噪声诱导的浅层电路与消失的荒原平台

为什么有噪声的量子芯片仍然重要

量子计算机有望在某些问题上远超经典机器，但目前的设备脆弱且存在噪声。本文提出了一个具有重大实际意义的简单问题：在全面纠错到来之前，现实中有缺陷的量子芯片究竟能做什么？通过分析噪声如何重塑典型量子电路的行为，作者表明许多雄心勃勃的近期算法在噪声作用下会悄然退化为性能相当于更浅层电路的形式，而这些浅层电路往往可以用经典计算机模拟。

表现得像浅层电路的深度电路

现代量子算法常依赖运行非常深的电路，将一层又一层的量子门叠加在大量量子比特上。从理论上讲，更多的层允许更复杂的量子行为。但只要每个量子比特受到现实的局域噪声影响，对于物理学家和算法设计者通常关心的量——观测量的期望值（例如平均能量或磁化强度）——来说，绝大多数层实际上不再重要。作者证明，对于典型的随机电路，任何门对这类期望值的影响会随着其与最终层的距离呈指数衰减。实际上，只有与系统规模呈对数关系的少数层仍然有显著贡献。

阻止平坦训练景观的噪声

变分量子算法和量子机器学习方法通过调整大量门参数以最小化由观测平均值构成的代价函数来训练。一个主要担忧是荒原平台的出现：代价函数景观变得几乎完全平坦，梯度几乎消失，使训练难以进行。早期研究表明，某些“平衡”噪声会触发这些平台。而这里作者考察的是更现实的“非平衡”噪声，这类噪声倾向于将量子比特推向特定态。在这种噪声下，他们发现对于由局域观测构成的代价函数，景观不会趋于平坦：代价值的分布保持可观，梯度维持在合理大小，无论电路多深。

但只有最后几层真正可训练

这种没有荒原平台的结果听起来对量子机器学习是个好消息，但有个转折。保持梯度不为零的同一噪声也使几乎所有梯度变得无关紧要。作者表明，位于电路深处的参数对局域观测的影响会消失；有用的梯度信息几乎完全集中在最后几层，其层数同样仅以系统规模的对数增长。换言之，对于训练目的来说，一个非常深的有噪声变分电路表现得像一个浅得多的电路：大多数可调门实际上被噪声“冻结”掉了。

经典计算机更容易跟上

一旦深度有噪声电路表现得像浅层电路，它们就变得更容易被经典算法模仿。作者利用他们的有效深度图景设计了经典程序，这些程序能以固定目标精度并在高成功概率下估计相同的观测平均值，适用于几乎任何电路架构。通过聚焦于局域观测的影响区域并利用噪声抑制复杂多比特模式的特性，他们展示了即便底层量子电路非常深，经典运行时间仍能保持高效。对于许多实际精度目标，这在从一维链到全连接布局的广泛架构中都成立。

这对近期量子优势意味着什么

对于以估计期望值为核心的任务，例如许多提议的变分算法和量子机器学习方案，这些结果描绘了一幅清醒的图景。在典型情形下，具有现实、可能非平衡噪声的有噪声量子电路并不比精心选择的浅层电路明显更强，而后者通常可以被经典计算机处理。尽管经过特别设计的电路仍可能巧妙利用噪声突破这一限制，但这种情况是例外而非常态。对于普通的有噪声设备而言，噪声本身会将量子计算压缩为一种浅层、可由经典方法接近的形式。

引用: Mele, A.A., Angrisani, A., Ghosh, S. et al. Noise-induced shallow circuits and the absence of barren plateaus. Nat. Phys. 22, 751–756 (2026). https://doi.org/10.1038/s41567-026-03245-z

关键词: 量子噪声, 噪声量子电路, 变分量子算法, 经典模拟, 荒原平台（barren plateaus）