⚛️ quantum physics

Symmetry-guided quantum state preparation: Branched-Subspaces Adiabatic Preparation (B-SAP)

本文介绍了分支子空间绝热制备（B-SAP），这是一种结合了变分量子算法、绝热制备、群论对称性以及经典后处理的混合量子算法，旨在以多项式电路深度缩放的效率，制备多体哈密顿量的低能本征态。

原作者： Davide Cugini, Giacomo Guarnieri, Mario Motta, Dario Gerace

发布于 2026-01-27

📖 1 分钟阅读🧠 深度阅读

原作者： Davide Cugini, Giacomo Guarnieri, Mario Motta, Dario Gerace

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

想象一下，你正试图在一条充满浓雾的巨大山脉中寻找一条完美的路径，以到达一个特定的山谷（即量子系统的“基态”或最低能量级）。这是量子计算中的一项基本任务，量子计算有望解决化学和物理学中的复杂问题。然而，这项任务极其困难。

该论文介绍了一种新的导航策略，称为分支子空间绝热制备（Branched-Subspaces Adiabatic Preparation，简称 B-SAP）。为了理解它为何特别，让我们来看看两种旧的方法以及它们为何难以奏效。

旧的方法：两种有缺陷的地图

“猜与试”法（变分量子算法）：
想象一下，你通过随机猜测一条路径，检查你所在的高度有多低，然后根据反馈微调你的路线。
- 问题所在： 地图如此庞大，你可能会陷入“贫瘠高原”（barren plateau）——这是一个平坦的区域，无论你向哪个方向转弯，感觉都完全一样。你无法判断自己是在接近还是远离目标，因此停止了学习。此外，你需要猜对正确的路径类型作为起点；如果你的初始猜测很差，你永远找不到那个山谷。
“慢行”法（绝热制备）：
想象一下，你从一个已知且容易到达的山丘开始，非常缓慢地向目标山谷移动，极其细微地改变地形，从而确保你不会失去平衡。
- 问题所在： 有时，当你行走时，两条不同的路径（能级）会发生交叉。如果你沿着一条路径缓慢行走，而这条路径恰好与其他路径相交，你可能会不小心滑入错误的路径。在复杂的系统中，这些“十字路口”频繁发生，导致你最终进入错误的山谷或处于混乱的多个山谷之中。

新的解决方案：B-SAP（“分支”策略）

作者 Davide Cugini 及其同事提出了一种混合方法，它结合了两者的优点并规避了它们的缺陷。他们利用了一个关于对称性（可以理解为“地形的规则”）的高明技巧。

B-SAP 的工作原理如下，使用一个简单的类比：

1. 从一个“超简并”的山丘开始
B-SAP 并不是从一个简单的、唯一的山丘开始（像旧的“慢行”法那样），而是从一个巨大的、平坦的高原开始，在这个高原上，许多不同的路径在初始阶段看起来是完全相同的。

为什么？ 在旧方法中，如果路径在后期发生交叉，你就会迷失方向。而在 B-SA P 中，作者特意选择了一个路径在初始状态下已经以已知方式混合在一起的地形。他们完全清楚自己在该高原上的位置。

2. “分支”技巧
随着他们向目标山谷缓慢行走，地形也会随之改变。由于他们为起点选择的特定规则（对称性），路径不会相互交叉，而是会分支出来。

隐喻： 想象一条宽阔的河流，它慢慢分裂成更小的、清晰的溪流。在旧的方法中，溪流会互相碰撞（交叉）；而在 B-SAP 中，溪流会干净利落地分离。这意味着你永远不会不小心从预定路径跳到错误的路径上。

3. “智能向导”（量子电路）
在开始慢行之前，算法使用一个小型且智能的量子电路来精确“调节”你在起始高原上的具体位置。

创新之处： 由于起始高原具有高度结构化（基于数学中的群论），算法不需要盲目猜测。它只需要调整几个参数（knobs）来选择正确的“分支”。这避免了“贫瘠高原”问题，因为搜索空间变得更小且更具针对性。

4. 最后冲刺
一旦系统完成调节并开始慢行，路径就会自然分离。算法随后使用经典计算机来分析结果，并微调参数，以确保精准降落在特定的目标状态（无论是最低能量状态还是激发态）。

他们证明了什么？

团队在一个著名的模型——XYZ 海森堡模型（一种模拟微小磁铁如何沿直线相互作用的模型）上测试了这种新方法。

结果： 他们成功地制备了最低能量态，甚至是更高的“激发态”，且精度极高。
效率： 随着增加粒子（量子比特）的数量，其电路的复杂度仅呈多项式级增长（一种可控的、稳定的增长）。这相比于那些呈指数级增长（会迅速变得无法实现）的方法是一个巨大的进步。
对比： 当他们将 B-SAP 与标准的“慢行”法进行比较时：
- 对于最低能量态，两者表现都不错，但 B-SAP 略胜一筹。
- 对于下一个能量级（第一激发态），标准方法完全失败了，因为路径发生了交叉。而 B-SAP 则成功了，因为其“分支”策略防止了路径混淆。

总结

这篇论文展示了一种新的量子计算导航工具。它不是盲目地猜测路径，也不是在充满交叉道路的迷宫中缓慢行走，而是从一个已知且有结构的平台出发，并利用对称性的规则，确保道路在旅途中自然地分叉。这使得计算机能够高效地找到特定的量子状态（无论是最平静的状态还是更有能量的状态），而不会在迷雾中迷失方向或陷入死胡同。

作者在拥有多达 10 个量子比特的模拟器上验证了这一点，证明了该方法在广泛的条件下均能奏效，使其成为未来量子硬件的一个极具前景的候选方案。

技术摘要：分支子空间绝热制备 (B-SAP)

问题陈述
量子态制备是模拟物理、化学和数据科学中复杂多体系统的基础任务。当前的方法面临着显著的权衡。变分量子算法 (VQA) 依赖于参数化拟设（ansatzes）和经典优化，这往往会导致“贫瘠高原”（指数级消失的梯度）、由于需要指数级大的参数空间而导致的扩展性差，以及与局部极小值相关的收敛问题。相反，绝热制备 (AP) 通过在随时间变化的哈密顿量下演化初始态以达到目标态。虽然概念上不同，但 AP 对能量谱间隙高度敏感；如果能级发生交叉或间隙随系统规模呈指数级缩小，绝热定理将无法保证制备出特定的本征态，通常会导致得到一个未知的简并态叠加。这些局限性阻碍了同时制备基态和激发态，而这对于理解光学光谱、电荷转移过程和反应中间体至关重要。

方法论：分支子空间绝热制备 (B-SAP)
作者提出了 B-SAP，这是一种混合算法，它整合了 VQA 和 AP 的结构优势，并通过群论结构和经典后处理来减轻各自的弱点。

对称性引导初始化： 与通常选择具有最小对称群以避免简并的初始哈密顿量 ( $H_0$ ) 的传统 AP 不同，B-SAP 选择的 $H_0$ 其对称群包含目标哈密顿量 ( $H_T$ ) 的对称群作为子群。因此，初始能量谱表现出高度简并。
通过参数化门进行子空间探索： 算法识别 $H_0$ $H_{0}$ 中对应于能量级 $E_n$ $E_{n}$ 的简并本征空间 $S(B_n)$ $S (B_{n})$ 。B-SAP 不使用通用的拟设，而是构建一组特定的参数化幺正门 $\{G_j(\alpha_j)\}$ ${G_{j} (α_{j})}$ ，这些门作为该子空间的内自同态作用。这些门源自幺正群 $U(d_n)$ $U (d_{n})$ 的生成元（其中 $d_n$ $d_{n}$ 是子空间维度），并被简化到陪集空间 $U(d_n)/U(d_{n-1})$ $U (d_{n}) / U (d_{n - 1})$ ，以确保对于固定的参考态映射是双射的。
- 至关重要的是，可训练参数的数量按 $2d_n - 1$ （如果全局相位无关，则为 $2(d_n-1)$ ）比例缩放。由于在所考虑的模型中 $d_n$ 随系统规模 $L$ 进行多项式缩放，参数计数避免了导致贫瘠高原的指数级缩放。
带有分支的绝热演化： 系统从 $H_0$ 绝热演化到 $H_T$ 。由于 $H(s)$ 的对称群保持不变或减少（对称性是被破坏而非引入），不可约表示 (irreps) 保持不变或发生“分支”（splitting）。这种“分支”结构防止了导致传统 AP 中能级交叉的能级合并。该协议确保仅在不同的本征空间之间需要谱间隙条件，从而放宽了成功制备的约束。
经典后处理 (MC-VQE)： 为了在不遭受优化瓶颈的情况下优化变分参数，作者采用了多态收缩变分量子本征求解器 (MC-VQE)。
- 算法不是优化单个态，而是在量子寄存器上制备重叠态 $|\Psi^p_{ml}\rangle$ （基态的叠加）。
- 它测量目标哈密顿量 $H_T$ 在演化基底中的矩阵元，构建一个 $d_n \times d_n$ 的矩阵 $[H_T]^{(n)}_{ml}$ 。
- 该矩阵在经典上被对角化，以获得特征值和目标本征向量的系数。
- 随后，在经典上调整变分参数，以最大化制备态与经典推导的目标向量之间的重叠。这避免了在最终最小化步骤期间需要量子线路，并提供了一个已知的损失函数全局最小值。

核心贡献

混合框架： 本文引入了一种新型算法，它绕过了对启发式拟设的需求（常见于 VQA）和严格的非交叉间隙要求（常见于 AP）。
群论构造： 它利用哈密顿量对称群的表示理论来构建一个参数化线路，从而高效地探索特定的简并子空间，确保参数数量随系统规模进行多项式缩放。
对能级交叉的鲁棒性： 通过设计使对称性被破坏而非被引入的绝热路径，该方法防止了典型绝热演化中出现的偶然简并，从而能够制备激发态。
绕过经典优化： MC-VQE 的集成允许通过经典对角化一个小矩阵来提取激发态信息，减少了对困难的量子-经典优化循环的依赖。

结果
作者使用 Qiskit 在量子模拟器上，针对具有周期性边界条件的、系统规模高达 $L=10$ 个量子比特的一维 XYZ 海森堡模型验证了 B-SAP。

准确度： 在广泛的耦合常数 ( $J_x, J_y, J_z$ ) 范围内，该算法成功制备了基态和前四个激发态。
误差指标： 对于基态，在大多数参数区域，其误差（保真度损失）相对于随机态重叠 ( $2^{-L}$ ) 而言可以忽略不计，即使在使用极少的 Trotter 步数 ( $L/2$ ) 时也是如此。对于激发态，误差通常保持在 10% 以下，且经常处于百分比水平。
缩放性： 所需的线路深度随系统规模 $L$ 进行多项式缩放。
对比： 与在相同模型和参数下的标准 AP 相比：
- 标准 AP 在基态方面的表现相当，但在大多数参数区域由于能级交叉，在制备第一激发态时完全失败。
- B-SAP 在标准 AP 失败的区域成功制备了激发态，展示了其通过简并子空间的分支来应对能级交叉的能力。

意义与主张
论文声称 B-SAP 为近期的量子计算平台提供了一条极具前景的量子态制备路径，它在准确度、资源效率和鲁棒性之间取得了平衡。

近期适用性： 线路深度和参数的多项式缩放特性使得该算法适用于相干时间及连通性有限的设备。
激发态获取： 该方法通过解决一个关键的能力缺口，实现了可靠地制备高阶激发态，这些状态对于确定光学光谱和化学反应性至关重要，但由于能级交叉和优化困难，通常是标准绝热法或变分法难以触及的。
未来展望： 作者建议该方法可以扩展到复杂材料、量子化学和场论系统的量子模拟，未来的工作将侧重于集成误差缓解技术以在真实硬件上部署。本文并未声称解决了所有量子态制备的通用问题，而是将 B-SAP 定位为针对具有已知对称性的多体哈密顿量的特定且有效的解决方案。

旧的方法：两种有缺陷的地图

新的解决方案：B-SAP（“分支”策略）

他们证明了什么？

总结

技术摘要：分支子空间绝热制备 (B-SAP)

类似论文