量子测量噪声变废为宝：实现高效扩散模型生成

量子计算中的测量噪声通常被视为需要抑制的干扰，但一篇最新论文反向思考：将有限次测量带来的采样噪声，转化为扩散模型生成过程中所需的随机性来源。这项研究不仅为量子神经网络（QNN）降低了测量成本，也为扩散采样器的噪声调度提供了新视角。

从“噪声”到“资源”的范式转换

在量子计算中，读取量子态总是伴随着有限次采样噪声（shot noise）。为了获得精确结果，传统做法是增加测量次数（shots），但这会显著提升量子神经网络的运行成本。话说回来，扩散模型在反向生成过程中，每一步都需要注入随机噪声来保证生成质量。

该论文的核心洞察在于：量子测量本身就会产生多项式采样噪声，这种噪声可以通过可训练线性读出层传播，并影响最终输出。与其费力消除它，不如用它替代扩散采样器原本要添加的部分噪声。这样一来，测量噪声从“负担”变成了“资源”。

为了实现这一想法，研究者将扩散过程重新定义在一个有界的零和超平面上，该超平面映射到概率单纯形（probability simplex）。这样，量子电路的玻恩概率（Born probabilities）就能与去噪任务直接关联起来。

采样噪声（shot noise） 是量子测量中的一个基本现象。与经典比特可以无损读取不同，量子态在测量时会以概率方式坍缩到某个本征态，因此要估计某个可观测量的期望值，必须对大量相同的量子态进行重复制备和测量，然后统计结果。测量次数（shots）越多，估计的统计误差越小，误差大致按 1/√N 衰减。这种由有限采样引起的波动就是采样噪声。在量子神经网络中，每次前向传播都需要多次测量来获得输出，如果追求高精度，测量成本会急剧上升，成为近期量子硬件上的主要瓶颈之一。

概率单纯形（probability simplex） 是所有分量非负且和为 1 的向量构成的集合，维度为 n-1（n 为分量个数）。量子电路测量后得到的玻恩概率天然满足这一约束，因此可以视为单纯形上的一个点。扩散模型通常在高维欧氏空间中定义前向加噪和反向去噪过程，但生成的概率分布也应落在单纯形上。将扩散过程限制在有界的零和超平面上，并使其映射到概率单纯形，可以保证量子电路输出的玻恩概率与去噪任务在同一个几何空间中对应，从而让量子测量结果直接参与扩散生成，而无需额外的归一化或投影步骤。

自适应测量预算与DDIM的结合

论文进一步提出了一种补偿噪声机制：在满足最低测量次数的条件下，通过补偿噪声来匹配无噪声线性更新的均值和协方差。求解这一条件可以得到一个状态依赖的自适应测量预算（adaptive budget）。

具体到去噪扩散隐式模型（DDIM），这个预算会随着采样器变得更确定性而增加。也就是说，当DDIM的反向过程越接近确定性时，所需的测量次数反而会调整，从而在保证生成质量的同时控制成本。

在八维高斯混合数据集上的实验显示，该调度策略每样本仅需303次测量，就能达到与高测量参考（1.6×10^6次）相当的生成质量，测量次数减少了约5300倍。此外，在MNIST上的潜在扩散实验也验证了该机制在学习到的潜在空间中进行生成的可行性。

DDIM（Denoising Diffusion Implicit Models） 是扩散模型的一种加速采样方法。标准扩散模型的反向过程是随机的马尔可夫链，每步都注入新噪声；DDIM 则将其推广为非马尔可夫、可跳步的确定性或半确定性过程。当 DDIM 的随机性参数趋近于零时，反向更新变为完全确定性的线性变换，不再需要额外噪声。在该论文的设定中，量子测量噪声被用来替代扩散采样器原本要注入的噪声：当 DDIM 越接近确定性，可用的“免费”噪声越少，为保持与无噪声线性更新相同的均值和协方差，就需要更多测量次数来补偿，因此自适应测量预算会随确定性增强而增加。

对量子机器学习与生成模型的启示

这项工作的意义在于打破了量子计算和生成模型两个领域之间的壁垒。对于量子机器学习而言，它提供了一种降低测量开销的思路：通过将测量噪声纳入算法设计，而不是一味追求高精度读数，可以显著提升量子神经网络的实际可行性。

对于扩散模型社区，该研究提示了噪声源可以多样化——不仅限于经典随机数生成器，量子测量噪声同样可以胜任，甚至可能带来额外的计算优势。当然，目前实验规模还较小（八维高斯混合和MNIST），未来能否扩展到更复杂的数据集和更大规模的量子电路，仍需进一步验证。

总体来看，这项研究为资源受限的量子生成模型开辟了一条新路径：将噪声视为伙伴而非敌人，或许能在近期量子硬件上实现更高效的生成任务。