风险偏好优化：噪声玻色量子系统态制备的保真度操控新思路

当量子态制备遭遇噪声：平均保真度并非唯一答案

在玻色量子计算机上执行量子算法，态制备（state preparation）是不可或缺的前置步骤——需要将输入编码为目标量子态。但在真实物理环境中，噪声不可避免，制备出的态实际上是纯态的概率混合（probabilistic ensemble），而非理想单一态。

据该研究指出，现有态制备方法的核心逻辑是：对 variational ansatz 在所有可能的光子丢失事件序列上取平均，从而优化出一个具有特定平均保真度的输出态。这种策略简单直接，却忽略了一个关键信息：保真度在 ensemble 内部的分布形态。

平均保真度高的态，是否意味着每个采样纯态都足够好？答案是否定的。分布中可能同时存在极高保真度的"幸运样本"和极低保真度的"灾难样本"，而平均值掩盖了这种分化。对于下游应用而言，能以一定概率获得高保真度态，往往比提升整体平均水平更有实际意义。

玻色量子计算机是一类以玻色子（通常是光子）的量子模式作为信息载体的量子计算平台，其典型代表包括基于光子的线性光学量子计算和连续变量量子计算。与基于二能级系统（如超导transmon或离子阱）的量子计算机不同，玻色量子计算机的希尔伯特空间是无限维的，每个玻色模式原则上可容纳任意多个光子。这种高维特性为量子信息编码提供了更丰富的资源，但也带来了独特的噪声挑战：光子丢失（photon loss）是此类平台最主要的退相干机制，即环境中不可避免地吸收或散射光子，导致量子态向真空态衰减。态制备的目标是将易于获取的输入态（如相干态）变换为算法所需的目标态（如薛定谔猫态或压缩态），但在光子丢失噪声下，实际输出无法保持纯态，而形成由不同光子丢失事件对应的纯态构成的概率混合态。

保真度（fidelity）是量化量子态之间接近程度的度量，通常定义为两个态密度矩阵之间的重叠程度。对于纯态|ψ⟩与目标态|φ⟩，保真度简化为|⟨ψ|φ⟩|²；对于混合态ρ与目标纯态|φ⟩，则为⟨φ|ρ|φ⟩。保真度取值在0到1之间，越接近1表示制备态越接近理想目标。不保真度（infidelity）就是1减去保真度，是保真度的补量，在不保真度极小的场景下近似等于制备态与目标态之间的迹距离平方。之所以使用不保真度而非保真度来报告改善幅度，是因为在保真度已接近1（如0.99）时，直接比较保真度的变化不够敏感；而将不保真度从10⁻²降至10⁻⁶，意味着误差率缩减为原来的百万分之一，这种相对变化在数值上更为显著，也更能体现优化策略的实际效益。

引入风险敏感优化：从期望到分布

这篇工作借用了风险敏感优化（risk-sensitive optimization）的框架来重新定义目标函数。该框架最早在强化学习中取得成功应用，核心理念是不只优化分布的期望值，而是针对分布的特定统计特征进行优化。

研究者将风险敏感优化中的风险追求（risk-seeking）目标函数适配到态制备场景中。与标准平均保真度优化不同，风险追求策略主动牺牲平均保真度，以换取 ensemble 中部分纯态保真度的显著提升。

这本质上是一个权衡（trade-off）问题：当你需要"以一定概率拿到高质量态"时，追求平均最优反而可能不是最优解。该研究明确将这一场景作为优化目标，而非传统的整体平均最优。

风险敏感优化的核心思想源自决策理论中的风险偏好概念，后被引入强化学习以处理奖励分布的不确定性。在标准强化学习中，智能体最大化期望累积奖励，即对所有可能轨迹的奖励取平均。然而，在许多现实场景中，仅优化期望值会导致对极端结果的忽视——智能体可能以极高概率获得中等奖励，同时以低概率遭遇灾难性失败。风险敏感优化通过引入风险度量（如条件风险价值CVaR、方差、夏普比率等）来改变优化目标：风险规避（risk-averse）策略倾向于避免高损失尾部，而风险追求（risk-seeking）策略则主动追求高收益尾部，即使这意味着牺牲期望值。在这项量子态制备研究中，风险追求目标函数被设计为直接优化ensemble中表现最好的那部分纯态的保真度（或不保真度分位数），而非所有纯态的平均保真度。这种目标函数在数学上通常表述为分位数优化或尾部优化，其最优解往往位于可行域的边界区域，对应的制备策略与平均最优策略有本质区别。

实验效果：部分态的不保真度降低最高达四个数量级

在研究者设定的实验条件下，风险追求目标函数带来了令人瞩目的结果：与标准平均保真度优化相比，制备 ensemble 中部分纯态的不保真度最多可降低四个数量级（up to four orders of magnitude）。

四个数量级的差距意味着什么？简单来说，如果标准方法下某些纯态的不保真度是 10⁻²，风险追求方法可以将其压低到 10⁻⁶ 量级。这不是微调，而是质的跃迁。

当然，这一收益并非没有代价——平均保真度会相应下降。但研究者强调，这种取舍在特定应用场景中是合理且必要的：当你只关心"能否以可接受概率获得足够的态"时，平均指标的轻微退化完全可以接受。

可控的权衡曲线：让应用选择自己的工作点

该研究另一项有价值的贡献是证明了权衡的可控性。研究者展示了在"获得高保真态的概率"与"所达到的最低不保真度阈值"之间，可以进行灵活调节。

这意味着使用者可以根据具体应用需求，选择最适合的工作点（operating point）。对保真度要求极苛刻但允许低成功率的场景，可以推向极端风险追求；对成功率有要求但保真度容忍度稍高的场景，则可以选择更温和的参数设置。这种灵活性将风险敏感优化从理论工具转化为可落地的工程手段。

对量子计算工程的意义

这项工作揭示了一个常被忽视的问题：态制备的评价指标本身需要根据应用场景重新审视。平均保真度作为通用 benchmark 固然方便，却可能引导优化方向偏离实际需求。

风险敏感优化的引入，为噪声量子系统上的态制备提供了一种更精细的控制维度。尤其对于玻色量子计算这类光子丢失噪声主导的平台，能够主动管理保真度分布形态，或许比一味追求平均指标更具工程价值。

从更广的视角看，这一思路也可能启发其他量子操作（如量子门、量子纠错）在噪声环境下的优化策略设计——当分布本身成为优化对象时，可探索的空间远比期望值优化要大。