[论文解读] Quantum Machine Learning for Complex Systems

Vinit Singh, Amandeep Singh Bhatia+3 more|arXiv (Cornell University)|Feb 23, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

本论文综述量子机器学习范式——变分量子电路、量子核方法与神经网络量子态——如何应对复杂量子与实际系统中的学习与仿真挑战，并引入量子辅助采样与信息理论诊断以提升可扩展性与可训练性。

ABSTRACT

Quantum machine learning (QML) is rapidly transitioning from theoretical promise to practical relevance across data-intensive scientific domains. In this Review, we provide a structured overview of recent advances that bridge foundational quantum learning principles with real-world applications. We survey foundational QML paradigms, including variational quantum algorithms, quantum kernel methods, and neural-network quantum states, with emphasis on their applicability to complex quantum systems. We examine neural-network quantum states as expressive variational models for correlated matter, non-equilibrium dynamics, and open quantum systems, and discuss fundamental challenges associated with training and sampling. Recent advances in quantum-enhanced sampling and diagnostics of learning dynamics, including information-theoretic tools, are reviewed as mechanisms for improving scalability and trainability. The Review further highlights application-driven QML frameworks in drug discovery, cancer biology, and agro-climate modeling, where data complexity and constraints motivate hybrid quantum-classical approaches. We conclude with a discussion of federated quantum machine learning as a route to distributed, privacy-preserving quantum intelligence. Overall, this Review presents a unified perspective on the opportunities and limitations of QML for complex systems.

研究动机与目标

• 推动并组织在复杂、高维度及高度相关系统中使用量子机器学习（QML）的研究
• 综述基础的QML范式及其在量子多体物理、化学、生物学及气候相关数据中的适用性
• 突出训练、采样与诊断挑战，并讨论提升可扩展性与可训练性的策略
• 介绍面向应用的框架，讨论为分布式、保护隐私的QML而提出的联邦式量子机器学习。

提出的方法

• 将变分量子算法（VQAs）和神经网络量子态（NQS）视为表达能力强的相关系统变分模型
• 将量子核方法解释为基于特征映射的高维嵌入学习
• 描述神经网络量子态及其在建模相关物质与动力学中的应用，包括训练与采样挑战
• 提出量子使能的变分蒙特卡洛（Q-VMC），用量子辅助采样替代经典采样，采用替代哈密顿量与分割Trotter电路
• 讨论信息理论诊断，如OTOCs，以理解学习动力学和可训练性
• 在药物发现、癌症生物学与农业-气候建模等应用驱动的QML工作流中，探讨面向应用的工作流程，并考虑用于隐私保护分布式学习的联邦式量子机器学习。

Figure 1 : A schematic of a Restricted Boltzmann Machine (RBM), a widely used neural-network quantum state. The learner network is represented by a bipartite graph $G=(V,E)$ , consisting of a set of hidden neurons $\{h_{j}\}_{j=1}^{p}$ , shown in gray and associated with bias vector $\vec{b}$ , and

实验结果

研究问题

• RQ1 不同的QML范式（VQAs、量子核、NQS）在建模复杂量子系统和结构化数据方面的表现如何？
• RQ2 量子使能的采样是否可以提升强相关系统中NQS变分训练的收敛性并降低方差？
• RQ3 来自信息理论的诊断工具（如OTOCs）如何揭示QML模型中的学习动力学与可训练性？
• RQ4 QML在药物发现、生物医学数据、以及气候/农业环境建模等领域的潜在应用与约束是什么？
• RQ5 联邦式量子机器学习是否是实现分布式、隐私保护量子智能的可行路径？

主要发现

• 量子使能的变分蒙特卡洛（Q-VMC）框架可以用量子采样器取代经典采样器，从而实现更快的混合与更稳定的收敛。
• 量子采样器维持的光谱间隙随系统规模衰减的速度慢于经典更新，从而降低梯度方差并改善优化。
• 时序无关的相关量（OTOC）的虚部编码二体可观测–隐藏相关性，并与互信息界相关，为学习与纠缠结构的动态探针提供信息。
• 训练以逼近基态的受限玻尔茨曼机（RBM）倾向于在I–η空间上达到一个下界的饱和，提示一个与观测协方差相容的最小互信息原理。
• I–η分析区分面积律与体积律纠缠驱动因素，并揭示学习表示如何反映潜在的相关结构。

Figure 2 : Trotterized quantum circuit implementing the quantum-enhanced proposal distribution. The proposal transition probability is defined as $P_{\mathrm{prop}}\!\left(\vec{v}^{(i+1)}\mid\vec{v}^{(i)}\right)=\left|\langle\vec{v}^{(i+1)}|U(\tau,\gamma)|\vec{v}^{(i)}\rangle\right|^{2},$ where the