论文标题:
Reshaping quantum annealing landscapes with diagonal catalysts
发表日期:
2026年07月
发表单位:
Qilimanjaro Quantum Tech, Universitat de Barcelona, Universitat Politecnica de Catalunya
原文链接:
https://arxiv.org/pdf/2607.14063v1.pdf
项目链接:
https://github.com/qilimanjaro-tech/diagonal-catalysts-data
量子退火为何深陷局部极小？种群被困在远离全局解的低能盆地中
量子退火最让人头疼的，不是“算不出来”，而是“算着算着就跑偏了”。它本来想沿着能量最低的路走到全局最优，结果常常在离答案还有很多比特翻转的地方，被一堆低能但不对路的配置拦住。换句话说，低能并不等于离答案近，这就是量子退火里最经典也最烦人的矛盾。这篇论文抓住的正是这个痛点：如果能把能量景观重新“掰直”，让离最优解远的配置不再那么有竞争力，退火过程就更容易把概率质量送到正确的盆地里。它没有走“知道答案再去优化答案”这种作弊路线，而是只看问题本身的耦合结构，试图把景观重塑成一个更像“能量漏斗”的形状。图3：概率重分布效果图。引入对角催化剂后，最终态概率从中间能量带和远离答案的区域，明显向低能近解区域聚集。先把背景说人话：量子退火的目标，是把系统从一个简单初态慢慢演化到问题哈密顿量的基态。问题哈密顿量在这里是一个典型的二次无约束二进制优化，也就是 QUBO（Quadratic Unconstrained Binary Optimization，二次无约束二进制优化）对应的伊辛形式。论文只考虑无局域场、两体耦合的情形，写成 HP=∑i<jJijZiZj。这里的 Zi 是泡利 Z 算符，Jij 是耦合强度。这个式子就是量子退火的“终点地图”。系统从横场驱动 HD=-∑iXi 出发，沿着退火参数 s 从 0 演化到 1，最后落到 HP 的基态。问题是，真实世界里的能量地形并不平滑，途中会出现避免交叉。只要最小能隙太小，绝热演化时间就得变得非常长，长到硬件根本不想陪你熬夜。更麻烦的是，论文强调的不是“离基态最近的交叉”，而是“任何能把概率带歪的交叉”。当两个局域盆地相隔很多比特翻转时，它们之间的耦合只能通过高阶隧穿建立，能隙会指数级变小。论文用一个很直白的近似写出了这种关系：Δac∼Γ(Γ/ΔE)D-1。D 是汉明距离，Γ 是横场强度，ΔE 是中间态能量尺度。翻译成人话就是：离得越远，越难互相“勾搭”，所以局部极小一旦形成，就很容易把系统困住。这也是为什么“只盯着最低能量”不够。退火器真正需要的，是一条更顺滑的能量—距离通道：能量低的地方，最好也离最优解近；离得远的地方，最好别显得太香。论文后面做的所有事情，本质上都在围绕这个目标展开。
颠覆认知：无需已知解，用“路径图案”构建对角催化剂重塑能量景观
这篇工作的巧妙之处在于：它没有去猜全局最优解是什么，而是从问题图的耦合结构出发，沿着图上的无自交路径提取“局部一致图案”，再把这些图案平方成一个只含 Z Z 耦合的对角催化剂。这个催化剂在退火过程中临时打开，形式上写成 H(s)=-(1-s)∑iXi+sHP+s(1-s)C(m)。最后一项就是对角催化剂，只在中间退火区间起作用，不改变终态基态集合。这里的 C(m) 不是拍脑袋加的“外挂项”，而是从图结构里系统构造出来的。论文先在图上选一条长度为 m 的无自交路径 p，然后沿路径传播符号：遇到正耦合就保持一致，遇到负耦合就翻转。这样得到一个局部满足的图案 g(p)。这个图案不需要知道全局解，只需要知道路径上的耦合符号和权重。然后把这个局部图案写成一个平方惩罚项，展开后自然只剩下 Z Z 耦合，正好适合近端量子退火硬件。图2：开放路径催化剂构造。先在路径上做符号传播，得到局部满足图案，再把多个路径贡献叠加成更稠密的催化剂。这个思路看起来朴素，实际上挺“狠”。因为它把“知道答案才能设计催化剂”这个老毛病绕开了。路径上的局部满足图案，本质上是在做一种无监督的结构估计：谁和谁更像应该同号，谁和谁更像应该异号，先从局部图里学出来，再把这种偏好扩散到全图。论文还把路径长度 m 作为一个可调旋钮：m 越大，催化剂覆盖越广，但路径图案和真实最优解之间的“保真度”也可能下降。这个权衡，后面实验里会再看到。
