⚛️ quantum physics

Quantum Imaginary-Time Evolution with Polynomial Resources in Evolution Time

本文介绍了一种用于虚时演化的新型量子算法，该算法通过利用自适应归一化因子来维持稳定的成功概率，从而在系统规模和演化时间上均实现了可证明的多项式资源缩放，进而能够在早期容错设备上实现高效的基态制备和开放系统模拟。

原作者： Lei Zhang, Jizhe Lai, Xian Wu, Xin Wang

发布于 2026-07-15

📖 1 分钟阅读🧠 深度阅读

原作者： Lei Zhang, Jizhe Lai, Xian Wu, Xin Wang

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，你正试图在一片广袤、雾气缭绕的山脉中寻找最深、最宁静的山谷。在量子物理的世界里，这个山谷被称为“基态”（ground state），找到它有助于我们理解材料如何表现、化学物质如何反应，甚至理解宇宙是如何运作的。科学家用来寻找这个山谷的工具被称为虚时间演化（Imaginary-Time Evolution, ITE）。你可以把它想象成一个神奇的徒步向导，它缓慢地将一个徘徊的旅行者（量子态）推向山坡之下，直到他们安顿在最底部。

长期以来，这个徒步向导面临着一个重大问题：你走得越久（你花费了越多的“虚时间”），你就越容易迷路或耗尽补给。事实上，在传统的计算机上，模拟这次徒步所需的代价增长得极快，以至于除了极其微小的“小山”之外，任何东西都无法进行模拟。即使在早期的量子计算机上，这个向导也有些摇晃不稳；随着徒步过程的延长，成功到达底部而不发生崩溃的概率变得如此之低，几乎趋于零。这就像是在走钢丝，而且随着你走得越远，钢丝变得越来越细。

重大突破
在这篇论文中，由张磊和王鑫领导的研究团队构建了一个全新的、超稳定的徒步向导。他们的主要发现是一种量子算法，可以进行非常长时间的虚时间徒步，而不会出现成功率骤降的情况。他们通过引入一种聪明的“自适应归一化因子”（adaptive normalization factor）实现了这一点。

这里有一个类比：想象你的徒步向导通常会在路径变得过于陡峭时感到疲惫并放弃。旧的方法试图通过采取细小、犹豫的步伐来解决这个问题，但这太慢了。新方法则像是一位背着“神奇自适应背包”的向导。随着路径变得越来越陡峭（随着虚时间 $\tau$ 的增加），向导会自动调整背包里的重量以保持平衡。这使得即使在非常长的徒步过程中，也能保持“成功概率”（到达底部的机会）稳定且高水平。

他们证明了什么，又拒绝了什么
作者明确拒绝了“我们必须接受在模拟更长时间时，成本呈指数级增长或成功率骤降”这一观点。他们反对以往依赖于“启发式”（试错法）技术的做法，因为这些技术往往无法证明自己能够高效处理长时间演化。

相反，他们证明了他们的新算法在利用资源（如计算步骤和额外的“辅助”比特，即辅助量子比特/ancilla qubits）时，其增长仅是关于演化时间的多项式级。

证明过程： 他们在数学上证明了，对于一个与目标态有合理初始重叠的系统，他们可以使用多项式数量的量子门，准备出误差极小的最终态（误差相对于时间的倒数是多项式级的）。
模拟实验： 他们不仅做了数学推导，还在经典计算机上运行了数值实验来模拟他们的量子算法。他们测试了演化时间高达 50 的情况。结果显示，该算法完全符合预期运行：成功概率保持在高位，且误差保持在低位。

两个酷炫的应用
一旦拥有了这个稳定的徒步向导，他们将其用于解决另外两个棘手的问题：

寻找最深的谷底（基态制备）：
他们创造了一种寻找系统基态能量的新方法。虽然其他著名的方法（如量子相位估计，Quantum Phase Estimation）就像是需要极深、极复杂电路的高精度望远镜（这在当今嘈杂的机器上很难构建），但他们的新方法更像是一条坚实、宽阔的小径。
- 权衡（Trade-off）： 他们的这种方法可能需要更多的总“步数”（查询次数），但其电路的“深度”（即你在停止前必须连续执行的步骤数）要浅得多。
- 益处： 这对于早期的量子计算机来说意义重大。如果一个电路太深，机器会在完成任务前就产生错误。通过将深度降低到与初始重叠相关的因子（具体为 $\Omega(\gamma^{-1})$ ），他们的方法使得这些计算在当前的或近未来的硬件上变得更加可行，即便它需要更多的总测量次数。
模拟漏水的船只（开放量子系统）：
现实世界的量子系统并不完美；它们会泄漏能量并与环境发生相互作用（就像一艘正在进水的船）。这被称为“林德布拉德模拟”（Lindbladian simulation）。
- 旧方法： 以往的方法通常每增加一个“泄漏”（耗散项），就需要构建一个规模巨大且复杂的电路。
- 新方法： 他们的算法消除了对“泄漏数量”的依赖。无论你有 5 个还是 500 个泄漏，电路的“深度”基本保持不变。他们是用对系统表达方式（泡利稀疏性/Pauli sparsity）的稍高依赖，换取了更短的电路。对于具有许多局部噪声通道的系统，这意味着电路可以变得更短、更容易运行。

他们有多确定？
作者对他们的理论数学非常有信心；他们已经证明了资源缩放是关于时间的多项式级，这是此类问题中的首次。然而，对于像基态能量估计这样的特定应用，他们依赖于一种“启发式假设”（即在实践中有效的合理猜测）来寻找完美的初始参数。他们还指出，虽然他们的数学逻辑承诺了超快的收敛速度，但由于经典计算机精度的限制，他们运行的数值模拟显示出的是多项式级收敛。

他们并没有声称解决了宇宙中的每一个问题。他们也没有说他们的方法适用于所有可能的初始态（如果你开始时的状态与基态的重叠几乎为零，那么问题依然很难）。但对于量子化学和物理学中绝大多数实际场景，他们已经展示了一条在数学上严谨且经过数值验证的路径。

底线
这篇论文介绍了一种量子算法，它就像一个自带平衡功能的徒步者，允许我们在长时间进行虚时间演化而不会导致过程崩溃。它证明了我们可以用可控的资源来实现这一点，并为在现有的、我们真正能制造出来的量子计算机上寻找基态和模拟噪声系统提供了一种切实可行的方法。这不仅仅是一个理论构想；它是一个经过模拟测试、已准备好帮助我们更深入探索量子世界的工具。

技术摘要：具有多项式演化时间资源消耗的量子虚时演化

问题陈述
虚时演化（Imaginary-time evolution, ITE）是分析量子多体系统的基本工具，能够用于制备基态、热态以及计算动力学相关函数。然而，经典模拟 ITE 在系统规模和演化时间（ $\tau$ ）方面都面临指数级缩放问题。虽然量子算法为缓解系统规模缩放提供了路径，但现有的量子方法面临一个关键瓶颈：制备归一化 ITE 态的成功概率通常随演化时间 $\tau$ 的增加而呈指数级衰减。这迫使现有方法依赖于启发式技术或碎片化的模拟，其中为了抑制误差累积所需的总测量资源随 $\tau$ 指数增长。因此，利用在系统规模和演化时间上均为多项式级的资源来模拟 ITE 的理论可行性一直是一个悬而未决的问题。

方法论
作者提出了一种基于**量子信号处理（QSP）和量子相位处理（QPP）**框架的量子算法，用于制备具有可证明的多项式 $\tau$ 资源缩放特性的归一化虚时演化态。

自适应归一化： 核心创新在于引入了一个自适应归一化因子 $\lambda \in (0, 1]$ 。该算法并非直接近似指数函数 $e^{-\tau H}$ （这会导致成功概率消失），而是在哈密顿量的谱上近似一个修正函数 $f_{\tau, \lambda}(x) = \alpha e^{\tau(x-\lambda)}$ 。
稳定成功概率： 通过在靠近基态能量 $|\lambda_0|$ 的特定“舒适区域”内选择 $\lambda$ （具体为 $\lambda \in [|\lambda_0|, |\lambda_0| + \tau^{-1}]$ ），算法确保了后选择步骤的成功概率被下界定为一个与 $\alpha^2 \gamma^2 e^{-2\gamma^2}$ 成正比的常数，其中 $\gamma$ 是初始态与基态的重叠度。这防止了在前人工作中观察到的指数级衰减。
多项式近似： 该算法利用 QPP 来实现输入幺正算符 $U_H = e^{-iH}$ 的多项式变换。目标函数以误差 $\epsilon$ 进行近似，其误差在 $\tau^{-1}$ 意义下呈多项式级微小，并使用多项式数量的基础量子门和一个辅助比特。
处理哈密顿量访问： 该方法解决了两种场景：
- 算符访问（Oracle Access）： 当 $e^{-iH}$ 可直接获取时，算法在 $\tau$ 方面实现多项式查询复杂度。
- 泡利分解（Pauli Decomposition）： 当 $H$ 以泡利项之和的形式给出时，算法使用 Trotter 化来近似 $e^{-iH}$ , 在非退化能隙和足够演化时间的假设下保持多项式缩放。

主要贡献与结果

首个具有可证明多项式复杂度的 ITE 算法： 本文提出了第一个在演化时间 $\tau$ 上实现多项式资源缩放且保持高精度的量子虚时演化算法。定理 2 和定理 3 确立了该算法在初始态与基态具有非指数级微小重叠的假设下，使用 $\tilde{O}(\text{poly}(n, \tau})$ 次查询和一个辅助比特，制备误差为 $O(\text{poly}(\tau^{-1}))$ 的归一化 ITE 态。
基态制备与能量估计： 作者将核心 ITE 技术应用于求解基态问题（算法 1）。通过迭代调整演化时间 $\tau$ $τ$ 和归一化因子 $\lambda$ $λ$ ，该算法可以同时制备基态并估计基态能量。
- 深度缩减： 与海森堡极限方法（如量子相位估计或量子特征值变换）相比，该方法将查询深度降低了 $\Omega(\gamma^{-1})$ 倍。这是通过在总查询复杂度（由于重复测量而更高）与更浅的电路之间进行权衡实现的，使得该方法更适用于电路深度作为主要瓶颈的早期容错设备。
开系统（林德布拉德/Lindbladian）模拟： 该技术被扩展到模拟受林德布拉德主方程控制的开量子系统（算法 2）。通过在 Liouville 空间中表示密度矩阵，该算法利用 ITE 步骤模拟耗散动力学。
- 对耗散项的可扩展性： 不同于电路深度随跳跃算符数量（ $m$ ）呈多项式缩放的现有确定性方法，所提方法的单次运行电路深度与 $m$ 无关（而是取决于泡利稀疏度 $L$ ）。这对于具有许多局部噪声通道的系统提供了显著优势。

数值验证
研究人员在反铁磁海森堡链和横场伊辛模型上进行了数值实验。

长时间演化： 直至 $\tau = 50$ 的模拟证实，成功概率保持稳定（与理论下界一致），同时状态保真度（infidelity）随 $\tau^{-1}$ 呈多项式级下降。
基态估计： 自适应算法成功收敛到 3、4 和 5 量子比特链的基态能量，展示了在测试范围内估计误差相对于计算资源的指数级收敛。
林德布拉德模拟： 结果显示，状态保真度随演化时间 $t$ 呈多项式级衰减，且总查询复杂度呈多项式级增长，验证了开系统模拟的理论界限。

意义与主张
作者声称这项工作为具有严格证明的、在演化时间上具有多项式资源缩放特性的量子虚时演化提供了首个理论基础。其重要性在于：

解决指数衰减问题： 通过引入自适应归一化，该算法克服了限制以往量子 ITE 方法的指数资源障碍。
早期容错设备的实际可行性： 这种通过牺牲总查询复杂度来降低电路深度的能力，使得这些算法对于相干时间限制电路深度的近未来量子硬件特别具有意义。
广泛的适用性： 该框架统一了封闭系统基态制备和开系统动力学模拟，为量子化学、凝聚态物理和量子场论中的问题提供了一种系统性的方法。

论文在权衡方面保持了谦逊的语气，承认虽然总查询复杂度高于海森堡极限方法，但降低电路深度是当前硬件约束下的关键优势。同时，作者也指出，尽管数值证据表明表现良好，但在一般情况下，针对开系统模拟的后选择成功率的严格下界仍是一个开放性问题。

技术摘要：具有多项式演化时间资源消耗的量子虚时演化

类似论文