые усложняют классические машины. Один из ведущих подходов — вариационный квантовый эйгенвалидатор (VQE), который многократно измеряет квантовую схему и настраивает её параметры, чтобы минимизировать нечто, похожее на энергию. Поскольку каждое измерение по сути случайно, алгоритм никогда не получает идеально чёткий сигнал. В этой работе ставится тонкий, но практичный вопрос: мешает ли неизбежный «шотный шум», или он может помочь VQE быстрее выйти из плохих решений и найти лучшие?

Взбираясь по холмам с нечетким компасом

VQE работает немного как поход по ландшафту холмов и впадин, где высота соответствует энергии квантовой системы. Цель — найти самую глубокую впадину, соответствующую основному состоянию. На каждом шаге алгоритм оценивает наклон ландшафта и изменяет параметры схемы в направлении вниз. На реальном квантовом устройстве этот наклон приходится оценивать по конечному числу измерений, или шотов. Поскольку каждый шот даёт вероятностный результат, оценка градиента дрожит от шага к шагу: даже если истинный наклон тот же, измеренное значение колеблется. Это превращает обычный «градиентный спуск» в стохастическую, шумную версию, известную как стохастический градиентный спуск.

Выбраться со плоских гребней

В высокоразмерных ландшафтах главными препятствиями часто являются не локальные впадины, а седловые точки — плоские гребни, которые с некоторых направлений выглядят как впадина, а с других — как холм. Чисто детерминированный алгоритм может долго скользить вдоль таких плато, прежде чем найти выход, тратя драгоценные квантовые измерения. Авторы показывают, что случайность, возникающая из-за конечного числа шотов, может быстрее сбивать параметры с таких седловых точек. Смоделировав VQE на моделях взаимодействующих квантовых спинов, они обнаружили, что время выхода из седла уменьшается по регулярному закону с ростом эффективного уровня шума. Существенно, этот уровень шума зависит от двух ручек, доступных пользователю: шага обучения (насколько велик каждый шаг по параметрам) и числа шотов, используемых для оценки каждого градиента.

Непрерывная картина для пошагового процесса

Хотя VQE обновляет параметры дискретными шагами, авторы моделируют его поведение с помощью непрерывного уравнения случайного движения, похожего на те, что используются в физике для описания частиц, испытывающих тепловой флюктуационный удар. В этой картине скорость обучения играет роль приращения времени, а случайность результатов измерений проявляется как флуктуирующая сила. Эта модель предсказывает, что для выхода из седловых точек важна комбинированная величина, составленная из шага обучения и числа шотов, которая действует как эффективная сила шума. Команда аккуратно проверяет, где это приближение работает, а где нет, показав, что хотя оно не идеально описывает долгосрочные стационарные флуктуации, оно точно передаёт ключевое переходное поведение, связанное с покиданием седловых точек и плато возбужденных состояний.

Как шум, размер шага и бюджет измерений взаимозаменяемы

Просканировав разные скорости обучения и числа шотов в своих симуляциях, исследователи выявили простые степенные законы: грубо говоря, время выхода из седловой точки убывает как фиксированная степень от эффективной силы шума. Это означает, что увеличение шага обучения или уменьшение числа шотов на шаг могут иметь практически эквивалентный эффект на скорость, с которой алгоритм уходит с плато. Они также определяют общий измерительный расход — суммарное число квантовых шотов, необходимых для выхода — и показывают, как он масштабируется с тем же параметром эффективного шума. Расширение исследования на более крупные системы из шести кубитов выявило, что шум, способствующий выходу, наиболее эффективен, когда вокруг стационарной точки есть много неустойчивых направлений; в сильно переопределённых режимах, где таких направлений мало, дополнительный шум мало помогает.

Что это означает для будущих квантовых алгоритмов

Для неспециалистов главный вывод в том, что не весь квантовый шум исключительно вреден. Неизбежная случайность результатов измерений может при благоприятных условиях помочь VQE соскользнуть с плоских или маргинально устойчивых областей и эффективнее продвигаться к лучшим решениям. Работа даёт конкретный способ мыслить о компромиссе между скоростью обучения и числом измерений через единый параметр эффективного шума и проясняет, когда гладкая непрерывная модель надёжно предсказывает реальное поведение оптимизации. По мере улучшения квантового оборудования и решения более крупных задач VQE такие выводы помогут практикам выбирать размеры шагов, бюджеты шотов и конструкции схем, которые максимально используют ограниченные квантовые ресурсы — иногда позволяя небольшому шуму выполнять полезную работу.

Цитирование: Kaminishi, E., Mori, T., Sugawara, M. et al. Impact of measurement noise on escaping saddles in variational quantum algorithms. Sci Rep 16, 9390 (2026). https://doi.org/10.1038/s41598-026-40123-3

Ключевые слова: вариационный квантовый эйгенвалидатор, шум измерений, стохастический градиентный спуск, выход из седловой точки, квантовая оптимизация