来源论文: https://arxiv.org/abs/2605.02385v1 生成时间: May 05, 2026 15:53

纠缠并非全貌：从后选择到混合张量网络的范式演进

0. 执行摘要

在量子机器学习（QML）的快速发展进程中，张量网络（Tensor Networks, TNs）作为连接量子物理与经典机器学习的桥梁，扮演着愈发核心的角色。然而，长期以来，经典张量网络（CTN）与量子张量网络（QTN）之间存在着一道隐形的鸿沟：前者追求极端的表达能力与非线性，而后者受限于量子力学的幺正性（Unitarity）与完全正保迹（CPTP）映射约束。

由 Gustav J L Jäger 等人发表的这项工作——《Entanglement is Half the Story: Post-Selection vs. Partial Traces》，挑战了“量子优势仅源于纠缠”的传统认知。作者指出，**后选择（Post-Selection）才是区分经典与量子张量网络架构的核心属性。通过引入一个控制后选择程度的新型超参数，本文构建了一个名为混合张量网络（Hybrid Tensor Network, HTN）**的统一框架。该框架不仅允许我们在经典与量子模型之间进行平滑插值，还揭示了后选择如何通过引入局部非线性来增强分类任务中的全局分离能力。实验证明，在有限的硬件资源下，合理分配后选择资源比单纯增加键维（Bond Dimension）更能有效提升模型性能。

1. 核心科学问题、理论基础与技术细节

1.1 核心科学问题：量子线性之困

量子机器学习面临的核心挑战之一是非线性的缺失。经典的神经网络（NN）通过 Sigmoid 或 ReLU 等激活函数引入非线性，从而实现复杂特征空间的划分。然而，量子系统的演化遵循薛定谔方程，其在算子层面是线性的。虽然纠缠和叠加态提供了指数级的希尔伯特空间，但量子通道（Quantum Channels）本质上只能压缩现有的全局分离度，而无法主动提升它。这一局限性使得 QML 在处理非线性可分数据集时往往表现不如经典模型。

1.2 理论基础：后选择作为非线性源

作者提出，后选择是打破这种线性枷锁的关键。在量子计算中，后选择意味着只保留满足特定测量结果的样本，丢弃其余样本。这在数学上等同于对概率幅进行重新归一化。

考虑 Stinespring 扩张定理：任何量子通道 $\Lambda$ 作用于密度矩阵 $\rho$ 都可以表示为在更大系统上的幺正演化 $U$ 后的偏迹（Partial Trace）：

$$\Lambda[\rho_A] = \text{tr}_B (U_{AB}(\rho_A \otimes |0\rangle\langle 0|_B)U^\dagger_{AB})$$

如果我们将“偏迹”替换为“后选择”，即测量辅助比特并要求其处于 $|0\rangle$ 态，则输出态变为：

$$\rho_{out} = \frac{\langle 0|_B U (\rho_A \otimes |0\rangle\langle 0|_B) U^\dagger |0\rangle_B}{\text{tr}(\dots)}$$

这种丢弃信息并重新缩放的过程，为系统引入了强烈的非线性，使得原本重叠的量子态在希尔伯特空间中得以分离。

1.3 技术难点：统一架构的构建

如何在一个架构中同时容纳 CTN 和 QTN？技术难点在于处理张量收缩中的约束。CTN 通常不要求张量是等距的（Isometric），而 QTN 必须满足 CPTP 条件。作者通过定义还原算子（Reduction Operators） $D_j$ 解决了这一问题：

  • 当 $D_j = I$（单位阵）时，算子等同于偏迹，模型退化为 QTN。
  • 当 $D_j = |0\rangle\langle 0|$（One-hot 投影）时，算子等同于后选择，模型表现接近 CTN。

通过对 $D_j$ 进行参数化（例如设置对角元为 $1$ 和 $d$），并引入超参数 $h \in [0, 1]$，作者成功实现了从“严格保迹”到“完全后选择”的平滑过渡。

1.4 方法细节：混合张量网络 (HTN) 流程

  1. 映射策略：将 CTN 中的每个张量通过奇异值分解（SVD）转化为等距张量，并将奇异值提取到辅助对比特上。
  2. 推理方案：在量子计算机上，使用多受控旋转门（MCRY）来实现非幺正的线性映射，通过对辅助比特的测量实现后选择。
  3. 损失函数设计：引入去极化通道（Depolarizing Channel）$\Delta_\lambda$ 来处理不可逆矩阵的对数运算，确保数值稳定性。定义的交叉熵损失函数为： $$L = \frac{1}{N} \sum_{i=1}^N -\text{tr}(\tau_i \log \Delta_\lambda \circ \mathcal{N} \circ \Lambda[\sigma_i])$$ 其中 $\mathcal{N}$ 是归一化算子。

2. 关键 Benchmark 体系与数据深度分析

2.1 测试数据集：Iris 与 MNIST

作者选择了两个具有代表性的基准体系：

  • Iris 数据集：用于测试模型在低维但非线性空间中的基本分类能力。
  • MNIST 数据集（缩放至 7x7）：用于测试模型在处理高维特征时对抗贫瘠高原（Barren Plateaus）的能力。

2.2 关键超参数实验数据

在实验中，作者对比了两个核心参数：

  1. 键维 $\chi$：代表了模型能够处理的最大纠缠量/相关性。
  2. 阈值 $t$：控制归一化程度，即允许的后选择比例。

数据表现分析（以 Iris 为例）：

  • 训练损失的单调性：实验验证了 Proposition 4，即随着 $t$ 减小（后选择增加），训练损失严格单调下降。这表明后选择确实提升了模型的表达能力。
  • 后选择 vs. 键维：令人惊讶的是，在 $\xi=2$（辅助比特维度）的情况下，改变 $t$ 对性能的影响远大于改变 $\chi$。这意味着在 QML 中，优化后选择的利用率可能比单纯增加量子比特之间的连接（纠缠）更为高效。
  • 过拟合风险：当 $t \to 0$ 时，虽然训练精度接近 100%，但测试集精度出现剧烈震荡。这反映出过度的后选择会导致模型变成一个“拒绝采样器”，只对极少数样本有效，失去了泛化性。

2.3 MNIST 上的性能突破

在处理 7x7 MNIST 时，标准的 QTN ($h=1$) 容易陷入贫瘠高原，由于梯度消失导致模型只能进行随机猜测（精度约为 10%）。然而，引入后选择（$h=0$）后，通过选择具有非零梯度的希尔伯特子空间，测试精度飙升至 99.68%。这证明了后选择在缓解量子训练困境方面的巨大潜力。

3. 代码实现细节与复现指南

3.1 核心软件包：quimb

本研究的数值模拟主要基于 Python 生态中的张量网络库 quimb (Gray, 2018)。这是一个高性能的张量收缩与量子电路模拟工具，能够处理数千个张量的复杂网络。

  • Repo Link: https://github.com/jcmgray/quimb
  • 关键功能：利用 quimb 的 TensorNetwork 对象进行环境缓存（Environment Caching），将收缩复杂度从指数级降至键维的四次方（$O(\chi^4)$）。

3.2 复现指南与代码逻辑

复现该 HTN 模型建议遵循以下步骤：

  1. 数据编码：

    • 使用旋转编码（Rotational Encoding）将经典数据映射为量子乘积态。
    • 每个特征 $x_i$ 映射为 $\cos(x_i)|0\rangle + \sin(x_i)|1\rangle$。

  2. 构建 MPS-inspired HTN：

    • 创建一个等距的矩阵乘积态（MPS）架构。
    • 在每个位点引入辅助索引 $\xi$，连接还原算子对角矩阵 $D$。

  3. 参数初始化：

    • 不要使用完全随机初始化。作者建议使用基于数据的初始化（Data-driven Initialization），可将初始损失控制在最佳值的 4% 以内。

  4. 优化循环：

    • 使用 ADAM 优化器。
    • 在每一轮 sweep 中，利用环境缓存加速梯度计算。
    • 动态调整超参数 $t$，观察测试集精度的拐点以防过拟合。

4. 关键引用文献与局限性评论

4.1 关键引用文献

  • [21] Stoudenmire & Schwab (2016): 开创了使用 MPS 进行监督学习的先河，是本文 CTN 架构的主要参考。
  • [16] Huggins et al. (2019): 提出了量子张量网络作为机器学习模型的早期框架。
  • [28] Yuan et al. (2021): 探讨了混合张量网络在模拟大型量子系统中的应用。
  • [54] McClean et al. (2018): 关于贫瘠高原问题的经典文献，本文通过后选择对其进行了缓解。

4.2 局限性评论：硬币的另一面

尽管 HTN 架构表现出色，但作为技术作者，我认为以下几点局限性值得深思：

  1. 采样效率（Shot Efficiency）：后选择本质上是一种“舍弃”策略。在真实的量子硬件上，如果后选择成功率仅为 $10^{-3}$，则意味着需要增加 1000 倍的采样次数（Shots）才能获得统计显著的结果。这在 NISQ 时代是非常昂贵的资源。论文虽然定义了超参数来管理这种平衡，但在极大规模问题上的可行性仍待观察。
  2. “弃权分类器”的本质：后选择实际上将模型变成了一个“弃权分类器”。它通过丢弃低置信度的样本来提高精度。但在某些医疗或自动驾驶场景下，我们不能简单地“丢弃”数据，系统必须给出判断。
  3. 编码依赖性：论文提到结果高度依赖于初始编码。虽然 HTN 增强了后处理能力，但如果预处理编码阶段丢失了太多全局分离度，后选择也无法化腐朽为神奇。

5. 补充：量子化学视角下的张量网络演进

作为一个量子化学背景的研究者，看到张量网络从模拟分子基态转向分类任务是非常令人振奋的。在量子化学中，我们使用 DMRG（密度矩阵重整化群）来寻找电子波函数的 MPS 表示，其目标是最小化能量期望值。而在本文的 HTN 中，目标变成了最小化交叉熵。

5.1 纠缠熵 vs. 任务复杂度

在分子系统中，纠缠熵决定了模拟的难度。而在 QML 中，本文告诉我们，非线性映射的有效性（由后选择介导）可能比纠缠熵更直接地决定了分类的成败。这提示我们在设计用于预测化学性质的量子神经网络时，或许应该在电路末端增加更多的辅助比特探测，而非盲目增加电路深度或纠缠门数量。

5.2 未来研究方向：纯度驱动的 HTN

论文最后提到的一个开放问题非常有趣：如何通过强制输出态的**纯度（Purity）**来进一步连接 CTN 与 QTN？在量子化学中，纯态代表了单一构型，而混合态代表了系综。如果能将后选择程度与体系的热力学性质（如熵）联系起来，我们或许能构建出一种能够自动感知物理系统复杂度的自适应张量网络，这将是量子化学模拟与机器学习融合的终极形态。

总结：Jäger 等人的这项工作不仅为我们提供了一个实用的超参数工具箱，更深刻地揭示了量子与经典模型之间的本质区别不在于“量子力学是魔法”，而在于我们如何处理信息的流失与权衡。对于追求极致性能的 QML 开发者来说，理解并掌握“后选择”这门艺术，确实已经开启了纠缠之外的“另一半故事”。