Quantum simulation with sum-of-squares spectral amplification
本文引入了平方和谱放大（SOSSA）框架，该框架通过提供实现能量和相位估计的快速算法，显著提升了低能问题的量子模拟性能，并实现了相对于通用方法的渐近加速，这一点已在 Sachdev-Ye-Kitaev 模型和现实世界的量子化学系统中得到了验证。
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
量子计算机有望解决当今机器无法处理的问题，特别是在模拟物质行为的领域。这一挑战的核心在于需要对量子系统（如分子或奇异材料）进行建模，在这些系统中，粒子以复杂的、纠缠的方式相互作用。为了实现这一点，科学家们使用算法将支配这些系统的物理定律转化为计算机可以执行的操作序列。然而，这些操作在时间和资源方面的成本极高，特别是当计算机必须考虑系统可能占据的所有能量状态时，其中甚至包括那些在自然界中极不可能发生的能量状态。一个主要的瓶颈在于，标准方法对所有能级一视同仁，迫使计算机必须遍历一个庞大且不必要的、由高能可能性构成的景观，仅仅为了找到现实世界中实际存在的那个特定低能态。
来自谷歌量子人工智能（Google Quantum AI）和加州理工学院的研究团队开发了一种名为“平方和谱放大”（sum-of-squares spectral amplification）的新框架，以绕过这种低效性。他们的这种方法专门针对“低能”问题而设计，这类问题对于理解低温下的物质（例如分子的基态或材料在相变附近的性质）至关重要。该方法不再模拟整个能量谱，而是将计算能力集中在系统实际存在的特定窄能量范围内。通过在量子计算机开始工作之前，在数学上重新塑造问题，他们可以放大低能态的信号，使其更容易被检测和测量。这使得计算机能以显著更少的步骤达到相同的精度，实际上将模拟速度提高了与系统规模平方根相关的倍数。
这一新策略的核心涉及两个协同工作的不同步骤。首先，研究人员获取系统的数学描述（称为哈密顿量），并对其进行平移，使其最低能量状态接近于零。然后，他们将这个平移后的描述改写为正项之和，这一过程被称为“平方和表示”。这一步是利用经典计算机和优化技术完成的，旨在寻找将系统能量分解为易于处理的部分的最佳方式。其目标是创建一个版本，使基态与下一个可用态之间的能量间隙尽可能小，这是确保下一步高效运行的关键条件。
一旦准备好这种优化后的表示形式，第二步就会应用一种称为“谱放大”的技术。该技术实际上是对系统的能量值取平方根。由于平方根函数在接近零的数值处增长非常陡峭，它就像一个放大镜，放大了研究人员所关注的低能态。原始能量的一个微小变化，在经过研究人员处理后的新放大版本中会变成一个更大的、更容易测量的变化。这意味着，当量子计算机执行测量以确定能量时，不需要那么精确，也不需要执行那么多操作，就能将正确状态从噪声中分辨出来。结果是，在获取可靠答案时，计算机需要查询系统的次数大幅减少。
为了证明这种方法在实践中的有效性，该团队将其应用于萨赫德夫-耶-基塔耶夫（Sachdev-Ye-Kitaev）模型，这是一个用于研究强关联物质的复杂理论系统。在这种特定情况下，新方法展示了优于现有通用模拟技术的明显优势。传统的处理方法所需的运算量随系统规模的平方进行缩放，而新方法将这一要求降低到了系统规模的 1.5 次方。这意味着实现了与系统规模平方根成比例的加速，对于大规模模拟而言是一个显著的进步。研究人员还表明，该框架可以应用于其他重要任务，例如估计量子态的能量或模拟系统的随时间演化过程，从而为所有这些场景提供更快的算法。
这项工作建立在以往的研究成果之上，此前类似的技巧曾被用于提高模拟化学系统的效率，但本文将这一概念扩展到了更广泛的一类问题，并对其优势提供了严谨的证明。研究人员强调，虽然寻找最佳数学表示的初始步骤需要大量的经典计算能力，但在量子模拟阶段获得的节省足以使整个过程变得更加高效。他们还指出，该方法并非适用于所有类型问题的万能药；其成功取决于被模拟系统的特定结构以及寻找合适数学表示的能力。然而，对于理解量子物质至关重要的低能问题，这种方法提供了一个强大的新工具，推动了该领域向实现量子模拟全部潜力迈进。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。