AQER: A Scalable and Efficient Data Loader for Digital Quantum Computers¶
会议: ICLR2026
OpenReview: 0zKfU1rsXd
代码: 有（论文称已开源于 GitHub，⚠️ 具体仓库地址以原文为准）
领域: 量子计算 / 量子机器学习
关键词: 近似量子加载器, 量子态制备, 纠缠度量, 信息论界, 变分量子电路
一句话总结¶
本文把五花八门的近似量子加载器（AQL）统一成一个"最小化目标态与电路输出态距离"的优化问题，并证明加载的近似误差由一种新提出的纠缠度量 \(S\) 线性主导；据此设计了 AQER——通过贪心地往电路里追加两比特门块逐步削减纠缠，再用解析单比特旋转和参数微调收尾，在 MNIST/CIFAR-10/SST-2 等经典数据和最多 50 比特的量子多体态上都以更少的两比特门取得更低的不保真度。
研究背景与动机¶
领域现状：数字量子计算的三大基础模块是态制备、处理和读出，其中"把经典/量子数据装进量子电路"的态制备是一切量子算法的入口。最坏情况下精确制备任意 \(N\) 比特态需要指数多的门或辅助比特，在近期含噪、比特稀缺的硬件上根本不现实。于是近年出现了近似量子加载器（Approximate Quantum Loader, AQL）这一思路：放弃可证明的精确制备，转而在"保真度"和"电路复杂度"之间做权衡——很多量子算法（尤其量子机器学习）对输入态的小扰动并不敏感，因此用更少的门换取可接受的误差是划算的。
现有痛点：现有 AQL 方法分成两大流派——基于张量网络（TN，如 MPS 表示）的方法，和直接优化门序列的电路法（又分变分与非变分）。但这些方法要么是启发式的、没有理论保证，要么只对特定输入类型（如低纠缠的经典数据）有保证，对量子数据或高纠缠数据就失灵。更关键的是，整个领域缺一个统一的理论框架：人们说不清 AQL 的近似误差到底受什么根本量支配，也就无法有原则地去设计算法。
核心矛盾：精确态制备的资源代价是指数的，而 AQL 的"够用就好"虽然省资源，却长期停留在经验调参阶段，没人回答"误差的理论极限在哪、由谁决定"。这个空白让 AQL 的设计只能靠试。
本文目标：(1) 给出一个能容纳几乎所有现有 AQL 方法的统一优化框架；(2) 在这个框架上推导与具体算法无关的近似误差上下界；(3) 用理论指出的关键量来指导设计一个可扩展、好训练的实用 AQL。
切入角度：作者注意到，不管 TN 法还是电路法，本质上都是在"找一串门，让它作用在易制备的乘积态上后尽量逼近目标态"。把这件事写成一个统一的保真度优化问题后，就能做算法无关的信息论分析。分析发现：误差由"用电路逆作用回目标态后剩下的纠缠"线性决定——纠缠削得越干净，加载越准。
核心 idea：用"最大化纠缠削减"代替"盲目优化保真度"来构造加载电路——纠缠度量 \(S\) 既是理论上误差的代理量，又是一个易于局部测量、不易陷入贫瘠高原的优化目标。
方法详解¶
整体框架¶
本文有两层贡献叠在一起：理论层先把所有 AQL 归约成同一个优化问题并给出误差的信息论界；算法层（AQER）则把理论里的"纠缠度量 \(S\)"当作实际优化目标，分三步把目标态的加载电路搭出来。
统一框架把 AQL 写成一个优化问题（式 1）：给定门集 \(\mathcal{U}\)，找一个由 \(m\) 个门组成的电路 \(U(\theta;A)\)（\(\theta\) 是可调参数、\(A\) 是电路结构），使
即让电路从一个易制备的乘积态 \(|\psi_{\text{product}}\rangle\) 出发，输出尽量逼近目标态 \(|v_{\text{target}}\rangle\)。TN 法、变分电路法、非变分法的区别只在于"怎么更新 \(\theta\)、怎么设计 \(A\)"，都落在这同一个式子里。
在此框架上，作者证明近似误差由一种新的纠缠度量主导（见关键设计 2），于是 AQER 直接以"削减这个纠缠度量"为指南，把加载电路分三步构造出来：Step I 纠缠削减 → Step II 乘积态近似 → Step III 参数微调。整条流水线如下图。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["目标态 |v_target⟩"] --> F["AQL 统一框架<br/>归约成保真度优化"]
F --> T["纠缠度量与信息论界<br/>误差 ∝ 纠缠 S"]
T --> S1["Step I 纠缠削减<br/>贪心追加两比特门块降 S"]
S1 --> S2["Step II 乘积态近似<br/>解析单比特旋转"]
S2 --> S3["Step III 参数微调<br/>Adam 最小化不保真度"]
S3 --> O["加载电路 |v_load⟩"]关键设计¶
1. AQL 统一框架：把零散方法收进同一个保真度优化问题
现有 AQL 各说各话——TN 法逐步拼接局部酉门、变分法训练固定结构的参数化电路、非变分法按"之字形"调度逐个更新两比特门——彼此没有共同语言，自然也无法横向比较或统一分析。本文的第一步是指出它们其实都在解式 (1) 这同一个优化问题，只是在"更新 \(\theta\) 还是改 \(A\)、还是两者一起改"上做法不同：TN 法是 \(U(\theta;A)\to U(\theta\cup\theta_{\text{new}};A\cup A_{\text{new}})\) 式地不断增长电路并冻结旧参数；变分法固定 \(A\) 只优化 \(\theta\)；非变分法则沿之字形同时调 \(\theta\) 和 \(A\)。这个统一视角的价值在于：一旦把问题写成"乘积态经电路演化后与目标态的距离"，就能做与具体算法无关的误差分析，这是后面信息论界能成立的前提。
2. 纠缠度量与信息论界：用一个可测量的纠缠量框住误差
把 AQL 统一后，作者问：误差的理论极限由什么决定？他们定义 \(N\) 比特态 \(|\psi\rangle\) 的纠缠度量为各单比特纠缠熵之和 \(S(|\psi\rangle)=\sum_{i=1}^{N} S_{\{i\}}(|\psi\rangle)\)（其中单比特熵基于 Renyi-2 熵 \(S_A=-\log_2\mathrm{Tr}[\rho_A^2]\)）。定理 3.1 证明：对目标态 \(|v_{\text{target}}\rangle\) 和满足 \(S(U^\dagger|v_{\text{target}}\rangle)=S\) 的电路 \(U\)，不保真度被夹在两条与算法无关的界之间——下界 \(f_1(S)=\tfrac12\big(1-\sqrt{2^{\,1-S/N}-1}\big)\)，上界 \(f_2(S)=\tfrac12\big(1-\sqrt{2^{\,1-S+\lfloor S\rfloor-1}}+\lfloor S\rfloor\big)\)（⚠️ 公式以原文为准）。当 \(S\to0\) 时两界都退化为线性，\(f_1(S)\to\tfrac{\ln 2}{2N}S\)、\(f_2(S)\to\tfrac{\ln 2}{2}S\)。结论很干脆：近似误差随"用电路逆作用回目标态后剩余的纠缠 \(S\)"线性变化，\(S\) 越小、加载越准。这把抽象的"优化保真度"翻译成了具体可操作的"削减纠缠"，也是本文第一次从信息论角度给 AQL 立误差极限。
3. Step I 纠缠削减：贪心地往电路里堆两比特门块，逐步把目标态"解纠缠"
既然误差由 \(S\) 主导，AQER 的第一步就直接以最小化 \(S\) 为目标构造门序列。它迭代地往电路里追加结构相同的两比特门块 \(V_{I_t}(\alpha_t)\)（每块是 \(R_{ZZ}R_Y R_Z\) 加双侧单比特旋转）。第 \(t\) 次迭代时，在当前态 \(|v_{t-1}\rangle=V_{t-1}(\alpha_{1:t-1})|v_{\text{target}}\rangle\) 上贪心地挑作用比特对 \(I_t=(j_t,k_t)\) 和参数 \(\alpha_t\)，使
即每加一个门块都让纠缠度量降得最多。重复 \(T\) 次后得到低纠缠态 \(|v_T\rangle=V_T(\alpha)|v_{\text{target}}\rangle\)。这一步同时解决了两个老问题：一是它直接逼近理论上的误差极限；二是因为以 \(S\)（局部可测、梯度信息充分）为目标，回避了变分电路常见的贫瘠高原（barren plateau），让训练在大比特系统上仍能收敛——这正是它区别于以往直接优化保真度的电路法之处。迭代次数 \(T\) 还直接控制两比特门数 \(G\)（一次迭代加一个两比特门），给出了精度-资源的可调旋钮。
4. Step II 乘积态近似 + Step III 参数微调：先解析收尾，再整体打磨
Step I 把态削成低纠缠后，定理 3.1 保证它能被一个乘积态很好地近似。Step II 据此从标准初态 \(|0\rangle^{\otimes N}\) 出发，施加单比特旋转 \(W(\beta,\gamma)=\otimes_{i=1}^N(R_Z(\beta_i)R_Y(\gamma_i))\) 来逼近 \(|v_T\rangle\)；关键是推论 3.2 给出 \((\beta,\gamma)\) 的解析闭式，无需数值优化即可直接算出，省掉一整轮训练。Step III 再把前两步拼成完整电路 \(U_{\text{AQER}}(\theta)=V_T(\alpha)^\dagger W(\beta,\gamma)\)（\(\theta=(\alpha,\beta,\gamma)\)），用 Adam 微调全部参数以最小化最终不保真度
得到加载电路 \(|v_{\text{load}}\rangle=e^{-ig}U_{\text{AQER}}(\theta^*)|0\rangle^{\otimes N}\)（\(g\) 是不影响测量的全局相位）。"解析单比特旋转打底 + 全局微调收尾"的组合既快又准：解析步省去优化、微调步把残差压到底。对量子数据，\(S\) 和梯度只需局部测量即可估计；对经典数据，整个 AQER 可在经典计算机上模拟出 \(U_{\text{AQER}}\)。
一个完整示例¶
以加载一张 MNIST 图（\(N=10\) 比特、振幅编码）为例走一遍：把 \(28\times28\) 灰度图归一化成 1024 维向量，编码成目标态 \(|v_{\text{target}}\rangle\)。Step I：从 \(T=5\) 个两比特门块起，每次迭代在所有比特对上试，挑出让 \(S\) 降得最多的那一对加进去；随着 \(T\) 从 5 增到 100，\(S\) 大约降了 4 倍，态越来越"接近可分"。Step II：对削好的 \(|v_T\rangle\) 直接用闭式解算出 10 组 \((\beta_i,\gamma_i)\) 单比特旋转，把 \(|0\rangle^{\otimes10}\) 拉到 \(|v_T\rangle\) 附近，这一步不训练。Step III：把整条电路用 Adam 跑 2000 步微调，不保真度随 \(T\) 增大成倍下降。最终在 \(G=80\) 个两比特门下，MNIST 上不保真度约 0.034，优于同等门数的 MPS/HEC/AQCE。
损失函数 / 训练策略¶
Step I 的每次迭代用 Nelder–Mead 法优化 \(\alpha_t\)（收敛容差 \(10^{-4}\)，参数初始化为零），比特对 \(I_t\) 取使 \(S\) 最小的那对；Step III 用 Adam（学习率 \(10^{-2}\)，\(T_3=2000\) 步）。迭代次数默认 \(T\in\{5,10,20,40,60,80,100\}\)，对大比特的 GS-TFIM（\(N\ge20\)）扩到最大 200。量子数据上 \(S\) 和梯度默认由 \(10^5\) 次模拟测量估计。
实验关键数据¶
主实验¶
在 MNIST、CIFAR-10、SST-2（经典）与 S-RQC、GS-TFIM（量子，\(N=10\)）五个数据集上，比较 AQER（\(G\in\{20,40,80\}\)）与三个代表性基线 MPS / HEC / AQCE 的不保真度（越低越好）。AQER 在相同或更少的两比特门下普遍取得最低误差。
| 数据集 | 指标(↓) | AQER (G=80) | 次优方法 | 说明 |
|---|---|---|---|---|
| MNIST | 不保真度 | 0.034 | AQCE 0.051 | 同 G 下更低 |
| CIFAR-10 | 不保真度 | 0.018 | AQCE 0.024 | 同 G 下更低 |
| SST-2 | 不保真度 | 0.406 | AQCE 0.518 | 高维嵌入更难 |
| S-RQC | 不保真度 | 0.067 | AQCE 0.267 | 相对次优降 >60% |
| GS-TFIM | 不保真度 | 0.003 | MPS 0.041 / AQCE 0.056 | 多体态优势明显 |
最突出的是 S-RQC（随机量子电路态）：AQER 在 \(G\in\{40,80\}\) 时相对次优的 AQCE 把不保真度降了 60% 以上，甚至能用少 50% 的两比特门做到更低误差。
消融实验¶
围绕"纠缠削减"这一核心机制的分析（图 3、图 4）。
| 配置 / 变量 | 关键现象 | 说明 |
|---|---|---|
| 增大 Step I 迭代 \(T\) | \(S\) 与不保真度同步下降 | MNIST 上 \(T:5\to100\)，\(S\) 降约 4 倍，误差同步降 |
| 误差 vs \(S\) 散点 | 落在定理 3.1 上下界之间 | 验证"误差 ∝ 纠缠 \(S\)"的线性关系 |
| GS-TFIM 增大 \(T\) | 误差从 \(>2^{-2}\) 降到 \(<2^{-8}\) | 门越多、纠缠削得越干净 |
| 测量 shots 增多 | 误差进一步下降 | \(T=100\) 时增益 >16 倍，\(T=10\) 时 <4 倍 |
| 比特数 \(N:20\to50\) | 仍可收敛 | 无贫瘠高原，可扩展到 50 比特 |
关键发现¶
- 纠缠度量 \(S\) 是误差的有效代理：实测误差始终被 Theorem 3.1 的上下界夹住，且随 \(S\) 线性下降，理论与实验自洽。
- 门数 \(G\)（由 \(T\) 控制）是核心旋钮：\(T\) 越大、纠缠削得越干净、误差越低，但代价是更多两比特门，给出明确的精度-资源权衡。
- 可扩展性来自避开贫瘠高原：以局部可测的 \(S\) 为目标使 AQER 在 50 比特量子多体态上仍能训练，这是直接优化保真度的电路法做不到的。
- 量子数据上优势更大：S-RQC 和 GS-TFIM 这类高纠缠/结构化量子态上，AQER 对基线的领先幅度明显高于经典图像数据。
亮点与洞察¶
- 把"优化保真度"翻译成"削减纠缠"：信息论界（定理 3.1）证明误差由单比特纠缠熵之和 \(S\) 线性主导，于是优化目标从难训练的全局保真度换成易局部测量、梯度信息丰富的 \(S\)——这一步换目标同时解决了"理论极限"和"贫瘠高原"两个问题，是全文最巧的地方。
- 统一框架的方法论价值：先把一堆异构方法归约成同一个优化问题，再做算法无关的分析，这套"先统一、再立界、后指导设计"的思路可迁移到其他量子原语（如读出、处理）的研究。
- 解析 + 微调的两段式收尾：Step II 用闭式解直接给出单比特旋转、不训练，Step III 才整体微调，省掉一整轮优化又不牺牲精度，是个实用的工程取舍。
- 可调资源旋钮：迭代次数 \(T\) 一对一映射两比特门数 \(G\)，让用户能按硬件预算直接换精度，对近期含噪硬件很友好。
局限与展望¶
- 总体是启发式算法：作者承认 AQER 一般情况下只是启发式，只有对特定结构化态族（如 IQP 态，见附录 H）才有多项式资源的最优性保证，对任意态没有可证明保证。
- Step I 的贪心搜索代价：每次迭代要在所有比特对上试选使 \(S\) 最小的那对，比特数大时这个组合搜索的开销值得关注（论文把时间复杂度分析放在附录）。
- 实验为数值模拟：结果都是经典模拟（最多 50 比特），尚未在真实含噪硬件上端到端验证，噪声信道下的表现只在附录做了理论推广。
- 改进方向：把 Step I 的贪心比特对选择换成更高效的搜索/剪枝；在真实量子设备上验证纠缠度量估计的稳健性；探索对更广态族的可证明保证。
相关工作与启发¶
- vs MPS / 张量网络法：TN 法对低纠缠经典数据有受控误差保证，但对量子数据或高纠缠数据失效；AQER 不依赖显式低纠缠表示，直接以削减纠缠为目标，因此对经典和未知量子态都通用。
- vs HEC（硬件高效变分电路）：HEC 固定电路结构、直接优化保真度，易陷贫瘠高原且无理论保证；AQER 以局部可测的 \(S\) 为目标，缓解贫瘠高原并有信息论界托底。
- vs AQCE（非变分自动电路编码）：AQCE 按之字形逐个调两比特门、无显式参数训练，是当前非变分 AQL 的代表；AQER 在 S-RQC 上以更少门把误差再降 60% 以上，说明"纠缠引导"比"盲目逐门优化"更高效。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次从信息论角度给 AQL 立误差极限，并把它落成可操作的纠缠削减算法。
- 实验充分度: ⭐⭐⭐⭐ 覆盖经典+量子、最多 50 比特、多基线对比，但全为数值模拟、未上真实硬件。
- 写作质量: ⭐⭐⭐⭐ 理论与算法衔接清晰，框架图把三步流程讲得明白。
- 价值: ⭐⭐⭐⭐⭐ 为可扩展量子数据加载提供了有理论根基的通用方法，是量子机器学习的关键前置模块。