Learning quantum Hamiltonians at any temperature in polynomial time

以下是论文《在任意温度下多项式时间内学习量子哈密顿量》的通俗化解释，采用类比方式呈现。

宏观图景：逆向工程一台量子机器

想象你拥有一台神秘而复杂的机器，它由许多微小且相互作用的部件组成（就像一座由量子粒子构成的巨大、无形的钟表发条装置）。你无法看到机器内部，也不知道齿轮如何连接，或者弹簧的强度有多大。

然而，你可以观察这台机器处于“静止”或“平静”时的状态（物理学家称之为吉布斯态）。你可以拍摄许多张这种静止状态的照片。

目标： 你的任务是找出这台机器的精确蓝图——具体而言，是每个弹簧和齿轮连接的强度（称为相互作用强度或系数）。在物理学中，这份蓝图被称为哈密顿量。

问题所在：“低温”陷阱

长期以来，科学家们有一种方法可以推导出这份蓝图，但它仅在机器处于高温时才有效。当温度较高时，粒子运动混乱，连接关系容易辨认，有点像如果你用力摇晃一团纠缠的毛线球，就能看清其中单根线的走向。

但当机器处于低温时（这里正是最有趣的量子魔法发生之处，例如超导现象），粒子会沉降下来，锁定在一种非常具体且僵化的模式中。

旧有问题： 此前在“低温”状态下逆向工程这份蓝图的方法，虽然在理论上可行，但在实践中却不可能实现。它们就像试图解开一个谜题，其计算时间将超过宇宙的年龄。解码低温状态所需的数学运算过于繁重。

突破：一种新型“翻译器”

本文提出了一种新算法，能够快速（在“多项式时间”内）解决这一谜题，即使机器处于极寒的低温状态。

他们是如何做到的？主要依靠三个关键技巧：

1. “平坦”近似（平滑曲线）

要理解这台机器，你需要理解一个特定的数学曲线，称为指数函数。可以将这条曲线想象成一座陡峭、崎岖的山脉。

旧方法： 以往的方法试图通过堆叠微小的扁平块（多项式）来近似这座山脉。但在低温下，为了准确拟合，你需要堆叠如此多的块，导致堆叠变得高得离谱且极不稳定。
新方法： 作者发明了一种新型“平坦”近似。想象一下，与其堆叠方块，不如使用一张柔韧、可拉伸的薄膜，它在山脉中部完美贴合，而在远端边缘则允许温和地偏离。这种“平坦”的薄膜更易于处理，且不会在计算重压下崩塌。

2. “嵌套对易子”翻译器

量子力学的数学涉及一种称为对易子的概念，这就像一场“顺序至关重要”的游戏。如果你先向左推齿轮再向右推，与先向右再向左推，结果是不同的。

翻译过程： 作者创建了一个词典，将这些复杂的“顺序至关重要”的量子规则翻译成简单的多项式（基础代数方程）。
为何有帮助： 一旦将量子规则翻译成简单的代数，他们就能把整个问题当作高中代数中可能遇到的方程组来处理，而不是一个令人恐惧的量子谜团。

3. “平方和”侦探（Sum-of-Squares）

既然他们现在有了一个代数方程组，就需要求解它。

方法： 他们使用了一种强大的数学工具，称为平方和（SoS）。可以将其想象成一位超级聪明的侦探，他不仅仅寻找一个解，而是通过检查误差的“平方”，来验证是否存在任何可行的解。
结果： 这位侦探证明，如果你找到了一个既符合“平坦”近似又符合代数规则的解，那么它必然是这台机器的正确蓝图。不存在其他能欺骗系统的虚假蓝图。

解决方案的“配方”

拍摄快照： 算法获取量子机器静止状态的许多副本。
测量线索： 它测量特定的相互作用（例如检查两个特定齿轮如何协同运动）。
构建谜题： 基于这些测量结果，利用他们新的“平坦”近似来保持数学的可管理性，建立庞大的代数方程组。
求解谜题： 使用“平方和”侦探来求解这些方程。
获取蓝图： 解出的结果给出了机器中每个相互作用的精确强度。

为何这很重要（根据论文所述）

论文声称这是一个重大突破，原因在于：

适用于任意温度： 它同时解决了高温和低温状态下的问题，终于破解了多年来困扰研究人员的“低温”难题。
速度快： 它在合理的时间内运行，而之前的尝试则需要耗费永恒的时间。
严谨性： 他们并非凭空猜测；他们在数学上证明了该方法的有效性，并确认解的唯一性。

简而言之，他们构建了一个快速、可靠的解码器，无论量子机器多么寒冷和寂静，都能解读其秘密蓝图。

技术摘要：任意温度下多项式时间内的量子哈密顿量学习

问题陈述
本文解决了局部量子系统的哈密顿量学习问题。给定一个由 $n$ 个量子比特组成的系统，其由局部哈密顿量 $H = \sum_{a=1}^m \lambda_a E_a$ 描述，其中相互作用项 $E_a$ 是已知的、互不相同的、具有有界局域性的非恒等泡利算符，而系数 $\lambda_a$ 是 $[-1, 1]$ 范围内的未知相互作用强度，目标是估计 $\lambda_a$ 。该算法可访问已知逆温度 $\beta > 0$ 下的吉布斯态 $\rho = e^{-\beta H} / \text{tr}(e^{-\beta H})$ 的副本。目标是在系统规模 $n$ （以及项数 $m$ ）和 $1/\epsilon$ 的多项式样本数和运行时间内，输出估计值 $\hat{\lambda}_a$ ，使得对所有 $a$ 均满足 $|\hat{\lambda}_a - \lambda_a| \leq \epsilon$ 。

在此工作之前，虽然已知多项式样本复杂度界限 [AAKS20]，但相应的计算算法在一般低温区域效率低下（指数时间）。高效算法仅存在于高温（小 $\beta$ ）[HKT22] 或可交换哈密顿量项 [AAKS21] 的情况下。核心未决问题是：低温（大 $\beta$ ）下的哈密顿量学习是否能在 $n$ 的多项式时间内解决。

方法论
作者提出了一种基于平方和（Sum-of-Squares, SoS）层级的高效计算算法。核心技术策略包含三个主要部分：

构建多项式约束系统：
与其直接求逆从参数到局部边缘分布的映射（这在计算上是困难的），作者定义了一个真实参数必须满足的约束系统。该系统包括：
- 参数界限： $-1 \leq \lambda'_a \leq 1$ 。
- 对易子约束：确保候选哈密顿量 $H'$ 与吉布斯态 $\rho$ 对易（即 $[H', \rho] \approx 0$ ）。
- “平坦”多项式约束：用作用于局部可观测量的低次多项式近似 $p(H' | P)$ 替换矩阵指数 $e^{-\beta H'}$ 。具体而言，他们强制要求对于局部泡利算符 $P, Q$ ，期望值 $\text{tr}(Q e^{-\beta H'} P e^{\beta H'} \rho)$ 接近 $\text{tr}(PQ\rho)$ 。
指数的平坦多项式近似：
一个关键的技术障碍是， $e^{-\beta x}$ 的标准泰勒级数近似在近似区间外增长过快，使其不适用于特征值差异可能很大的低温区域。作者构建了一种新的“平坦”多项式近似 $p(x)$ ，该近似：
- 在区间 $[-1, 1]$ 上很好地近似 $e^{-\beta x}$ 。
- 在该区间外以受控的、缓慢的指数速率（ $e^{\eta \beta |x|}$ ）增长。
  这一构建灵感来源于 Lieb-Robinson 界限中使用的迭代“剥离”技术。这使得约束中的矩阵指数可以被未知量 $\lambda'_a$ 的低次多项式所替代。
多项式与嵌套对易子之间的转换：
作者在多元标量多项式与算符的嵌套对易子之间建立了形式化转换。利用 Hadamard 公式，他们表明形如 $e^{-\beta H'} P e^{\beta H'}$ 的项可以表示为 $H'$ 特征值的多项式，这对应于嵌套对易子 $[H', P]_\ell$ 。他们证明，只要算符是局域的，标量域中的多项式恒等式就会转化为涉及嵌套对易子的恒等式（误差项很小）。
平方和松弛与可识别性：
生成的约束系统是一组低次多项式不等式。作者使用 $d$ 次平方和（SoS）松弛来求解该系统，该系统可表述为半定规划（SDP）。
- 可行性：他们证明了真实参数满足该系统（考虑到采样噪声）。
- 可识别性：他们提供了一个 SoS 证明，表明系统的任何解都必须接近真实参数。这依赖于“从证明到算法”的理念。关键一步在于证明局部算符在吉布斯态下的方差被零严格下界所限制（这是经典图模型性质的量子类比），从而确保参数是可识别的。
- 效率：通过分析 SoS 证明的具体结构，他们表明只需要单项式的稀疏子集，从而使得 SDP 可以在 $m$ 和 $1/\epsilon$ 的多项式时间内求解（尽管在 $\beta$ 上对次数有指数依赖，但在 $n$ 上是多项式的）。

主要结果
本文提出了定理 1.1，指出对于任意常数逆温度 $\beta > 0$ （具体为 $\beta \geq \beta_c$ ，其中 $\beta_c$ 为某通用常数），存在一种算法，能以 $99/100$ 的概率将哈密顿量系数学习至精度 $\epsilon$ 。

样本复杂度： $n \geq \text{poly}(m, (1/\epsilon)^{2O(\beta)})$ 。
运行时间： $n^{O(1)}$ （具体为 $\text{poly}(m, \log(1/\delta)) \cdot (1/\epsilon)^{2O(\beta)}$ ）。

该算法适用于“低交集”哈密顿量，这类哈密顿量包括晶格上的几何局域哈密顿量以及定义在扩张图上的哈密顿量。

意义与主张
作者声称完全解决了低温下高效哈密顿量学习的未决问题。

未决问题的解决：该结果对“低温哈密顿量学习是否能在多项式时间内解决”这一问题 [AAKS20; HKT22; Alh23; AA23] 给出了肯定回答。它还否定了“低温吉布斯态可能是伪随机的”这一假设（[AA23] 中的问题 3），并肯定了“在近似条件独立性下学习是否可行”的问题（[AA23] 中的问题 2）。
算法工具：这项工作表明，来自优化理论的复杂工具，特别是平方和层级，能够克服量子多体学习中的障碍，而这些障碍此前由于配分函数计算的困难性而看似无法解决。
独立于经典极限：作者指出，虽然经典哈密顿量学习（学习无向图模型）需要关于 $\beta$ 的指数时间，但量子设置并不必然继承这种困难性，尽管量子系统具有非对易性和非局域性。
实用性：论文承认，虽然该算法在理论上是高效的（关于 $n$ 是多项式），但运行时间和样本复杂度中关于 $\beta$ 的指数依赖意味着它目前不适用于极低温或大规模系统。然而，它确立了一种此前不存在的理论可能性。

本文未提出新的实验设置或即时的实际应用，而是将这一结果框架化为对表征量子系统计算复杂性的根本性进步，这对于验证通常在低温区域运行的模拟量子模拟器尤为相关。