Quasiprobabilistic imaginary-time evolution on quantum computers
作者提出了一种资源高效且具有噪声韧性的虚时演化量子算法，该算法将 Trotter 化步骤分解为操作的概率线性组合，且无需辅助量子比特，从而能够在当前的量子硬件上实现热期望值的估算。
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
寻找完美的量子食谱
想象一下，你正试图烤出一个完美的蛋糕，但你的原料不是面粉和糖，而是基本的物理定律。这就是量子计算的世界——在这个领域，科学家们利用微小粒子那些奇异、摇摆不定的规则来解决常规计算机无法处理的问题。在这个“厨房”里最大的挑战之一，是弄清楚一个量子系统如何稳定下来进入其最稳定的“基态”，或者它在高温且剧烈震荡（热平衡）时表现如何。
为了找到这些答案，科学家们使用了一种叫做“虚时演化”（imaginary-time evolution）的数学技巧。不要把它想成是在时间中旅行，而要把它看作一个神奇的过滤器，它会慢慢滤掉系统中所有混乱、激发的能量，直到只剩下平静、完美的基态。这就像是让一罐摇晃过的苏打水静置，直到气泡停止，液体变得完全静止。问题在于，这个“过滤器”在真实的计算机上极难构建，因为它需要执行一些在量子世界中并不自然发生的操作，比如反转时间或删除信息。目前的量子计算机也存在噪声，就像一台充满静电干扰的收音机，这使得这些精细的计算变得更加困难。这篇论文探讨了一个问题：我们如何利用今天这些不完美、带有噪声的量子机器来运行这个神奇的过滤器，并在不需要完美、未来派计算机的情况下获得有用的结果？
论文的核心思想：用“拟概率”食谱烹饪
这篇论文的作者们——一支来自加拿大、法国和美国的研究团队——为在当今量子计算机上运行虚时演化调制出了一套新食谱。他们的秘密武器是一种被称为“拟概率分解”（quasiprobability decomposition）的技术，这是他们从一种用于修复量子计算机错误的方法中借鉴而来的。
以下是他们的方法的工作原理，使用一个简单的类比：假设你想烤一个需要一种特殊的、不存在的原料——“独角兽面粉”的蛋糕。你买不到它，也造不出它。然而，你知道如果将特定量的“面粉 A”（你拥有的）与特定量的“面粉 B”（你也拥有的）混合，然后对结果应用一个特殊的“魔法符号”，它的味道就会和“独角兽面粉”一模一样。
在量子世界中，“独角兽面粉”就是虚时演化操作。这是一种量子计算机无法直接执行的非标准动作。作者们想出了如何将这个不可能完成的动作拆解成一系列标准的、原生的动作，而这些动作是量子计算机可以执行的（比如拨动开关或旋转旋钮）。但有一个陷阱：为了让数学逻辑成立，其中一些标准动作必须被赋予“负”概率。在现实世界中，你不可能有 -50% 的发生概率，但在量子数学世界里，这是可以的。
该算法的工作流程如下：
- 混合： 计算机根据每种动作所需的比例，随机选择一种标准动作进行混合。
- 魔法符号： 如果计算机选中的动作在食谱中具有“负”权重，它并不会直接忽略它。相反，它会在最终答案上翻转一个符号（比如将正数变为负数），以抵消这种“怪异性”。
- 品尝： 计算机将这个随机混合的过程运行数千次。通过对所有结果进行平均并应用魔法符号，噪声和那些奇怪的负概率会被相互抵消，从而留下虚时演化的真实答案。
他们的发现与演示
论文表明，即使在有噪声的硬件上，这种方法也表现得异常出色。研究人员不仅是在理论上构思，还通过两种方式进行了测试：
首先，他们在经典计算机上进行了模拟，以观察该方法在大规模情况下的表现。他们模拟了为 1D 海森堡哈密顿量（Heisenberg Hamiltonian，一种用于描述磁性材料的模型）准备“热纯量子”（TPQ）态的过程，涉及高达 8 个量子比特的系统。他们发现，随着样本数量的增加，其产生的结果与“完美”的理论值非常接近，误差也随之减小。
其次，他们将该方法带入了现实世界。他们使用了一台由 IBM 提供、拥有 2 个量子比特的超导量子计算机（名为 ibm_manila）。他们利用该算法估算了 2 量子比特海森堡哈密顿量的能量。来自这台有噪声机器的结果与精确值非常接近，证明了该方法可以在不需要额外纠错工具的情况下，处理现实硬件带来的“静电干扰”。
这意味着什么（以及它做不到什么）
这项发现最令人兴奋的部分在于它不需要什么。许多其他的量子方法需要“辅助量子比特”（ancilla qubits）——即作为安全网的额外辅助量子比特。这些辅助量子比特既昂贵又难以管理。作者的方法不需要任何额外的量子比特。它完全运行在原本用于描述系统的量子比特之上。这使得它非常适合当前的量子计算机，因为这类设备规模较小且噪声较大。
然而，论文也谨慎地指出，这并不是能解决一切问题的“魔杖”：
- 它是一种模拟和小型演示： 大规模的结果（8 个量子比特）是计算机模拟的结果，而非在真实的 8 量子比特机器上运行。真实的硬件测试仅针对 2 个量子比特。
- 它需要更多的样本： 因为使用了这种“负概率”技巧，他们必须多次运行实验（采样）才能得到清晰的答案。论文显示，所需样本的数量会随着问题复杂度的增加而增长，但对于近期的设备来说仍然是可控的。
- 它不是完整的纠错： 这是一种“误差缓解”（error mitigation）技术。它有助于减少噪声，但并不能修复硬件本身。
作者指出，虽然他们的方法在当前硬件上估算热性质和基态方面表现优异，但下一步是尝试在真实的更大规模系统（超过 2 个量子比特）上运行。他们还提到，如果未来的硬件能够在测量结果后暂停计算（中途测量），该方法可以通过不再浪费时间在失败的尝试上，从而变得更加高效。
简而言之，这篇论文提供了一种巧妙且资源节约的方法，让我们能够利用今天这些并不完美的量子计算机，来模拟量子系统如何冷却并趋于稳定，从而让我们在等待完美的、无误差的量子计算机问世之前，离理解复杂的材料和化学反应更近了一步。
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。