3. Ansatz选型的约束条件分析

在变分量子算法中，Ansatz 决定了可搜索的态空间范围，也决定了线路能否在真实硬件上跑得动、跑得准。选型时如果只看“表达能力”或“理论最优”，往往会得到一个在模拟器上表现很好、上机却完全失效的方案。因此，Ansatz 选型本质上是一个多约束下的折中问题：硬件连接性、门保真度、相干时间、测量开销、参数数量与训练可行性，这六项约束共同圈定了可行域。本节围绕这六项约束逐一分析其作用机制、量化方式与工程取舍。

硬件连接性：决定两比特门能否“落地”

超导、离子阱等平台的量子比特并非全连接。以典型的超导芯片为例，耦合拓扑多为线形、环形或重六边形（heavy-hex）格子，只有存在物理耦合边的比特对才能直接执行 CNOT/CZ。若 Ansatz 中某个两比特门作用在无耦合边的比特对上，编译阶段就必须插入 SWAP 链，把态搬运过去再搬回来。一次 SWAP 由 3 个 CNOT 构成，一条长度为 d 的路径需要约 3(d−1) 个额外 CNOT，门数和深度都会显著上升。

工程上的做法是让 Ansatz 的纠缠结构与设备耦合图同构或近似同构。例如在重六边形芯片上，优先选用与格子边对应的硬件高效 Ansatz（Hardware-Efficient Ansatz, HEA），每个两比特门只作用在相邻比特对上，SWAP 开销为零。若采用问题启发的 UCC 类 Ansatz，则需先做“比特映射 + 路由”评估：统计在给定耦合图上编译后的 CNOT 总数与深度，作为连接性代价的量化指标。判断标准很直接——若路由引入的 CNOT 数超过原生 CNOT 数的 50%，就应重新考虑纠缠层结构或换用更贴合拓扑的 Ansatz。

门保真度：误差随门数累积

当前硬件的单比特门保真度通常在 99.9% 量级，两比特门在 99%～99.7% 量级。假设两比特门保真度为 99.5%，则每个 CNOT 引入约 0.5% 的错误率；一条含 100 个 CNOT 的线路，仅门误差累积就使成功概率降到约 0.995¹⁰⁰ ≈ 60%。这意味着 Ansatz 的门数必须与目标精度匹配：若期望结果误差在几个百分点内，两比特门总数应控制在几十个量级。

由此得到一条实用准则：在表达能力够用的前提下，优先选两比特门更少的 Ansatz。这也是 HEA 在近期设备上流行的原因——它的纠缠层只由相邻 CNOT 构成，门数随比特数线性增长，而 UCCSD 类 Ansatz 的门数随体系规模呈高阶增长，在中等规模问题上很快超出可承受的误差预算。选型时应把“编译后两比特门总数 × 单门错误率”作为误差预算的第一项估算，并与目标精度对比。

相干时间：深度必须装进“时间窗”

线路执行时间必须小于比特的相干时间（通常以 T₂ 衡量）。设单比特门耗时 20～50 ns、两比特门 200～500 ns、读出 1～2 μs，一条深度为 D、含 N_2q 个两比特门的线路，其总时长可粗略估算为 T ≈ N_1q·t_1q + N_2q·t_2q + t_readout。若 T₂ 为 100 μs，而线路时长已达 80 μs，则退相干导致的保真度损失将非常可观。

相干时间约束与门保真度约束往往同向作用：两者都惩罚“深而长”的线路。区别在于，门保真度看门数，相干时间看实际时长，而两比特门通常比单比特门慢一个数量级，因此压缩两比特门数量对两者都是最有效的。对于需要多轮迭代的变分优化，还要注意每次参数更新都要重新执行整条线路，总机时是单次线路时长乘以迭代次数，这在相干时间紧张的设备上会进一步压缩可选 Ansatz 的深度上限。

测量开销：决定单次代价与可扩展性

变分算法的目标函数由测量期望值构成。若哈密顿量分解为 M 个泡利项，逐项测量需要 M 组基变换电路；即使采用分组测量（把对易的项合并到同一组基下），组数 G 仍可能达到数十甚至上百。每组还要重复 S 次采样以压低统计误差（误差按 1/√S 下降）。单次迭代的电路执行次数约为 G·S，再乘以迭代轮数，就是总测量开销。

测量开销对 Ansatz 选型的影响体现在两方面：其一，Ansatz 若产生的是实振幅态，可减少所需基组；其二，某些 Ansatz 结构（如带参考态制备的 UCC）允许在计算前剔除对目标无贡献的项，从而减少 M。工程上应把“分组数 × 采样数 × 迭代数”作为机时预算的核心公式，若估算结果超出可用机时，就应换用测量更省的 Ansatz 或降低采样数并接受更大统计噪声。

参数数量与训练可行性：别让优化器陷入困境

参数数量并非越多越好。参数过多会带来三个问题：优化空间维度高、梯度估计噪声大、以及“贫瘠高原”（barren plateau）风险——当 Ansatz 深度和比特数增大时，梯度方差可能随规模指数衰减，导致优化几乎停滞。硬件高效 Ansatz 虽然门数少，但若层数堆叠过多，同样可能进入梯度消失区域。

实践中的判断依据包括：参数数量与问题规模是否匹配（例如分子基态问题中参数数不宜远超独立振幅数）；是否存在可利用的对称性来裁剪参数；以及是否采用问题启发结构以提供更好的初始化和梯度景观。一个可操作的检查是：在小规模实例上先跑通优化，观察损失下降曲线是否平滑、梯度范数是否随迭代稳定衰减；若出现梯度长期接近零，应减少层数或改用结构化更强的 Ansatz。

六项约束的综合权衡

这六项约束并非彼此独立：连接性差会推高门数，门数多会拉长时长并放大误差，测量开销与参数数量又共同决定训练成本。选型的正确姿势是先明确瓶颈约束——在近期含噪声设备上，通常门保真度与相干时间是硬瓶颈，连接性次之，测量开销与参数数量则决定能否完成训练闭环。据此，一个稳妥的流程是：先按耦合图筛出可零 SWAP 编译的纠缠结构，再估算编译后两比特门数与线路时长，对照误差预算与 T₂ 判断是否可行，最后用参数规模和测量组数评估训练成本，必要时降层或裁剪。

把上述关系落到具体操作上，可以用一张简明的检查表来辅助决策：先确认 Ansatz 的纠缠边是否全部落在设备耦合边上（是则 SWAP 为零）；再统计编译后两比特门总数并乘以单门错误率，与目标精度比较；接着估算线路总时长是否显著小于 T₂；然后计算测量分组数与采样数之积，评估单次迭代机时；最后检查参数规模是否与问题匹配、小规模试跑梯度是否健康。任何一项明显越界，都应回到 Ansatz 结构层面调整，而不是靠增加采样或迭代硬扛——后者只会放大误差与机时，无法突破约束本身。