⚛️ quantum physics

Functional matrix product state simulation of continuous variable quantum circuits

该论文提出了一种基于功能矩阵乘积态（FMPS）的新方法，通过利用连续变量系统的函数形式，高效模拟了包含非高斯输入态及损耗的浅层多模连续变量量子电路，其性能优于现有技术。

原作者： Andreas Bock Michelsen, Frederik K. Marqversen, Michael Kastoryano

发布于 2026-03-26

📖 1 分钟阅读🧠 深度阅读

原作者： Andreas Bock Michelsen, Frederik K. Marqversen, Michael Kastoryano

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

这篇论文介绍了一种名为**“功能矩阵乘积态”（FMPS）**的新方法，用来模拟一种特殊的量子计算机——连续变量（CV）量子计算机。

为了让你轻松理解，我们可以把这项技术想象成**“用乐高积木搭建复杂的波浪”**。

1. 背景：什么是连续变量量子计算机？

传统的量子计算机（比如谷歌或 IBM 的）用的是“离散变量”，就像开关，只有“开”和“关”（0 和 1）两种状态。

而这篇论文研究的连续变量量子计算机，用的是光波或振动波。想象一下，它不是开关，而是水面的波浪。

波浪的高度可以是 1.0 米，也可以是 1.0001 米，甚至是 1.0000001 米。
这种“波浪”系统（比如光子）非常强大，而且天生对某些类型的噪音（比如轻微的晃动）有抵抗力，就像大船比小舢板更抗风浪一样。

2. 问题：模拟波浪太难了

虽然这种“波浪”计算机很有潜力，但科学家想在电脑上模拟它们时遇到了大麻烦。

传统方法（像数沙子）： 以前的模拟方法试图把波浪切成无数个极小的点（像数沙子一样）来计算。如果波浪稍微复杂一点（比如加入了非高斯态，你可以理解为**“奇怪的波浪形状”，不再是平滑的正弦波），需要的计算量就会像指数爆炸**一样，瞬间把超级计算机撑爆。
比喻： 这就像试图用一张巨大的像素点阵图去画一幅极其复杂的油画。如果画布稍微大一点，或者颜色稍微复杂一点，电脑内存就不够用了。

3. 解决方案：FMPS（功能矩阵乘积态）

作者提出了一种新招：不要死板地数每一个点，而是直接描述波浪的“形状函数”。

核心思想： 想象你要描述一条蜿蜒的河流。
- 旧方法： 在河里每隔 1 厘米插一根标尺，记录水位。如果河流很长，标尺就多得数不清。
- FMPS 新方法： 把河流看作是由几段**“乐高积木”**拼接而成的。每一块积木（矩阵）都代表河流的一小段形状。只要积木拼得对，就能完美还原整条河流，而且不需要那么多标尺。
为什么叫“功能”（Functional）？ 因为它直接处理的是数学上的“函数”（描述波浪形状的公式），而不是离散的数字点。它利用了波浪本身的数学结构，把复杂的计算简化成了简单的积木拼接。

4. 这种方法好在哪里？

论文通过几个实验证明了它的强大：

处理“怪波浪”（非高斯态）： 这种新方法特别擅长处理那些形状奇怪的波浪（比如猫态、GKP 态，这些是构建容错量子计算机的关键）。旧方法在这些状态下会卡死，而新方法依然跑得飞快。
节省内存： 就像用乐高积木搭房子比用沙子堆房子省地方一样，FMPS 需要的计算资源随着系统变大，增长得非常慢（亚指数级），而不是像旧方法那样爆炸式增长。
抗干扰（模拟噪音）： 真实的量子计算机会有噪音（比如光子丢失）。新方法可以把“噪音”这个麻烦事，像**“把灰尘最后再扫一次”**一样，推迟到计算的最后一步处理，而不是在每一步都去算，大大节省了时间。

5. 总结与比喻

如果把模拟量子电路比作**“在电脑上模拟一场复杂的交响乐”**：

旧方法（Fock 空间/张量网络）： 试图记录每一个音符的每一个微小频率变化。如果乐队人数增加，记录的数据量会大到让电脑死机。
新方法（FMPS）： 它不记录每个音符的细节，而是分析乐谱的结构。它发现，虽然乐谱很长，但很多部分是重复的或者有规律的。它把这些规律提取出来，用很少的“乐谱模块”就能完美重现整场交响乐。

结论：
这篇论文就像给科学家提供了一把**“万能钥匙”**。它让我们能够更高效、更便宜地在电脑上模拟那些原本无法计算的复杂量子系统。这意味着我们离制造出真正强大、能纠错的量子计算机又近了一步，特别是那些利用光波（连续变量）的量子计算机。

简单来说：以前我们是用“放大镜”去数波浪的每一个水分子，累死也数不完；现在我们是直接看懂了波浪的“流动规律”，用几行代码就搞定了。

这是一份关于论文《Functional matrix product state simulation of continuous variable quantum circuits》（连续变量量子电路的功能矩阵乘积态模拟）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
连续变量（Continuous Variable, CV）量子系统（如光量子计算）利用光子的振动模式或相位空间编码量子比特（如玻色子量子比特，包括 GKP 态和猫态）。这些系统因其对特定噪声的固有鲁棒性，被认为是实现容错量子计算的有前景的平台。

核心挑战：

非高斯性的模拟困难： 通用 CV 量子计算需要非高斯操作（如立方相位门）。现有的模拟技术（如基于 Fock 空间的张量网络或高斯近似方法，如 Strawberry Fields 中的 Bosonic backend）在处理非高斯输入态（如 GKP 态、猫态）时，计算成本随模式数量呈指数级增长。
现有方法的局限性： 传统的离散变量张量网络（MPS）难以直接应用于 CV 系统，因为 CV 系统的状态空间是连续的，且非高斯操作引入了极高的复杂性，导致现有的数值方法在模拟浅层多模电路时效率低下，尤其是在存在高压缩、位移和非高斯操作的情况下。

2. 方法论 (Methodology)

作者提出了一种基于实空间表示的新方法，称为功能矩阵乘积态（Functional Matrix Product State, FMPS）。

核心思想：

实空间分解： 不同于传统的 Fock 空间表示，FMPS 直接在位置基（实空间）下对 CV 态波函数 $f(q)$ 进行张量分解。
功能 Schmidt 分解： 利用连续 Schmidt 分解，将多模波函数分解为一系列张量（函数）的乘积。每个张量包含离散索引（对应张量网络中的虚拟维度/纠缠度）和一个连续变量（位置 $q$ ）。
离散化策略：
- 将连续的实空间截断为有限的矩形区域（Bounding Box）。
- 对该区域进行均匀网格离散化（ $N$ 个点）。
- 使用**三次样条插值（Cubic Splines）**来评估网格点之间的波函数值，以处理非网格点上的操作并保证平滑性。
算符处理：
- 高斯操作： 位移（Displacement）、压缩（Squeezing）、相位旋转（Phase Rotation）和分束器（Beam Splitter）被映射为对波函数域（Domain）的变换（平移、缩放、旋转）和波函数形式的更新。
- 非高斯操作： 立方相位门（Cubic Phase Gate）作为对角算符直接作用于波函数。
- 边界管理： 针对旋转操作（如分束器），提出了动态调整边界框（Bounding Box）的策略，以防止域在多次旋转后无谓地膨胀，从而保持计算效率。
噪声模拟：
- 利用光子损耗（Photon Loss）与线性光学元件可交换的特性，将损耗噪声推迟到电路末端处理。
- 在末端通过引入真空模式进行分束，然后对环境模式求迹（Trace out），从而在保持纯态描述的同时模拟混合态效应，避免了直接处理密度矩阵带来的巨大计算开销。

3. 关键贡献 (Key Contributions)

提出 FMPS 框架： 首次将功能张量网络（Functional Tensor Networks）引入 CV 量子电路模拟，成功将连续变量问题转化为离散 MPS 问题，同时保留了实空间表示的优势。
解决非高斯态模拟瓶颈： 该方法特别擅长处理高度非高斯的输入态（如 GKP 态和猫态），这些态在传统方法中极难精确模拟。
噪声处理策略： 开发了一种高效的噪声模拟方案，将光子损耗的模拟转化为末端的单次处理，显著降低了含噪电路的模拟成本。
误差控制理论： 详细分析了离散化误差、边界截断误差和 MPS 秩截断误差之间的关系，并给出了通过调整网格点数 $N$ 、边界宽度和键维（Bond Dimension）来控制精度的策略。
测量方案： 推导了基于 FMPS 的光子数测量、零差探测（Homodyne）和异差探测（Heterodyne）的概率计算公式，利用了张量网络易于积分的特性。

4. 实验结果 (Results)

作者通过数值模拟验证了 FMPS 的有效性，并与 Strawberry Fields (SF) 的 Bosonic backend 进行了对比：

浅层级联电路（Cascaded Circuits）：
- 在模拟随机分束器级联电路时，FMPS 的键维随模式数量增加而饱和（因为纠缠深度浅）。
- 结果： FMPS 的时间复杂度随模式数量呈次指数级（Sub-exponential）增长，而 SF 方法在处理非高斯态时呈指数级增长。对于 GKP 和猫态输入，FMPS 在模式数达到 8-10 个时即展现出显著优势。
宽随机电路（Wide Random Circuits）：
- 在 3 层交替分束器的电路中，FMPS 依然表现出次指数级扩展，而 SF 方法在处理非高斯态时迅速耗尽内存或时间。
精度与效率：
- 在相同的精度要求下（四极距距离 $\epsilon \sim 10^{-6}$ ），FMPS 能够高效处理高压缩和强非高斯态。
- 对于含噪电路（10% 光子损耗），虽然模拟时间增加，但扩展性依然保持次指数级。
离散化验证： 实验表明，当网格点数 $N$ 增加到一定阈值（如 $N=200$ ）后，键维趋于稳定，证明了离散化方案的收敛性和可靠性。

5. 意义与影响 (Significance)

填补技术空白： 为模拟具有高度非高斯特性的 CV 量子电路提供了一种高效、可扩展的工具，解决了现有基于 Fock 空间或高斯近似方法的扩展性瓶颈。
推动玻色子量子计算： 该方法对于研究基于 GKP 码和猫态的容错量子计算协议至关重要，能够更准确地评估有限压缩、噪声和测量对量子计算准确性的影响。
通用性： 该方法不仅适用于特定的量子电路，其处理实空间连续变量和张量网络结合的思路，为未来设计更复杂的 CV 量子算法和硬件验证提供了新的数值范式。
实际应用价值： 论文中提到的方法已被应用于研究有限压缩对基于 GKP 量子比特的测量基量子计算的影响，展示了其在实际科研中的即时可用性。

总结：
这篇论文通过引入功能矩阵乘积态（FMPS），成功克服了连续变量量子系统中非高斯态模拟的计算瓶颈。该方法在保持高精度的同时，实现了随模式数量次指数级的扩展，特别是在处理 GKP 态、猫态等关键非高斯资源时，性能远超现有的 Strawberry Fields 等主流工具，为未来大规模 CV 量子计算机的模拟和设计奠定了坚实的数值基础。