⚛️ quantum physics

Optimal fermion-qubit mappings via quadratic assignment

该论文提出了两种计算优化方法，通过将费米子标签排序建模为二次分配问题以及增量引入辅助量子比特，在有限量子资源下有效平衡了量子比特数量与门复杂度，显著降低了费米 - 量子比特映射中的泡利权重。

原作者： Mitchell Chiew, Cameron Ibrahim, Ilya Safro, Sergii Strelchuk

发布于 2026-03-24

📖 1 分钟阅读🧠 深度阅读

原作者： Mitchell Chiew, Cameron Ibrahim, Ilya Safro, Sergii Strelchuk

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

这篇论文主要解决的是量子计算机如何“翻译”和“模拟”微观粒子（费米子，比如电子）行为的问题。为了让你更容易理解，我们可以把整个研究过程想象成**“如何最省力地安排一场大型交响乐团的座位”**。

1. 背景：为什么需要“翻译”？

想象一下，量子计算机（量子比特）和自然界中的电子（费米子）说的是两种完全不同的语言。

电子喜欢互相“纠缠”和“跳跃”，它们的行为非常复杂且非局域（一个电子的动作可能瞬间影响很远的地方）。
量子计算机是由一个个独立的“量子比特”组成的，它们更擅长处理局部的、简单的操作。

为了让量子计算机能模拟电子，科学家发明了一种“翻译器”（映射），把电子的规则翻译成量子比特能听懂的指令。但是，这个翻译过程有个大麻烦：翻译出来的指令可能非常长、非常复杂。

如果指令太长（比如需要同时操作 100 个量子比特），现在的量子计算机就“算不动”了，因为它们的资源（量子比特数量）很有限，而且容易出错。

2. 现有的两种“翻译策略”及其缺点

在论文发表之前，科学家主要有两种翻译策略，就像两种不同的乐团排座方案：

策略 A：省座位派（无辅助映射）
- 做法：严格使用和电子数量一样多的量子比特，不浪费任何一个。
- 优点：省资源（量子比特少）。
- 缺点：指令很长。就像为了让大家听到声音，指挥家必须让所有乐手同时起立挥手，动作幅度巨大，容易出错。
- 代表人物：Jordan-Wigner 变换（最经典但指令最长）。
策略 B：省力气派（局部编码）
- 做法：引入很多额外的“辅助量子比特”（就像请了很多临时工）。
- 优点：指令很短，每个乐手只需要动动手指，非常精准。
- 缺点：太费座位了！需要的量子比特数量随着系统变大而爆炸式增长，现在的机器根本塞不下这么多人。

核心矛盾：现在的量子计算机既缺“座位”（量子比特少），又怕“动作大”（指令复杂）。我们需要一种既不用太多座位，又能让动作变小的办法。

3. 这篇论文的两大创新方案

作者提出了两个聪明的办法，试图在“省座位”和“省力气”之间找到完美的平衡点。

方案一：重新排座位（优化排序）

比喻：想象乐团里有一百个乐手，原来的座位安排是乱序的。如果让第 1 号和第 100 号乐手配合，他们得隔着 98 个人喊话，这太累了（指令权重高）。
做法：作者把这个问题变成了一个数学游戏（二次分配问题）。他们利用计算机算法，疯狂尝试不同的座位排列顺序，寻找一种“最优解”。

效果：通过重新排列电子的标签顺序，让需要配合的乐手尽量坐得近一些。
成果：对于很多常见的系统（比如 225 个电子），这种“重新排座”的方法，能让原本很笨重的翻译器（如 Jordan-Wigner）变得比那些原本被认为更高级的翻译器（如 Bravyi-Kitaev）还要好用。

方案二：请几个“临时工”（智能添加辅助比特）

比喻：如果座位实在排不开，能不能请几个“临时工”（辅助量子比特）来帮忙？以前的做法是请一大群临时工（线性增长），太费钱了。
做法：作者发明了一种**“按需添加”**的策略。他们不是一次性请很多人，而是像搭积木一样，一个一个地加，并且每次加的时候都经过精密计算，确保这个临时工能帮上最大的忙（抵消掉那些长长的、麻烦的指令链条）。

神奇之处：他们发现，只需要加很少的临时工（比如 10 个），就能把原本需要操作 100 个人的长指令，砍掉一大半。
成果：在 64 个电子的系统中，只加了 10 个辅助比特，就把指令的总复杂度降低了67%！这甚至超过了那些不需要辅助比特但原本就很复杂的“省座位派”方案。

4. 总结与意义

简单来说，这篇论文告诉我们：

不要死板：原来的翻译规则（比如 Jordan-Wigner）并不是完美的，通过重新排列顺序，它可以变得非常高效。
四两拨千斤：不需要为了简化操作而引入海量的辅助资源。只要聪明地、少量地引入几个辅助比特，就能获得巨大的性能提升。

这对未来的意义：
现在的量子计算机还很“年轻”，资源非常宝贵。这篇论文提供的方法，就像给量子计算机装上了“涡轮增压”和“智能导航”，让我们在硬件还不够强大的今天，就能模拟更复杂的化学反应、材料科学问题，加速新药研发和新材料的发现。

一句话总结：
作者通过**“重新排座位”和“请少量临时工”**这两个妙招，让量子计算机在资源有限的情况下，也能轻松搞定原本极其复杂的微观粒子模拟任务。

这篇论文提出了一种通过**二次分配问题（Quadratic Assignment Problem, QAP）**来优化费米子 - 量子比特映射（Fermion-Qubit Mapping）的新方法，旨在解决近期量子计算机资源受限（量子比特数量少、门电路复杂度高）的问题。

以下是该论文的详细技术总结：

1. 研究背景与问题定义

核心挑战：在量子化学、高能物理和凝聚态物理中，模拟费米子系统是量子计算最有前景的应用之一。然而，将费米子算符映射到量子比特算符（费米子 - 量子比特映射）是一个非平凡的过程。
现有方法的局限：
- 无辅助比特映射（Ancilla-free mappings）：如 Jordan-Wigner (JW)、Bravyi-Kitaev (BK)、Ternary Tree 等。它们使用最少的量子比特（ $n$ 个费米子对应 $n$ 个量子比特），但 JW 映射会导致算符的非局域性（Pauli 权重随系统规模线性增长 $O(n)$ ），增加了门电路深度和测量成本。BK 和 Ternary Tree 将权重降低到对数级 $O(\log n)$ ，但通常对系统规模有特定限制，且在某些情况下不如 JW 灵活。
- 局域编码（Local encodings）：如 Bravyi-Kitaev Superfast。它们通过引入与系统规模成线性关系的辅助量子比特（ $O(n)$ ），将 Pauli 权重限制为常数 $O(1)$ 。但这在近期量子设备中代价过高，因为逻辑量子比特本身是稀缺资源。
研究目标：在不显著增加量子比特数量的前提下，寻找一种平衡策略，既能保持较低的量子比特数（接近无辅助比特），又能显著降低 Pauli 权重（接近局域编码的效果）。

2. 方法论

论文提出了两种主要的计算优化策略：

策略一：基于二次分配问题的费米子标签顺序优化

原理：费米子系统的物理动力学与费米子模式的标记顺序无关。通过重新排列费米子模式的顺序（ $\sigma$ ），可以改变映射后量子哈密顿量中各项的 Pauli 权重。
建模：将寻找最优费米子顺序的问题转化为二次分配问题（QAP）。
- 定义一个距离矩阵 $D$ ，其中元素 $D_{ij}$ 表示在特定线性编码（如 JW, BK, Ternary Tree, Parity Basis）下，费米子模式 $i$ 和 $j$ 之间的相互作用（跳跃项或相互作用项）所产生的 Pauli 权重。
- 目标函数是最小化总 Pauli 权重（Total Pauli Weight）或最大 Pauli 权重（Maximum Pauli Weight）。
适用范围：该方法不仅适用于 Jordan-Wigner 变换，还推广到了 Bravyi-Kitaev、Ternary Tree 和 Parity Basis 等线性编码。

策略二：增量添加辅助量子比特（Constant-ancilla mappings）

原理：这是对文献 [29] 中“双辅助比特”策略的泛化。该方法允许在 Jordan-Wigner 变换的基础上，增量地添加任意数量的辅助量子比特（Ancilla qubits）。
机制：
- 引入辅助比特后，利用 Theorem 1 保证映射的幺正等价性。
- 对于哈密顿量中的每一项跳跃项，通过选择特定的 Pauli 字符串（ $Z_I$ ）作用于辅助比特，可以抵消原 JW 映射中长的 Pauli-Z 字符串。
- 对于每个跳跃项，有两种优化选项：
  1. Option 1：利用辅助比特上的 $Z$ 门和原量子比特上的 $Z$ 字符串组合，抵消中间部分的权重。
  2. Option 2：仅在辅助比特上操作。
- 通过求解一个优化问题，选择最佳的辅助比特子集 $I$ ，使得总 Pauli 权重的增加最小化（甚至减少）。
扩展性：该方法可以迭代进行，逐个添加辅助比特，直到达到资源限制或不再有明显收益。

3. 关键贡献

统一的优化框架：首次将多种无辅助比特映射（JW, BK, Ternary Tree, Parity）的费米子顺序优化统一建模为二次分配问题，突破了以往仅针对 JW 或特定晶格结构的限制。
增量辅助比特策略：提出了一种通用的、可增量添加辅助比特的算法，将“常数辅助比特映射”的概念从 2 个比特扩展到任意数量（实验中测试了最多 10 个）。
性能突破：证明了通过少量辅助比特（如 10 个），可以将 Jordan-Wigner 映射的 Pauli 权重降低幅度超过现有的无辅助比特最优映射（如 Ternary Tree）。

4. 实验结果

无辅助比特顺序优化：
- 在 $3\times3$ 到 $15\times15$ 的方形晶格（Fermi-Hubbard 模型）上进行了测试。
- 对于小系统，JW 配合优化顺序表现最佳；对于大系统，Ternary Tree 配合优化顺序表现更好。
- 在多种图结构（六边形晶格、随机 3-正则图等）上，Ternary Tree 通常优于 JW，但在特定简单结构（如三角晶格）上 JW 仍占优。
增量辅助比特效果：
- 显著降低权重：在 $8\times8$ 网格上，添加 10 个辅助比特后，JW 映射的总 Pauli 权重比原始无辅助 JW 降低了 39.3%。
- 超越无辅助映射：在 64 个费米子模式的各种图结构上，使用 10 个辅助比特的 JW 映射，其总 Pauli 权重比无辅助的 Ternary Tree 映射更低。
- 最大降幅：在某些情况下（如 Tri-Lattice），Pauli 权重降低了 66.9%，甚至达到了 67% 的总降幅。
- 资源效率：仅用 10 个辅助比特（相对于 64 个主量子比特，开销很小）就实现了优于复杂无辅助映射的效果。

5. 意义与结论

近期量子计算的实用性：该研究为近期（NISQ）和中期的量子模拟提供了极具价值的优化路径。它表明，不需要昂贵的线性规模辅助比特（ $O(n)$ ），仅通过少量辅助比特（ $O(1)$ ）结合计算辅助的顺序优化，就能显著降低模拟成本。
打破权衡：成功打破了“低量子比特数”与“低门复杂度（低 Pauli 权重）”之间的传统权衡，提供了一种在资源受限硬件上运行更复杂费米子模拟的可行方案。
未来方向：作者指出，未来的工作可以扩展到包含门深度和电路编译的更复杂成本函数，并将增量辅助比特方法推广到 JW 以外的其他映射。

总结：这篇论文通过数学优化（QAP）和巧妙的辅助比特利用，证明了在有限的量子资源下，可以通过“少量辅助比特 + 顺序优化”的组合策略，大幅降低费米子模拟的硬件需求，使其比现有的最佳无辅助方案更具竞争力。