⚛️ quantum physics

End-to-End Quantum Algorithms for the Jones Polynomial

本文提出并实验验证了一种在噪声量子硬件上通过误差缓解和定制基准测试来近似琼斯多项式的端到端流水线，同时开发了最先进的经典张量网络算法，以精确估算在纽结理论中实现近期量子优势所需的资源。

原作者： Tuomas Laakkonen, Enrico Rinaldi, Chris N. Self, Eli Chertkov, Matthew DeCross, David Hayes, Brian Neyenhuis, Marcello Benedetti, Konstantinos Meichanetzidis

发布于 2026-07-29

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Tuomas Laakkonen, Enrico Rinaldi, Chris N. Self, Eli Chertkov, Matthew DeCross, David Hayes, Brian Neyenhuis, Marcello Benedetti, Konstantinos Meichanetzidis

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，宇宙是一个巨大的、缠绕在一起的毛线球。在数学领域，特别是在一个被称为“纽结理论”的分支中，科学家们研究这些缠结并不是为了将它们解开，而是为了理解它们的形状。他们会问：“这个纽结真的和那个不同吗？还是我只需要把它扭动一下，它看起来就会像另一个？”为了回答这个问题，他们使用一种特殊的数学公式，称为“多项式”，这就像是每个纽结独一无二的指纹。如果两个纽结的指纹不同，那么它们的形状肯定不同。然而，计算这些指纹是非常困难的。这就像是在尝试解决一个迷宫，随着你增加的转弯越多，难度就会呈指数级增长；长期以来，即使是世界上最强大的超级计算机，在解决这些复杂纽结的谜题时也感到力不从心。这正是量子计算机介入故事的地方。这些机器利用量子物理学的奇特规则，以普通计算机无法实现的方式处理信息，从而可能为穿越迷宫提供一条捷径。但我们仍处于建造这些机器的早期阶段，而且它们很容易出错，就像一个在被挠痒痒时试图解开谜题的孩子。大问题在于：这些带有噪声、易出错的量子机器现在真的能击败最好的经典计算机来解决这些纽结谜题吗？

本文展示了一个使用真实的、带有噪声的量子计算机来解决特定类型纽结谜题（即计算著名的纽结指纹——琼斯多项式在特定数学点的值）的完整“食谱”。研究人员利用 Quantinuum 的 H2-2 量子计算机，他们不仅仅编写了一个理论；他们构建了一个端到端的流水线，可以将一个纽结转化为量子电路，在机器上运行它，并清理混乱的结果以给出答案。他们发现，通过使用巧妙的技巧在运行过程中修复错误，他们的量子算法可以处理具有 15 条股线和超过 100 个交叉点的纽结。虽然结果目前还不完美——机器仍然会犯错——但他们表明，通过使用特定的误差修正技术，量子计算机可以比不使用这些技术时更接近正确答案。

该团队还建立了一个特殊的“基准测试”来测试他们的量子计算机表现如何。把它想象成一个你知道预先答案的魔术。他们从一个可以在普通计算机上轻松求解的简单纽结开始，然后使用一种数学上的“滑动”移动将其扭曲成一个看起来复杂得多、但本质上形状相同的纽结。因为形状没有改变，所以其指纹（琼斯多项式）保持完全一致。他们在量子计算机上运行了这个复杂版本，并将结果与他们已知的简单答案进行比较。这使他们能够精确测量随着纽结变大，机器引入了多少噪声和误差。

利用这种设置，作者进行了模拟，以预测量子计算机何时能真正击败超级计算机。他们将他们的量子方法与目前可用的最佳经典算法（包括一些使用高级数学捷径的算法）进行了对比。他们的模拟表明，为了在速度上胜出，量子计算机需要处理大约 2,800 个交叉点的纽结，前提是机器的错误率保持在极低水平（大约每 10,000 次中有 1 次）。他们还研究了能源消耗，指出一旦纽结变得足够大（大约 2,400 个交叉点），量子计算机使用的电量可能会比解决相同问题所需的庞大超级计算机更少。

然而，论文谨慎地表示，他们并不声称已经赢得了这场比赛。显示出明显优势的结果是基于对较小规模实验的模拟和外推，而非在真实机器上解决那些庞大纽结的最终胜利。研究人员强调，他们的方法最适用于一种被称为“马尔可夫闭合”的特定类型纽结闭合方式，这种方式比另一种被称为“平台闭合”的方式“量子性稍弱”，但矛盾的是，这使得经典计算机更难求解，从而给了量子机器更好的表现机会。他们总结道，虽然我们还没达到那个阶段，但他们的工具提供了一张清晰的地图，指明了量子计算机需要达到什么样的水平，才能比任何经典机器更快、更高效地解决这些问题。他们希望这种实用的方法能帮助科学家找到量子计算机最终在拓扑学及其他领域变得真正有用的那个“甜点区”。

技术摘要：用于琼斯多项式的端到端量子算法

问题定义
本文探讨了近似计算琼斯多项式（Jones polynomial，一种用于纽结和链路的拓扑不变量）在第五单位根（ $t = e^{i 2\pi/5}$ ）下的计算挑战。该问题基于辫子（braids）进行构建，其中任何链路都可以通过“闭合”一个辫子来形成。文中考虑了两种特定的表述形式：

马尔可夫闭合（Markov Closure，属于 DQC1-完全类）： 估计代表该辫子的酉矩阵的加权迹（weighted trace）。这对应于“单洁净量子比特”（one clean qubit）计算模型。
普拉特闭合（Plat Closure，属于 BQP-完全类）： 估计特定的量子振幅（即酉矩阵的一个元素）。

虽然 DQC1 被广泛认为严格包含在 BQP 之内（意味着 DQC1 的“量子性”较低），但作者指出，对于 DQC1 版本（估计指数级大矩阵的迹），其经典资源需求至少与或高于 BQP 版本（估计一个振幅）。因此，尽管其流水线支持两者，但作者将重点放在 DQC1 表述（马尔可夫闭合）上，以期展示更大的量子优势。

方法论
作者提出了一个专为嘈杂、基于门（gate-based）的数字量子计算机（具体为 Quantinuum H2-2）设计的端到端算法流水线。其核心方法包括：

酉表示（Unitary Representation）： 算法利用了辫子生成元（ $\sigma_i^{\pm 1}$ ）的斐波那契酉表示（Fibonacci unitary representation）。该表示作用于由 $n$ 个量子比特组成的希尔伯特空间中的一个子空间，该子空间由“斐波那契字符串”（即不含连续零的位字符串）组成。该子空间的维度按 $n$ 个斐波那契数（ $\phi^n$ ）比例缩放，其中 $\phi$ 是黄金分割比。
算法原语（cfev）： 算法没有采用标准的 Hadamard 测试（因为该测试需要受控酉操作且会产生高昂的门开销），而是采用了**无控制回声验证（control-free echo-verification, cfev）**协议。该协议：
- 使用猫态 $|\psi_{cat}\rangle = \frac{1}{\sqrt{2}}(|0\rangle^{\otimes n} + |s\rangle)$ ，其中 $|0\rangle^{\otimes n}$ 是辫子酉算符 $U_B$ 的已知本征态。
- 消除了对受控- $U$ 门的依赖，显著降低了双比特门的计数。
- 在末端使用逆电路（ $V_{cat}^\dagger$ ）来验证系统是否返回初始状态，从而实现错误检测。
误差缓解（Error Mitigation）：
- 非斐波那契错误检测： 通过后处理函数（ $g_2$ ）丢弃落在斐波那契子空间之外的测量结果，从而有效地过滤掉某些硬件错误。
- 共轭技巧（Conjugate Trick）： 为了缓解相干相位误差（特别是针对俘获离子量子比特的记忆误差），算法在原始辫子 $B$ 及其共轭 $B^*$ （其中生成元被反转）上分别运行。结合这两者的结果可以消除全局相位误差，而无需增加额外的采样次数。
经典基准（Classical Baselines）： 作者开发并测试了针对同一问题的最先进经典算法，包括：
- tn-proj： 直接张量网络收缩。
- sv-shor： 利用斐波那契子空间的稀疏性进行的态矢量模拟。
- mpo-proj： 带有键维压缩的矩阵乘积算符（MPO）收缩。
- bracket： 基于括号多项式（Kauffman）的经典方法。

核心贡献

端到端流水线： 一个全可配置的流水线，能够生成随机辫子，将其编译为针对特定硬件（Quantinuum H2）优化的量子电路，执行电路，并进行经典的预处理和后处理。
高效可验证基准： 利用琼斯多项式的拓扑不变性，作者构建了一个基准测试：通过用随机辫子 $A$ 对简单辫子 $B$ 进行共轭处理，生成复杂辫子 $B'$ ，使其在拓扑上与 $B$ 等价。由于 $VM(B) $可以通过经典方式在极短时间内计算完成，因此$ VM(B')$ 可作为可验证的地面真值（ground truth），用于衡量量子处理器的噪声和误差缩放。
优化编译： 作者提供了斐波那契酉生成元的优化电路分解方案，相比此前对类似问题的估算，将双比特门计数减少了约 15 倍。
资源评估框架： 一种用于估计量子与经典方法之间“解题时间”（time-to-solution）和能耗交叉点的分析方法，该方法考虑了噪声模型以及经典硬件限制（如 A100 GPU 和 Frontier 超级计算机）。

结果

实验演示： 算法在 Quantinuum 的 H2-2 量子计算机上执行了一个具有 15 条股线和 104 个交叉点的 15 股辫子（16 个量子比特，340 个双比特门）。
- 在未进行缓解处理时，相对误差为 75%，标准差为 9%。
- 应用非斐波那契错误检测和共轭技巧后，相对误差降至 43%（尽管标准差上升至 14%）。
缩放分析： 在包含 24,000 个辫子（10–15 股，50–600 个交叉点）的数据集上进行的退相干噪声模型（ $\epsilon_{2q} = 10^{-4}$ $ϵ_{2 q} = 1 0^{- 4}$ 和 $5 \cdot 10^{-4}$ $5 \cdot 1 0^{- 4}$ ）模拟显示：
- 相对误差主要随交叉点数量（门计数）进行缩放。
- 对于 $\epsilon_{2q} = 5 \cdot 10^{-4}$ ，量子误差变得如此之大，以至于经典 MPO 近似（mpo-proj）在所有测试规模下都比量子算法更快。
- 对于 $\epsilon_{2q} = 10^{-4}$ ，预测量子算法（cfev）将在辫子规模约为 2,800 个交叉点时，超越在 Frontier 超级计算机上运行的最佳经典方法（mpo-proj）。
能效分析： 分析表明，对于 $\epsilon_{2q} = 10^{-4}$ ，假设量子处理器功耗为 75kW，当交叉点达到约 2,400 个时，量子方法的能效将超过经典的 mpo-proj 方法。

意义与主张
本文声称提供了一种实用的、定量的途径，用于识别计算拓扑学中具有实际意义的问题上的量子优势，而非仅仅依赖于抽象的复杂度类或未经证实的随机电路基准。

对优势的适度主张： 作者明确指出，其结果提供了一个保守估计（下界），即量子优势可能出现的临界点。他们承认这些基准辫子具有特定的结构，可能并不代表“平均情况”或“最难”的实例。然而，他们认为如果通用辫子的难度至少与这些基准集相当，那么所确定的交叉点即为观察到优势的有效上界。
范式转移： 这项工作旨在将量子优势的讨论从“问题类别”转向具体的“问题实例”，利用对误差、时间和能量进行严谨的多维优化。
实用性： 该流水线可作为一种工具，用于表征量子处理器的噪声，并确定解决非平凡琼斯多项式问题（即超越当前经典超级计算机处理能力）所需的最低硬件规格（量子比特数、门保真度、深度）。

作者总结道，虽然高精度应用需要容错阶段和进一步的纠错技术，但他们目前的含噪声中等规模量子（NISQ）方法展示了通往解决纽结理论中非平凡实例的、具有可行性的量子实用化路径。

技术摘要：用于琼斯多项式的端到端量子算法

类似论文