← 返回 PaperDaily
大模型与智能体
3种并行策略×3类优化器：噪声环境下VQE实测
量子计算总给人高高在上的感觉，但真跑起算法，噪声分分钟教做人。这篇论文不玩虚的，直接用最现实的“把任务拆开扔给多个QPU”的思路，系统实测了三种分布式VQE策略在异构噪声下的加速和精度。对想在NISQ设备上做点真实验的团队，有很实在的参考价值。
龙哥读论文
发布于 2026-08-24 00:20:31
阅读 2
查看原文
原论文信息如下：
量子计算热度不减，但NISQ设备是“满嘴跑火车”的选手：比特数不多、门不完美、相干时间有限、读取还出错。想算个基态能量，它给你抖出一堆噪声。于是自然想到——一台不行，多上几台一起干？这就是分布式量子计算（DQC）的朴素动机。
但分布式也有讲究。真正把大电路切到多个QPU协同执行，需要量子通信网络，这还没普及。更务实的方向是：把相互独立的量子任务分别扔到不同QPU执行，最后用经典计算机汇总。这类方法被称为“尴尬并行”（Embarrassingly Parallel）——任务天然解耦，并行毫无压力。
然而，这种“毫无压力”只是理论上的。在真实NISQ设备上，噪声是异构的、时变的，并且与具体的量子比特、门操作和测量过程深度耦合。一台设备上表现良好的电路，换到另一台设备上可能完全失效。因此，分布式VQE的核心问题不再是“能不能并行”，而是“在噪声异构的现实条件下，如何并行才能既保证精度又获得加速”。这正是本文试图回答的问题。
引言：VQE的分布式求生之路 本文主角是变分量子本征求解器（VQE），NISQ时代最被看好的量子算法之一。VQE思路很“经典”：用量子线路准备参数化试探态，再用经典优化器调整参数，让能量期望值最小化。整个过程是量子-经典混合循环。
VQE有个扎眼特点：对量子线路采样量极大。每评估一次能量，要执行大量电路、采集大量样本；优化器每更新一步，又重复这一过程。这使它成了分布式并行化的“天选之子”。不过，NISQ设备噪声并不均匀——有的QPU质量好，有的烂得稳定。任务怎么分配、分配到哪台设备，直接影响执行时间、优化轨迹，甚至最终能量准不准。
这篇来自西班牙加利西亚超级计算中心（CESGA）的论文，用自家开发的CUNQA分布式量子计算仿真平台，把真实IBM和OQC设备的噪声特性搬进模拟器，仔仔细细对比了三种“尴尬并行”分发策略。目标很直接——搞清楚在异构噪声环境下，哪种分发方式最能打，加速比和精度能不能兼得。
在深入方法之前，有必要先理解VQE在单台设备上的困境。VQE的优化过程本质上是一个在噪声污染下的随机优化问题。每次能量评估都带有统计误差（由有限采样引起）和系统误差（由门错误、退相干、测量错误等引起）。当这些误差叠加在一起，优化器看到的能量景观是扭曲的。更严重的是，误差的大小和方向可能随参数变化而变化，导致优化器难以找到稳定的下降方向。这也是为什么VQE在实际设备上经常出现收敛缓慢、陷入局部极小值或震荡不收敛的现象。
分布式VQE的初衷之一，就是通过并行化来分摊噪声的影响。但正如论文将要展示的，分摊噪声并不总是好事——有时候它会让好设备被差设备“拖下水”，有时候它又提供了一种“噪声平均化”的稳定效果。关键在于，不同的并行粒度如何与不同的优化器特性相互作用。
方法概述：三种“尴尬并行”策略 论文把并行分发切成三个粒度：shot级、电路级、候选级。它们其实就是“拆数据”“拆任务”和“拆人”的区别。
先说shot级分发。在VQE里，每个电路都要采样很多次才能统计出靠谱的概率分布。shot级分发的玩法是：把某一电路的总采样预算拆成多份，分别送到不同QPU上跑，最后合并各台设备的采样结果算期望值。好处是哪怕只评估一个电路，也能让多台QPU同时忙起来，资源利用率拉满。坏处也显而易见：在异构噪声池里，合并后的结果是“平均噪声”的体现——好设备被坏设备拉低，坏设备被好设备拉高，最终精度取决于设备池整体平均水平。
shot级分发的一个关键细节是采样预算的分配比例。论文中采用的是均匀分配，即每台设备获得相同的采样份额。但这并非最优方案——如果事先知道各设备的噪声水平，理论上应该给低噪声设备分配更多采样份额，以降低整体方差。然而，这需要额外的噪声表征开销，且噪声水平可能随时间漂移。论文选择均匀分配作为基线，是合理的起点。
其次是电路级分发。在VQE里，一个参数向量往往需要多个独立电路评估才能完成一次能量更新。比如TFIM的哈密顿量按泡利项对易群分成两组，每组对应一个电路测量；再比如QNG需要评估150个电路来算梯度和QGT。这些电路之间毫无依赖，完美适合分发给不同QPU并行执行。并行单元从“一部分采样”变成了“一整条电路”。在异构噪声下，如果某个电路总被分配到差设备，对应观测量就会被系统性污染。论文设计了一种有序置换策略：每轮优化步轮换一次电路到QPU的映射，避免特定观测量长期绑定在差设备上。
电路级分发的优势在于，它保留了每个电路测量的完整性，因此不会像shot级那样把不同设备的噪声“混合”在一起。但代价是，不同电路对最终结果的贡献不同——有些电路（如QGT相关的）对噪声特别敏感，一旦被分配到差设备，可能造成不成比例的影响。有序置换策略试图通过轮换来分散这种风险，但正如实验结果所示，对于QNG这类对几何信息敏感的优化器，这种轮换反而可能引入额外的扰动。
最后是候选级分发。这种策略专门为种群类优化器设计，特别是DE。DE每轮进化会生成一个种群，包含多个候选参数向量，每个候选都要评估一次代价函数。候选级分发把每个候选向量完整地分配给一台QPU，让这台QPU负责该候选的所有电路评估。这样每个个体的能量估计完全由单台设备的噪声特性决定，部分个体可能被差设备拉低，但DE的选择机制可以淘汰被噪声污染的候选。噪声不再平均化，而是被“选择性过滤”了。
候选级分发的一个隐含假设是，种群中总有足够多的“好”候选，使得选择机制能够有效工作。如果种群太小，或者差设备比例过高，那么可能所有候选都被噪声污染，选择机制失效。论文的实验表明，在4台vQPU（其中2台质量较差）的情况下，DE仍然能保持较好的收敛性，说明候选级分发在适度异构环境下是鲁棒的。
噪声环境下的VQE优化：从单QPU到多QPU的挑战 VQE的目标很简单：找参数化量子线路制备的试探态，让它在目标哈密顿量下的能量期望值最小。根据变分原理，这个期望值永远是真实基态能量的上界，最小化它就等于逼近基态能量。整个过程是量子-经典混合的：量子计算机负责准备量子态和测量能量，经典计算机负责根据测量结果调整参数。
VQE对电路执行次数极其贪婪。每次能量评估都需要大量采样，每个优化步又要多次评估，跑一个完整VQE循环下来，电路执行次数动辄成千上万。这种“电路执行密集”的特性，天然适合并行化。但问题在于，NISQ设备噪声太大，且每台设备噪声特性还不一样。有的设备门错误率低、相干时间长，结果就靠近真实值；有的设备噪声大得离谱，测出来的能量期望值能偏到姥姥家。
论文挑选的测试基准是横场伊辛模型（TFIM），一个有周期边界条件的一维自旋链，N=6个自旋，J=T=1。选择这个模型很聪明：一方面可解析求解，方便验证精度；另一方面已知存在合适的变分电路能准确制备其基态，适合测试优化器行为。
H = -J∑i ZiZi+1 - T∑i Xi = Hzz + Hx
其中ZiZi+1代表相邻自旋间的相互作用项（Ising耦合），Xi代表外加横场项。这个哈密顿量天然分成两个对易群：Hzz可直接在计算基下测量，Hx需要先做Hadamard旋转换到X基下测量。于是，每评估一次能量，至少需要两组不同的电路测量——这就为电路级并行提供了天然切入点。
VQE的线路采用哈密顿量变分拟设（HVA），把TFIM的两个相互作用项轮流作用，形成分层结构。论文选用3层HVA，每层两个参数，总共6个变分参数。初始态选为|+⟩⊗n，即所有比特都处于X基的+1本征态，这个态正好是横场项的基态，用一层Hadamard门就能准备好。
为了覆盖不同风格的优化器，论文挑了三个代表：COBYLA QNG DE
简单算笔账就明白为什么优化器选择这么重要。COBYLA每步只评估一个参数向量，因为TFIM能量哈密顿量有两个泡利项群，所以每步需要2个电路评估。DE每步要评估一个种群，那就是2×6×popsize个电路。QNG每步除了能量本身，还需要计算梯度相关量和QGT相关量，用分块对角近似后，总共需要150个电路评估。同样是走一步，需要的电路数量从2个到150个不等，并行化空间天差地别。
噪声环境下VQE还有个大坑叫噪声诱导贫瘠高原（NIBP）。简单说，线路越深，噪声越会把能量景观“压平”，梯度趋近于零，优化器直接失去方向感。这个问题在分布式环境下变得更复杂：如果不同电路被分配到不同噪声水平的QPU上，优化器面对的就不是一个稳定的噪声化目标函数，而是噪声水平随任务分配而变化的“动态目标”——这让收敛行为更加难以预测。
此外，论文还特别强调了噪声模型的重要性。他们使用了IBM和OQC设备的真实校准数据，包括门错误率、退相干时间、测量错误率等，构建了虚拟QPU（vQPU）。每个vQPU都模拟了一台真实设备的噪声行为。这种“校准数据驱动”的仿真方法，比使用抽象噪声模型（如均匀 depolarizing 噪声）更贴近实际，也使得实验结论更具参考价值。
实验结果揭示：优化器与噪声的微妙博弈 实验分两个维度：一是看优化路径和最终精度的变化，二是看加速比和并行效率。为保证公平对比，论文把全局随机种子从编译阶段一直传播到噪声仿真阶段，彻底杜绝随机波动对结论的干扰。
先看单台vQPU上的基准表现。图2展示四个后端各自单独运行时的优化路径。因为噪声的存在，所有优化器最终收敛到的能量值都高于精确基态能量（虚线标出）。其中IBM Berlin表现最好，收敛曲线最贴近真实值；Qmio表现最差，收敛到的能量明显偏高。
论文还顺手扫了一圈超参数：QNG的学习率、DE的种群大小。结果显示QNG学习率设为0.1时表现良好，而DE的收敛速度对种群大小不敏感。这给后续并行化性能对比定下了超参选择依据。
接下来是重头戏：从1台vQPU扩展到2台、3台、4台，逐步加入质量更差的设备，观察分布式策略的表现。图3展示了不同数量vQPU下的优化路径。
一个清晰的总趋势是：随着更多低质量vQPU的加入，所有分布式策略最终达到的能量普遍变差。这个结果并不意外——把差设备拉进池子，整体噪声水平自然上升。但具体到每种策略，反应各不相同。
shot级分发的结果最“诚实”：因为采样被合并后取的是平均效果，所以所有优化器都被同样程度地影响，最终精度基本就是设备池平均噪声水平的直接体现。它没有放大个别差设备的影响，但也没有任何抵抗机制。
电路级分发则让QNG吃了大亏。QNG对QGT的估计非常敏感，而这些QGT电路只占总电路数的一小部分，如果它们被分配到最差的设备上，噪声会剧烈扭曲几何信息，导致更新方向偏离正确轨迹，表现为优化路径震荡甚至发散。更糟的是，有序置换策略在这里反而帮了倒忙——它会反复把QGT电路轮流分配到差设备上，等于让每次参数更新都踩一次雷。
DE在电路级分发下表现出了惊人的韧性。原因在于DE的选择机制：每一轮进化都会评估整个种群，那些因为电路被分配到差设备而导致能量估计偏高的候选解，会在选择阶段被自然淘汰掉。只要种群足够大，好候选总能冒出来。候选级分发也体现出类似的抗噪能力——噪声只是影响部分个体，DE可以像“挑西瓜”一样把好瓜挑出来，烂瓜扔掉。
再看效率和加速比。这里有一个非常实用的发现：shot级分发在采样预算较低的时候，并行效率惨不忍睹。原因很好理解——分发和聚合的通信开销是固定的，如果每个电路本来只要跑几千次采样，把任务拆到多台设备上省下的那点执行时间，还不够抵消任务分发和结果合并的成本。但当采样预算提高到10⁴量级后，执行时间占比大幅上升，并行化的收益开始显现，加速比明显改善。这说明shot级分发是“富人的游戏”：只有在测量密集型场景下才划算。
电路级分发的表现则亮眼许多。QNG由于每步需要150个电路评估，并行化的潜力最大，加速比也最接近理想值；DE紧随其后，因为每步也要评估数量可观的种群。COBYLA每步只有2个电路评估，并行度天然受限，论文里只测了2台vQPU的情况，略有轻微改善——这说明电路级分发对“电路数量多的任务”才有意义，任务本身没有并行度，强行分发只是自娱自乐。
候选级分发的效率随DE种群大小增加而提升：种群越大，可并行的候选就越多，vQPU利用率越高。这和直觉一致，但通过实验数据验证了这一点，相当于给“用大种群配合分布式”提供了直接证据。
值得注意的是，论文还分析了并行效率随vQPU数量增加的变化趋势。在理想情况下，效率应该保持为1（即线性加速）。但实际中，随着vQPU数量增加，通信开销和负载不均衡问题会逐渐显现，效率会下降。论文观察到，对于电路级分发，QNG在4台vQPU时效率仍能保持在0.8以上，说明其并行化潜力得到了较好发挥；而COBYLA在2台vQPU时效率就已经低于0.7，进一步印证了“并行度不足”的结论。
分布式VQE的未来：挑战与机遇 这篇论文的价值不在于提出某个惊艳的新算法，而在于系统性地回答了“分布式VQE在真实噪声环境下到底怎么玩”这个问题。几个核心结论值得反复体会。
第一，没有放之四海而皆准的最佳分发策略。shot级适合高采样预算场景；电路级适合单步需要大量电路评估的优化器，但对噪声敏感；候选级适合种群类优化器且抗噪能力最强。策略的选择必须结合优化器结构、任务粒度和后端噪声分布来综合判断。
第二，异构噪声背景下，优化器的选择比并行策略更关键。DE因为自带“优胜劣汰”的选择机制，天然免疫部分任务被噪声污染的情况；QNG虽然收敛快，但对分布式的噪声扰动极其敏感——用流行的话说，优化器选不对，并行等于给噪声“开了VIP通道”。
第三，CUNQA这类仿真平台的价值不可低估。真实量子硬件稀缺、昂贵且不稳定，能够用真实校准数据驱动的虚拟QPU来预演分布式策略，可以大大降低实验成本和试错风险。这也是HPC与量子计算深度融合的一个缩影——在真正的通用量子计算机成熟之前，仿真与模拟依然是量子算法研究的主战场。
未来值得探索的方向也很明确：把任务调度做成自适应的，根据后端实时噪声校准状态动态决定电路分给谁；在更大规模、更多种类的量子硬件上验证这些结论；以及把量子错误缓解技术与分布式策略结合起来，进一步压低噪声影响。论文的讨论部分也特别提醒，真实硬件上的噪声波动可能比静态校准数据更剧烈，这些仿真结论需要在真实异构平台上做进一步验证。
最后说点实在的。这篇论文不是那种“看完发现是个玩具”的仿真——它用了真实设备的校准数据，跑了系统性的对比实验，结论对实际部署分布式VQE工作流有直接的参考价值。当然，它也有边界：测试基准只有TFIM一个小系统，优化器虽然选了三个代表类型但远谈不上穷尽，COBYLA的电路级实验只覆盖了2台vQPU，这些限制都需要读者在参考时留意。
从更宏观的视角看，这项研究也反映了量子计算领域的一个趋势：从追求“单设备性能极致”转向“多设备协同效率”。随着量子硬件规模的扩大和云服务模式的普及，如何高效地调度和利用异构量子资源，将成为越来越重要的问题。这篇论文为这个方向提供了一个扎实的起点。
龙迷三问 这篇论文到底在解决什么问题？ 本文基于CUNQA平台，在异构噪声NISQ环境中系统对比分布式VQE的三种尴尬并行策略（shot级、电路级、候选级）。这篇工作最值得看的点是什么？ 实验表明shot-level分布在低采样预算下扩展性差，在高shot数下改善；circuit-level分布对QNG和DE有效，QNG对噪声更敏感；candidate-level分布随种群增大效率提升。这篇工作的边界或风险在哪里？ 优点：系统比较了三种并行策略在不同优化器和噪声环境下的表现，使用CUNQA仿真平台提供可控实验环境，考虑了异构噪声对分布式VQE的影响。缺点：仅使用TFIM小规模模型（6自旋），缺乏更大规模验证；COBYLA在circuit-level分布下仅测试了2个vQPU的情况；未在真实量子硬件上验证。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
本文系统评估了三种粒度不同的分布式VQE并行策略（shot级、circuit级和candidate级），在异构噪声的虚拟QPU池上通过CUNQA仿真平台进行性能与精度对比分析。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
本文系统评估了三种粒度不同的分布式VQE并行策略（shot级、circuit级和candidate级），在异构噪声的虚拟QPU池上通过CUNQA仿真平台进行性能与精度对比分析；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： 仅使用TFIM小规模模型（6自旋），缺乏更大规模验证；COBYLA在circuit-level分布下仅测试了2个vQPU的情况；未在真实量子硬件上验证。
主要参考文献
[1] Losada, M., Faílde, D., Gómez, A. Distributed VQE: Embarrassingly Parallel strategies on NISQ. arXiv:2608.19824v1, 2026. [2] Cerezo, M., et al. Variational quantum algorithms. Nature Reviews Physics, 3:625–644, 2021. [3] Preskill, J. Quantum computing in the NISQ era and beyond. Quantum, 2:79, 2018. [4] Barral, D., et al. Review of Distributed Quantum Computing: From Single QPU to High Performance Quantum Computing. Computer Science Review, 57:100747, 2025. [5] Stokes, J., Izaac, J., Killoran, N., Carleo, G. Quantum Natural Gradient. Quantum, 4:269, 2020. [6] Vázquez-Pérez, J., et al. CUNQA: a Distributed Quantum Computing emulator for HPC. 2025. [7] Wang, S., et al. Noise-induced barren plateaus in variational quantum algorithms. Nature Communications, 12:6961, 2021. *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
量子计算路还长，分布式并行先上车！欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 量子计算+上海+清华+龙哥） ，根据格式备注，可更快被通过且邀请进群。『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群，量子同好也在群里等你来聊～
