XY 混合器拓扑的李代数与用于受限优化的 QAOA 热启动

为量子问题求解选择更聪明的起点

许多现实世界的决策问题——从挑选股票组合到在网络中对对象分组——归结为在海量可能性中搜索最佳解。量子计算机有望加速这一搜索，但当下的设备在训练用于此类任务的量子程序时仍面临困难。本文探讨了一类基于所谓 XY 相互作用构建的量子电路，研究如何组织和初始化它们以兼具表达力与可训练性，从而在具有实际约束的难优化问题上找到更好的解。

量子电路的结构为何重要

变分量子算法有点像调试乐器的旋钮：通过反复调整量子电路的参数来最小化编码问题的代价函数。作者关注量子近似优化算法（QAOA），它在求解困难组合优化问题方面被广泛研究。QAOA 的一个关键部分是电路中的“混合器”，它在可能解的空间中移动量子态。当只有某些答案被允许时，例如从 n 个元素中恰好选择 k 个，XY 混合器特别有吸引力。它们通过仅在量子比特间交换激发而不创建或销毁激发，自动保持这类“基数”约束。

当高度表达力的电路变得难以训练

问题在于：过于灵活的量子电路往往难以训练。随着电路表达力增强，参数上的代价函数地形可能变得非常平坦，这被称为贫瘠高原。在这种情形下，梯度呈指数级微小，学习停滞。论文通过“动力李代数”来研究这一问题，李代数捕捉了通过组合电路门可以到达的所有变换。如果该代数随量子比特数仅多项式增长，则梯度通常健康且训练有效；若呈指数增长，则会出现贫瘠高原。通过系统分析不同连接 XY 门的方式——例如将它们排成线、环，或将所有量子比特两两相连——作者表明，简单的一维布局会导致适度的、多项式规模的代数，而完全连接布局或加入大量两比特的 Z 型相互作用会迅速将代数膨胀到指数规模。

用简单电路为复杂电路热启动

作者并不主张放弃有表达力的电路，而是提出了一种“热启动”策略。首先使用受限的 QAOA 电路，该电路由按环排列的 XY 门和绕 Z 轴的单量子比特旋转组成。该受限配置的李代数呈多项式规模，因此可以高效训练，且在某些计算上甚至可以用经典方法模拟。在此阶段，较成问题的成分——特别是会使电路高度表达的许多 ZZ 相互作用门——被有效地关闭。一旦在简单电路上找到良好参数，这些参数被迁移到完整且更强大的电路，然后再激活并微调额外的门。

将热启动付诸测试

作者在三类重要的受限优化问题上测试了这一思路。在组合投资组合优化中，任务是从标普 500 指数的真实市场数据中选择固定数量的资产，以权衡期望收益和风险。在图划分问题中，需要将网络节点分成两个相等部分，同时尽量少切断连接。在最稀疏 k-子图问题中，目标是选择固定大小的节点子集，使其内部连接尽可能少。针对每个任务，他们将代价函数编码为量子哈密顿量，并使用保持所需约束的 XY 混合器的 QAOA。在许多实例和电路深度下，热启动方法始终比从随机参数开始的电路达到更高的“近似比”（能量更接近最优）和更高的成功概率（真正最优解所占权重更大），且随着问题规模增大，这一优势也更明显。

更好的起点带来更好的量子解

对非专业读者而言，核心结论是：如何连接和初始化量子电路，可能与其纸面上的表达力一样重要。通过谨慎选择数学结构相对简单的 XY 混合器布局，并先在这种较温和的范式中训练再转向更复杂的电路，作者避免了困扰现代量子算法的一些最严重的训练病态。他们的结果表明，以这种方式热启动 QAOA 可以显著提升对现实中受约束问题的求解质量，并指向一个更广泛的设计原则：使用数学上温和的子电路作为垫脚石，以驯服原本难以驾驭的量子计算。

引用: Kordonowy, S., Leipold, H. The Lie algebra of XY-mixer topologies and warm starting QAOA for constrained optimization. npj Quantum Inf 12, 61 (2026). https://doi.org/10.1038/s41534-026-01192-4

关键词: 变分量子算法, QAOA, XY 混合器, 受限优化, 热启动