测量噪声对变分量子算法中逃离鞍点的影响

为何随机量子噪声可能成为不为人知的助力

当今的量子计算机仍然规模较小且噪声较多，但研究人员希望利用它们解决化学、材料和优化问题，这些问题对经典计算机而言具有挑战性。一个主要策略是变分量子本征求解器（VQE），它反复测量量子电路并调整其参数以降低类似能量的评分。由于每次测量本质上具有随机性，算法从来不会得到完美明确的信号。本研究提出了一个微妙但实用的问题：这种不可避免的“计数噪声”是仅仅造成干扰，还是实际上能帮助 VQE 逃离糟糕解并更快找到更好的解？

用模糊的指南针登山

VQE 的工作方式有点像在一片由山丘与山谷构成的地形上徒步，其中高度代表量子系统的能量。目标是找到最深的山谷，对应基态。在每一步中，算法估计地形的斜率并按下坡方向调整电路参数。然而在真实的量子设备上，这个斜率必须通过有限次数的测量（或称“shots”）来估计。由于每次测量产生概率性结果，估计到的斜率会在步与步之间抖动：即便真实的斜率不变，观测值也会有波动。这使得通常光滑的“梯度下降”变成一种随机的、有噪声的版本，即随机梯度下降。

从平坦脊上解脱出来

在高维地形中，主要障碍往往不是局部谷地，而是鞍点——从某些方向看像山谷、从另一些方向看又像山峰的平坦脊。纯确定性的算法可能会在这些平台上长期漂移，才找到出路，从而浪费宝贵的量子测量资源。作者表明，有限次测量带来的随机性可以更快地把参数从这些鞍点上撞开。通过在相互作用的量子自旋模型上模拟 VQE，他们发现逃离鞍点所需的时间随着有效噪声水平的增长以规律性的方式缩短。关键在于，这个噪声水平由用户可控的两个旋钮决定：学习率（每步参数更新的大小）和用于估计每步梯度的测量次数。

为逐步过程建立连续图景

尽管 VQE 以离散步长更新参数，作者用连续随机运动方程来建模其行为，这类方程类似于物理学中描述受热噪声冲击的粒子的方程。在这个图景中，学习率扮演时间增量的角色，测量结果的随机性表现为波动的外力。该框架预测，真正决定能否逃离鞍点的是由学习率和测量次数共同构成的组合量，它作为一种有效噪声强度。团队仔细检验了这个近似适用和失效的情形，发现虽然它不能完美描述长期稳态的波动，但能准确刻画离开鞍点和激发态平台时的关键瞬态行为。

噪声、步长与测量预算如何权衡

通过在模拟中扫描不同的学习率和测量次数，研究者发现了简单的幂律关系：大致来说，逃离鞍点的时间像有效噪声强度的某个固定幂次那样下降。这意味着增加学习率或减少每步的测量次数在多大程度上加快算法走出平台上具有近似等效的效果。他们还定义了总体测量成本——摆脱困境所需的量子测量总数——并展示了它如何随相同的有效噪声参数缩放。将研究扩展到更大的六量子比特系统表明，当定点附近的地形在许多方向上是不稳定时，噪声辅助逃逸效果最佳；在高度过参数化、这些不稳定方向稀少的情形下，额外噪声的作用有限。

这对未来量子算法的意义

对于非专业读者，关键结论是并非所有量子噪声都是纯粹有害的。在合适的条件下，测量结果中不可避免的随机性可以帮助 VQE 从平坦或边缘稳定的区域滑脱，朝更好的解更高效地前进。这项工作给出了一个具体的思路，把学习率与测量次数之间的权衡用单一的有效噪声强度来描述，并澄清了何时平滑的连续模型能可靠地预测实际的优化行为。随着量子硬件的改进和更大规模 VQE 问题的应对，这些洞见可引导实践者在选择步长、测量预算和电路设计时更好地利用有限的量子资源——有时甚至可以通过允许一点噪声来达到有益的效果。

引用: 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

关键词: 变分量子本征求解器, 测量噪声, 随机梯度下降, 鞍点逃逸, 量子优化