来源论文: https://arxiv.org/abs/2606.28201v1 生成时间: Jun 29, 2026 01:05

混合量子-经典神经网络识别二维拓扑相：超导量子处理器上的实验与深度解析

0. 执行摘要

识别和表征量子物相（Quantum Phases of Matter）是凝聚态物理与量子化学领域的核心任务之一。特别是具有拓扑秩序（Topological Order）的非平凡物相，由于其缺乏局域序参量（Local Order Parameter），传统的表征方法往往需要指数级复杂的全态层析（Full State Tomography）或随机测量，这在含噪中等规模量子（NISQ）时代面临着严峻的挑战。

近期发表的学术工作《Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases》提出并实验实现了一种**混合量子-经典神经网络（Hybrid Quantum-Classical Neural Network, HQCNN）架构。该方案通过将硬件高效的参数化量子线路（Parameterized Quantum Circuit, PQC）与经典的 feedforward 神经网络（FNN）**相结合，并在超导量子硬件上实现了联合优化训练。实验结果表明，该 HQCNN 成功识别了磁场中二维表面码（Surface Code）的拓扑基态，在单次测量（Single-shot measurement）中分类准确率超过 85%，在 10 次测量平均下分类准确率达到 99% 以上。最关键的是，该方案在样本复杂度（Sample Complexity）和抗噪性上显著优于纯经典的机器学习方案，为探索强关联分子、非常规超导体以及拓扑自旋液体等复杂量子体系的物相识别开辟了全新的道路。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题：拓扑相识别的非局域瓶颈

在朗道对称破缺理论（Landau’s Symmetry Breaking Theory）框架下，传统的量子相变可以通过局域序参量的期望值来刻画。例如，铁磁-顺磁相变可以通过局域自旋期望值 $\langle Z_i \rangle$ 来识别。然而，拓扑物相（如分数量子霍尔效应、自旋液体和表面码基态）并不伴随任何局域对称性的破缺。它们的特征信息编码在体系的全局多体纠缠中，表现为非局域的拓扑秩序。

在数学上，表征这种非局域性质通常需要计算拓扑纠缠熵（Topological Entanglement Entropy, TEE）：

$$S_{\text{topo}} = S_{\text{\{1\}}} + S_{\text{\{2\}}} + S_{\text{\{3\}}} - S_{\text{\{1,2\}}} - S_{\text{\{2,3\}}} - S_{\text{\{1,3\}}} + S_{\text{\{1,2,3\}}}$$

其中 $S_A$ 是子系统 $A$ 的 2-Rényi 熵。计算 $S_{\text{topo}}$ 要求对体系进行重构，而全态层析的测量次数随比特数 $N$ 呈指数级增长 $\mathcal{O}(2^N)$。即便是近年来兴起的经典阴影（Classical Shadows）方法，在处理复杂的二维非局域算符时，其样本复杂度也面临着不可忽视的无利标度律（unfavorable scaling）。因此，如何直接在量子处理器上高效处理量子数据并识别拓扑相，是当前量子信息与强关联物理交叉领域的重大核心科学问题。

1.2 理论基础：磁场中的二维表面码

本工作研究的物理体系是处于纵向磁场中的二维自旋-1/2 表面码模型，其哈密顿量定义为：

$$H = - \sum_A X_A - \sum_B Z_B - h \sum_{i=1}^N Z_i$$

其中：

  • $X_A = \prod_{i \in A} X_i$ 为定义在蓝色多边形（顶点）上的 $X$ 稳定子（Stabilizer）。
  • $Z_B = \prod_{i \in B} Z_i$ 为定义在绿色多边形（面）上的 $Z$ 稳定子。
  • $h$ 代表纵向磁场的强度，最后一项 $H_{\text{Field}} = -h \sum Z_i$ 模拟了外加磁场。

物相行为：

  1. 拓扑有序相（$h = 0$）：系统基态为标准的表面码基态，具有 $2^2$-重拓扑简并度（在有边界的流形上）。稳定子算符的期望值 $\langle X_A \rangle = 1$ 且 $\langle Z_B \rangle = 1$。此时系统具有非零的拓扑纠缠熵 $S_{\text{topo}} = -1$。
  2. 平庸顺磁相（$h \to \infty$）：强磁场将所有自旋极化到 $|0\rangle$ 方向，基态变为简单的直积态 $|00\dots0\rangle$，拓扑纠缠熵 $S_{\text{topo}} \to 0$。
  3. 量子相变（$h_c \approx 0.33$）：在热力学极限下，系统在 $h_c$ 处发生二级量子相变，拓扑秩序崩溃。

1.3 技术难点

要在 NISQ 硬件上实现这一识别任务，面临以下关键技术难点：

  1. 高保真度基态制备：在没有辅助比特（ancilla qubits）的情况下，如何在有限深度的量子线路中高保真度地模拟哈密顿量（公式 1）在任意磁场 $h$ 下的基态？
  2. 硬件原生闸参数化：标准的量子门（如硬编码的 CNOT）在 NISQ 设备上误差较大。如何设计硬件高效（hardware-efficient）且具有连续可调参数的量子门线路？
  3. 梯度消失与贫瘠高原（Barren Plateaus）：量子神经网络在联合优化时极易陷入贫瘠高原或局部极小值。如何在混杂训练（Hybrid Training）中确保收敛性？

1.4 混合量子-经典神经网络（HQCNN）架构与方法细节

为了克服上述难点，作者设计了一个由**参数化量子线路（PQC）和经典前馈神经网络（FNN）**无缝连接的 HQCNN 架构（见图 1）。

1.4.1 第一阶段：参数化量子线路（PQC）

PQC 的核心功能是执行非局域基矢变换（Nonlocal basis transformation）。其物理动机基于“去纠缠（Disentangling）”思想：如果 PQC 的幺正变换 $U_{\text{PQC}}(\theta)$ 恰好是基态制备线路的逆变换，那么它就能将复杂的拓扑纠缠基态解纠缠，映射回简单的直积态 $|00\dots0\rangle$。此时，通过局域计算基测量即可实现高效分类。

  • 门集合设计：由连续参数化的双比特控制相位门 $CZ_{\theta}$ 和单比特旋转门 $Y_{\theta}$ 组成。这类门可以在超导硬件上通过调整通量脉冲实现硬件原生（hardware-native）的连续参数控制，从而避免了将任意角度门分解为标准门带来的深度和误差累积。
  • 拓扑结构：其网络拓扑结构与对应尺寸（$3\times3$ 或 $4\times4$）表面码的硬件耦合几何结构严格匹配。

1.4.2 第二阶段：经典前馈神经网络（FNN）

在 PQC 的末端，对所有 $N$ 个比特进行计算基（$Z$ 基）单次测量，得到二进制比特串 $\vec{x} = (x_1, x_2, \dots, x_N) \in \{0, 1\}^N$。这个比特串作为经典 FNN 的输入。

  • FNN 结构：包含三层：
    • 输入层：$N$ 个节点（接收比特串 $\vec{x}$）。
    • 隐藏层：$2N$（即 32）个节点，采用 ReLU 激活函数。
    • 输出层：1 个单节点，采用 Sigmoid 激活函数，输出概率 $y \in [0, 1]$，表示该输入状态属于“拓扑相”的置信度。

1.4.3 联合优化与双重循环训练法（Joint Optimization Loop）

HQCNN 的精妙之处在于量子参数 $\theta$ 与经典权重 $\mathbf{w}$ 的联合训练。训练过程采用了内-外双重循环优化机制（Nested Optimization Loop）：

  1. 代价函数定义（Binary Cross-Entropy）：

    $$c = \frac{1}{2} \sum_{L=0}^1 \frac{1}{|T_L|} \sum_{\rho \in T_L} \frac{1}{N_{\rho}} \sum_{i=1}^{N_{\rho}} \left[ L \ln \frac{1}{y_i} + (1 - L) \ln \frac{1}{1 - y_i} \right]$$

    其中 $T_1$ 为拓扑相样本集（$h=0$ 时的拓扑基态），$T_0$ 为平庸相样本集（由 Pauli 算符本征态构成的最大混态，等效于无特征的直积态集）。这种样本选择方案极具洞察力：它不强求网络去学习特定平庸相的特征，而是强迫网络去专门寻找拓扑相独特的非局域特征。

  2. 内循环（经典参数优化）： 固定量子线路参数 $\theta$，将量子硬件（或模拟器）测量的比特串数据集输入 FNN。在经典计算机上通过反向传播（Backpropagation）和 ADAM 优化器训练 FNN 的权重 $\mathbf{w}$，使代价函数 $c$ 最小化。

  3. 外循环（量子线路参数优化）： 利用训练好的 FNN 输出的代价函数 $c$，更新 PQC 的门参数 $\theta$。由于量子硬件无法直接回传梯度，作者采用了**随机梯度估计（Stochastic Gradient Estimation）**方法：

    • 对当前的量子参数 $\theta$ 施加 8 个随机高斯扰动 $\delta \theta_i \sim \mathcal{N}(0, s^2)$，其中 $s = 0.03\pi$。

    • 在量子硬件上执行这 8 组扰动线路，获得测量数据并输入已优化的 FNN，得到对应的扰动代价 $c_i$。

    • 估计代价函数的近似梯度：

      $$\vec{\nabla} c \approx \frac{1}{n s} \sum_{i=1}^n \bar{c}_i \frac{\delta\theta_i}{s}$$

      其中 $\bar{c}_i$ 是标准化后的代价值。

    • 沿负梯度方向更新量子参数：$\theta \leftarrow \theta - \alpha \vec{\nabla} c$，其中学习率 $\alpha = 2s^2$。

通过约 400 次外循环迭代，整个系统协同收敛到全局最优值（见图 3(a)）。

2. 关键 Benchmark 体系、计算所得数据与性能分析

2.1 实验 Benchmark 体系设置

该研究在**瑞士苏黎世联邦理工学院（ETH Zurich）**的超导量子处理器上进行。该处理器拥有 17 个通量可调的 Transmon 比特。实验使用了两种不同格点尺寸的表面码：

  • $3 \times 3$ 表面码：包含 $N=9$ 个物理比特。
  • $4 \times 4$ 表面码：包含 $N=16$ 个物理比特。图 5 详述了这 16 个比特在 17-比特芯片上的非规则网格拓扑映射，展示了如何在具有特定连通性的物理芯片上完美构建具有周期性或特定边界条件的二维表面码。

2.2 基态制备验证数据

在将状态送入 HQCNN 之前，研究团队首先通过数值优化与高精度门控在超导硬件上制备了不同磁场强度 $h \in [0, 1]$ 下的近似基态。图 2 详尽展示了制备状态的质量：

  • 稳定子期望值（图 2(b)-(c)）：在 $h=0$ 时，所有的二体和四体稳定子（Stabilizer）的期望值接近其理论最大值 1.0。随着磁场 $h$ 的增加，$X$-稳定子的期望值显著下降，而 $Z$-稳定子（与磁场项对易）保持恒定。这完美符合统计力学理论预测。
  • 基态能量 $E$ 与其曲率 $\partial^2 E/\partial h^2$（图 2(d)-(e)）：实验测量的能量（深蓝色实心圆点）与考虑了退相干、弛豫及残留 $ZZ$ 相互作用的**含噪 Kraus 算符模拟（Simulated, noisy）**极其吻合。能级二阶导数的极小值精确指向了有限尺寸下的相变 crossover 点 $h \approx 0.28$（对于 $N=16$）。
  • 拓扑纠缠熵 $S_{\text{topo}}$（图 2(f)）：利用完整的状态层析，在 $h=0$ 处测得 $S_{\text{topo}} \approx -0.45$（受限于 NISQ 器件噪声，理论无噪值为 $-1.0$），随着磁场增加，该值平滑趋近于 0。这无可辩驳地证明了超导处理器中二维拓扑秩序的成功建立。

2.3 HQCNN 物相识别性能指标

通过对训练好的 HQCNN 进行多维度 Benchmark 测试，取得了令人瞩目的性能表现：

2.3.1 量子相变泛化能力（图 3(b)）

尽管 HQCNN 在训练阶段只看过了端点状态（$h=0$ 拓扑基态和无特征混态），但当输入 $h \in [0, 1]$ 连续变化的测试基态时，网络输出 $y$ 展现出极为平滑的单调过渡行为。对于 $N=16$ 系统，在 $h \le 0.2$ 时 $y \approx 0.9$，在 $h \ge 0.6$ 时 $y \approx 0.1$。相变过渡区间与热力学极限下的理论相变点高度契合，证明了模型强大的物相外推与泛化能力。

2.3.2 局域扰动鲁棒性（图 3(c)-(d)）

为了测试该 HQCNN 是否真正学到了“非局域的拓扑特征”，而非某种易受干扰的局域伪特征，作者设计了极具挑战性的鲁棒性测试集：

  1. Pauli 误差测试：将任意单个自旋的 $X, Y, Z$ 门（共 48 种可能的单比特 Pauli 错误）作用在拓扑基态上，生成受损基态。
  2. 随机直积态测试：随机产生 100 个局域不相关的直积态（模拟完全平庸的物相）。

测试结果分析：

  • 在**单次测量（Single-shot, $N_x = 1$）**下，受损拓扑态与随机平庸态的输出分布在 $y=0.5$ 附近虽有少量重叠，但分类器依然实现了超过 85% 的识别准确率。
  • 当对测量结果进行少量的多样本平均时（如 $N_x = 3$），两者的概率分布迅速分离开。
  • 当平均次数达到 $N_x = 10$ 时，HQCNN 实现了惊人的 99% 以上的分类准确率，False Positive 与 False Negative 概率降至可忽略不计的水平。这表明该网络对于量子硬件常见的局域比特翻转和相位退相干误差具有天然的免疫力。

3. 代码实现细节、复现指南与开源工具链

为了便于科研人员复现并拓展该项工作，本节基于论文披露的附录细节，梳理出其软件栈与核心算法的伪代码实现。

3.1 软件栈推荐

  • 量子模拟与优化：Qiskit 或 Pennylane（支持参数化量子线路构建及基于 PyTorch/TensorFlow 的混合梯度计算）。
  • 经典神经网络：TensorFlow 2.x / Keras。
  • 数值对角化与数值模拟：QuTiP（用于快速哈密顿量构建、基态对角化以及含噪 Kraus 算符的主方程模拟）。

3.2 核心复现步骤与算法实现

步骤 1：构建 PQC 与计算基测量

以下是基于 Pennylane 构建硬件高效参数化量子线路的 Python 代码示例：

import pennylane as qml
import numpy as np
import tensorflow as tf

def create_pqc_ansatz(n_qubits, depth):
    dev = qml.device("default.mixed", wires=n_qubits)
    
    @qml.qnode(dev, interface="tf")
    def circuit(weights, state_density_matrix=None):
        # 载入待测试或训练的输入态
        if state_density_matrix is not None:
            qml.QubitDensityMatrix(state_density_matrix, wires=range(n_qubits))
        else:
            # 默认直积态初始化
            for i in range(n_qubits):
                qml.Hadamard(wires=i)
        
        # 施加参数化量子线路 (PQC)
        param_idx = 0
        for d in range(depth):
            # 单比特 Y 旋转层
            for i in range(n_qubits):
                qml.RY(weights[param_idx], wires=i)
                param_idx += 1
            # 硬件原生的相邻比特 CZ(theta) 层
            for i in range(n_qubits - 1):
                qml.ControlledPhaseShift(weights[param_idx], wires=[i, i+1])
                param_idx += 1
                
        # 进行计算基单次测量 (返回每个比特的概率或样本)
        return [qml.expval(qml.PauliZ(i)) for i in range(n_qubits)]
    
    return circuit

步骤 2：经典 FNN 构建

使用 Keras 构建三层全连接前馈网络：

def build_classical_fnn(n_qubits):
    model = tf.keras.Sequential([
        tf.keras.layers.Input(shape=(n_qubits,)),
        tf.keras.layers.Dense(32, activation='relu'),
        tf.keras.layers.Dense(1, activation='sigmoid')
    ])
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
        loss='binary_crossentropy'
    )
    return model

步骤 3：联合优化算法伪代码

初始化 量子线路参数 theta (随机分配)
初始化 经典网络权重 w
确定扰动标准差 s = 0.03 * pi, 学习率 alpha = 2 * s^2, 迭代步数 Max_Steps = 400

For step = 1 to Max_Steps:
    1. 生成 8 组扰动向量 delta_theta_i ~ N(0, s^2), i = 1..8
    2. 对于每组扰动 theta_i = theta + delta_theta_i:
       a. 在量子模拟器上运行 PQC(theta_i)，输入“拓扑基态”与“最大混态”
       b. 收集单次测量比特串数据集 X_topo 和 X_mixed
       c. 使用当前 FNN(w) 计算这批数据的二分类交叉熵代价 c_i
    
    3. 经典网络内循环优化：
       a. 收集 theta 处的测量数据 X_train = [X_topo, X_mixed]，标签 Y_train = [1, 0]
       b. 训练 FNN 10 个 epochs，更新权重 w
    
    4. 量子线路参数梯度更新（外循环）：
       a. 标准化代价函数数组 [c_1, ..., c_8] -> [bar_c_1, ..., bar_c_8]
       b. 估计梯度 grad = (1 / (8 * s)) * sum_i(bar_c_i * delta_theta_i / s)
       c. 更新参数: theta = theta - alpha * grad

End For

3.3 开源资源与库链接

复现本研究时，可参考以下学术界主流的开源量子机器学习库：

4. 关键引用文献与局限性批判性评论

4.1 关键引用文献

本项研究建立在多项里程碑式工作的基础之上。以下是理解该论文的核心参考文献：

  1. 表面码理论基础：S. B. Bravyi and A. Y. Kitaev, Quantum codes on a lattice with boundary, arXiv:quant-ph/9811052 (1998); A. Y. Kitaev, Fault-tolerant quantum computation by anyons, Annals of Physics 303, 2 (2003).
  2. 机器学习与量子物相：J. Carrasquilla and R. G. Melko, Machine learning phases of matter, Nature Physics 13, 431 (2017).
  3. 量子卷积神经网络 (QCNN)：I. Cong, S. Choi, and M. D. Lukin, Quantum convolutional neural networks, Nature Physics 15, 1273 (2019).
  4. 超导原生参数门技术：C. Scarato et al., Realizing a continuous set of two-qubit gates parameterized by an idle time, PRX Quantum 6, 040317 (2025).

4.2 局限性与批判性评论

虽然该项工作在超导硬件上展示了卓越的相识别能力，但在迈向通用量子优势和化学系统应用时，仍存在以下值得注意的学术局限性：

1. 物理结构对 Ansatz 的强依赖性（缺乏通用性）

该工作所采用的 PQC（参数化量子线路）架构在很大程度上依赖于基态制备线路的逆线路（即物理启发式 ansatz）。这意味着，在面对一个完全未知的量子物相或复杂的强关联化学体系（例如非平凡的过渡金属多重态）时，如果我们无法事先设计出其基态制备的近似线路，那么解纠缠线路的设计将会变得无从下手。这种对先验物理知识的强依赖，限制了该方法作为一个完全“黑箱”物相探针的通用性。

2. 量子-经典联合训练的额外开销（Scaling of Joint Training）

尽管推理（Inference）阶段只需极少量的样本（10次测量即可达到 99% 准确率），但训练（Training）阶段的开销极为巨大。双重优化循环中的外循环梯度估计采用的是随机扰动法。随着系统尺寸 $N$ 的增大，为了准确估计梯度，所需的参数数量和测量次数呈爆发式增长。在更大的格点（如 $15 \times 15$ 表面码，需要 308 个双比特门和 841 个单比特门）上，联合优化的收敛时间可能会受到“贫瘠高原”效应的致命打击。

3. 噪声对联合优化的隐式偏置（Implicit Bias from Noise）

论文中指出，训练过程发生在线路上，因此网络在优化时会隐式地“适应”硬件的特定系统误差（如门过旋转和欠旋转）。虽然这在短期内提升了分类器的表现，但这引入了对特定硬件噪声分布的过度拟合（Overfitting to hardware noise）。如果将在一台超导芯片上训练好的 HQCNN 模型迁移到另一台相干时间不同、串扰（crosstalk）分布不同的处理器上，分类器的准确率可能会显著下降，缺乏算法层面的自适应迁移能力。

5. 跨界视角：量子相变识别在量子化学强关联体系中的应用前景

本项研究虽然源自凝聚态物理的拓扑物相识别，但其底层逻辑——利用参数化量子线路从噪声多体态中提炼非局域纠缠特征——与现代量子化学在解决强关联分子体系上面临的瓶颈有着天然的共通性。本节从量子化学研究人员的视角，探讨该架构的潜在应用场景：

5.1 识别强关联分子中的“纠缠相”

在多中心过渡金属配合物（如固氮酶中的铁钼辅因子 $\text{FeMo-co}$、光合作用中的 $\text{Mn}_4\text{CaO}_5$ 簇）中，电子结构的强关联性使得单参考（Single-reference）方法（如 Coupled Cluster）彻底失效。这类分子的基态表现出类似自旋液体的多体纠缠行为。

通过将分子的电子哈密顿量映射到量子比特上，HQCNN 可以被用来分类和识别分子在化学键断裂或电子态跃迁过程中的“纠缠相变”。例如，自动识别体系何时从平庸的费米液体相（易于经典模拟）过渡到强关联共振共价键（Resonating Valence Bond, RVB）相。这能为多组态计算（如 CASSCF）中的活性空间（Active Space）选择提供智能决策，避免经典选择方法的盲目性。

5.2 赋能高保真度幺正耦合簇（UCC）制备

在量子化学模拟中，幺正 Coupled Cluster（UCCSD）线路在 NISQ 时代往往因为深度过大而难以执行。该工作展示的参数化连续 $CZ_{\theta}$ 闸控和随机梯度估计技术，可直接移植到**变分量子特征值求解器（VQE）**的分子态制备中。通过 HQCNN 训练的非局域基矢变换器，可以将高度纠缠的分子激发态转换为近乎独立的准粒子直积态，从而在极低的硬件深度下实现对活性能量空间的高精度求解。

5.3 结论与展望

《Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases》通过软硬件协同创新的精妙设计，给出了一份将量子计算与现代深度学习相结合的范本。它用实验数据雄辩地证明了，即使在带有明显噪声的 NISQ 设备上，我们也可以利用量子算法本征的非局域信息处理能力，完成纯经典计算难以企及的任务。对于量子化学界而言，深入融合这种混合架构，不仅能加速强关联分子动力学的模拟，更有望揭示深藏于微观化学反应通道中的拓扑多体物理图景。