以下是用通俗语言和创意类比对这篇论文的解读。

核心理念：让系统“自我搅拌”

想象你有一杯茶和一点牛奶。在量子计算的旧时代，如果你想用这杯茶解决一个数学问题，你必须在开始之前，以非常特定、完美的模式小心地倒入牛奶。这个“倒奶”步骤（称为波函数制备）既缓慢又困难，往往耗费的时间如此之长，以至于抵消了使用量子计算机带来的速度优势。

这篇论文提出了一种截然不同的方法。与其小心翼翼地倒奶，作者建议：直接把牛奶倒进去，然后搅拌。

论文认为，如果你让量子系统随时间自然演化（就像牛奶混入茶中），它最终会达到一种“热平衡”状态。在这种状态下，系统已经“忘记”了牛奶最初是如何倒入的。它变成了一种完美、均匀的混合物，其中每一种可能的状态出现的概率都相等。

作者将这个过程称为热化。通过依赖这种自然的混合过程，我们可以完全跳过困难的“倒奶”步骤，直接进入数学运算。

核心要素

为了实现这一目标，论文结合了三个主要概念：

1. “搅拌”（本征态热化假设）
在物理学中，有一条规则叫做本征态热化假设（ETH）。可以这样理解：如果你有一个混乱的系统（就像一个繁忙的舞池），并且长时间观察它，舞者们最终会以一种看起来完全随机且均匀的方式移动。无论你从舞池的哪个位置开始，经过足够长的时间后，你在任何其他地方出现的可能性都是相等的。
论文声称，如果我们运行量子电路足够长的时间，它自然会“搅拌”成这种均匀、随机的状态。这种状态是所有可能答案的等幅叠加。

2. “标记”（量子相位估计）
一旦系统混合完毕，我们就面临一个问题：我们拥有了所有答案，但不知道哪个答案对应哪个。这就像拥有一罐混合在一起的拼图碎片，却分不清哪块碎片该放在哪里。
为了解决这个问题，论文使用了一种名为**量子相位估计（QPE）**的工具。想象 QPE 是一个神奇的标签打印机。它观察混合后的系统，并在每一块碎片上贴上一个微小的标签，上面写着“我是第 5 号碎片”或“我是第 100 号碎片”。现在，即使碎片是混合的，我们也确切知道每一块代表什么。

3. “数学技巧”（线性代数）
既然我们拥有一罐混合的、全部贴好标签的碎片，我们就可以对它们进行数学运算。

如果我们想求一个数的逆（如 $1/x$ ），我们只需告诉标签打印机将标签从" $x$ "改为" $1/x$ "。
如果我们想要行列式（矩阵的一个特定汇总数值），我们将所有标签相乘。
如果我们想要迹（对角线元素之和），我们只需将所有标签相加。

由于系统已经混合（热化），我们不需要构建一个特定的初始状态。我们只需让系统混合，给碎片贴上标签，然后测量结果。

为什么这很重要

旧方法（波函数制备）：
想象试图通过在一开始就仔细地将每一块拼图碎片放置在正确的位置来解决拼图，甚至在你能看到全貌之前就要这样做。这需要很长时间（指数级时间），而且很难完美做到。

新方法（ETH-Σ）：
想象将所有拼图碎片扔进搅拌机，让它们旋转直到变成一团完美、均匀的云雾，然后使用扫描仪读取碎片在飞过时的标签。你不需要放置它们；“搅拌机”（热化）为你完成了工作。

论文声称，这种方法使我们能够在多项对数时间内解决复杂的线性代数问题（如求巨型矩阵的逆）。这意味着随着问题变大，所需时间增长得非常缓慢，这正是量子计算速度的“圣杯”。

注意事项（论文所述）

论文谨慎地指出了几个条件：

系统必须具有混沌性：“搅拌”只有在系统自然混沌时才有效。如果系统过于有序（一种称为“多体局域化”的状态），它将无法混合，牛奶会保持成团。论文假设我们处理的是那些确实能良好混合的系统。
精度至关重要：“标签打印机”（QPE）需要精确。如果数字非常小或非常大，读取标签上的微小细节可能需要额外的努力。
这是一个猜想：该方法依赖于本征态热化假设，这是物理学中一个被广泛接受的观点，但尚未在数学上对每一种情况都得到证明。论文将其视为构建新算法的坚实基础。

总结

这篇论文提出了一种在量子计算机上进行数学运算的新方法。与其花费数小时精心准备特定的初始状态，我们让量子系统自然地“热化”（自我混合）。一旦混合完成，我们就使用标记工具读取数值，从而能够比以前快得多地计算矩阵逆、行列式和对数等。它将量子计算机从一位精确的雕塑家，转变为一台为我们承担繁重工作的强力搅拌机。

技术摘要：利用本征态热化假设而非波函数制备进行量子计算

问题陈述

本文解决了求解形式为 $\hat{A}x = b$ 的线性代数问题的量子算法中的一个重大瓶颈。虽然量子计算机被推测能在多项式对数时间内解决此类问题，但现有方法通常依赖波函数制备来初始化特定的输入态 $|\Psi\rangle$ 。作者指出，在量子计算机上制备一般的波函数具有指数级成本，通常需要 $O(N)$ 次操作（其中 $N$ 为希尔伯特空间维度），这抵消了量子算法潜在的指数级加速优势。核心问题在于寻找一种计算线性代数量（如矩阵逆、迹或行列式）的方法，以规避对复杂且特定于状态的波函数制备的需求。

方法论

提出的解决方案称为ETH-Σ（本征态热化假设 - 求和），它用由本征态热化假设（ETH）驱动的热化过程取代了标准的波函数制备步骤。该方法论包含三个主要组成部分：

热化至等幅叠加态：
算法不制备特定状态，而是从一个任意的非本征态 $|r\rangle$ 开始，并在时间演化算符 $e^{-i\hat{A}t}$ 下对其进行演化。论文指出，对于非可积（混沌）系统，该演化的时间平均态近似于 $\hat{A}$ 所有本征态的等幅叠加。
- 这依赖于 ETH，该假设表明混沌系统的单个本征态充当热系综。
- 为了确保“完全遍历性”（在整个希尔伯特空间而非仅对称子空间内具有等概率），作者建议通过“踢”（微扰）修改算符 $\hat{A}$ 以打破对称性并诱导量子混沌，从而确保系统探索整个空间。
用于加权的量子相位估计（QPE）：
一旦系统（在平均意义上）完成热化，算法便应用量子相位估计子程序。这将 $\hat{A}$ 的本征态 $|k\rangle$ 映射到包含其对应本征值 $E_k$ 的辅助寄存器中。
- QPE 允许算法以叠加态形式访问本征值。
- 对角算符 $\hat{\Upsilon}$ 被施加于辅助寄存器，通过函数 $f(E_k)$ 对这些本征值进行加权。例如，为了计算逆矩阵，取 $f(E_k) = 1/E_k$ 。
对偶表述（算符与矢量）：
论文以两种形式呈现该算法：
- 矢量形式： 需要初始态 $|r\rangle$ 和目标矢量 $|\Phi\rangle$ 。它计算重叠 $|\langle \Phi | \psi \rangle|^2$ 。
- 算符形式（主要提议）： 利用密度矩阵重新表述问题。输入被视为算符 $\hat{\Delta} = |\Phi\rangle\langle\Phi|$ （或一般算符）。算法计算时间平均系综上的期望值 $\langle \hat{\Delta} \otimes \hat{\Upsilon} \rangle$ 。这种形式避免了在量子计算机上制备特定波函数的需求，因为“输入”是通过经典方式或简单算符（如恒等算符或哈达玛门）定义的。

主要贡献

ETH-Σ 算法： 提出了一种新的算法框架，利用量子电路的自然热化来生成本征态的等幅叠加，有效地取代了 $O(N)$ 的波函数制备步骤。
对偶表述： 推导了一种通过算符 $\hat{\Delta}$ 而非状态矢量来处理输入的方法，从而计算线性代数函数（如 $\hat{A}^{-1}$ 、 $\text{Tr}(\hat{A})$ 、 $\log \det(\hat{A})$ ），降低了状态初始化的开销。
通过“踢”实现完全遍历性： 提出通过“踢”系统（添加微扰以打破对称性）可确保热化覆盖整个希尔伯特空间，满足算法作为通用线性代数求解器运行所需的完全遍历性条件。
微正则系综的恢复： 论证了 QPE 中的有限精度实际上恢复了一个微正则系综（对状态窗口求和），从而在无法物理实现精确无限时间极限的计算背景下，为使用 ETH 提供了合理性依据。

结果与示例

论文提供了理论推导和数值示例（使用 DMRjulia 库），以证明该方法的可行性：

小算符热化： 对 $\hat{A} = \sigma_z$ 进行的数值测试表明，随机态热化到了系综上迹的期望值，该结果在 100 多个初始态上得到了验证。
线性代数应用： 论文概述了 ETH-Σ 如何计算：
- 矩阵的迹（ $\text{Tr}(\hat{A})$ ）。
- 矩阵的逆（ $\hat{A}^{-1}$ ）。
- 行列式的对数（ $\log \det(\hat{A})$ ）。
- 对数 - 行列式的梯度（与热力学和配分函数相关）。
复杂度： 该算法声称其规模扩展为 $O(\frac{\tau}{\epsilon^\gamma} \log^2 N)$ ，其中 $\tau$ 是热化时间， $\epsilon$ 是精度， $N$ 是希尔伯特空间大小。对于非可积系统，热化时间 $\tau$ 被推测为多项式对数级。

意义与主张

论文声称，通过消除波函数制备这一“ glaring issue"（ glaring 意为“刺眼的、明显的”），该方法为一大类线性代数问题提供了多项式对数时间的解决方案。

证明的谦逊性： 作者明确指出，本征态热化假设（ETH）是一个猜想，而非针对一般系统的已证明定理。因此，主要结果（命题 1）是作为基于 ETH 的命题提出的，并得到随机矩阵理论（RMT）论证的支持，而非严格的数学证明。
局限性： 论文承认该算法依赖于系统是非可积的。它指出，多体局域化（MBL） 系统不会发生热化，这将导致算法失效。然而，作者认为 MBL 并非所关注的物理系统的普遍情况。
误差来源： 论文确定了矩阵的条件数和 QPE 的精度是主要的误差来源。它指出，虽然初始态制备已被移除，但 QPE 对于高精度（特别是针对具有大条件数即小本征值的矩阵）仍然需要大量资源。

总之，本文提出了量子线性代数领域的范式转变：与其制备特定状态来解决问题，不如让量子电路热化至本征态的“最大混合”态，并利用 QPE 提取所需的线性代数函数。只要系统满足本征态热化假设，这种方法旨在规避状态制备的指数级成本。

Quantum computation with the eigenstate thermalization hypothesis instead of wavefunction preparation