Variational quantum algorithm for generalized eigenvalue problems of non-Hermitian systems

本文提出了一种基于广义 Schur 分解的变分量子算法，用于求解非厄米系统的广义特征值问题，并通过数值模拟验证了其在近态量子设备上的有效性、噪声鲁棒性以及在海洋声学中的实际应用。

要点

这篇论文介绍了一种**“变分量子广义特征值算法”（VQGE）**，专门用来解决一类非常棘手的数学问题：非厄米系统的广义特征值问题。

听起来很晦涩？别担心，让我们用几个生活中的比喻来把它讲清楚。

1. 核心问题：寻找“平衡点”的难题

想象一下，你面前有两台巨大的、复杂的机器（我们叫它们机器 A 和机器 B）。

• 机器 A 代表某种物理状态（比如海浪的波动）。
• 机器 B 代表另一种状态（比如海水的压力或冰层的阻力）。

在数学上，我们要找的是这两个机器之间的**“共振频率”（特征值）和“共振模式”**（特征向量）。这就好比你要找出在什么频率下，海浪和冰层会完美地“合拍”振动。

难点在哪里？

• 传统计算机的困境： 当机器变得超级大（比如模拟整个海洋或复杂的机械结构）时，传统电脑就像试图用算盘去计算整个宇宙的原子运动，内存会爆掉，算得慢到让人绝望。
• 非厄米（Non-Hermitian）的麻烦： 大多数现有的量子算法只能处理“对称”的机器（就像左右完全一样的镜子）。但现实世界中的很多系统（比如海洋声学、有摩擦力的机械）是不对称的（非厄米）。这就像机器 A 和机器 B 长得完全不一样，且互相干扰，现有的量子“钥匙”打不开这把“不对称”的锁。

2. 解决方案：量子版的“拼图游戏”

作者提出了一种新的方法，利用量子计算机来玩一个高级的“拼图游戏”。

第一步：把问题变成“找形状”

他们利用了一个叫**“广义舒尔分解”**的数学理论。

• 比喻： 想象你有一堆乱糟糟的积木（矩阵 A 和 B）。你的目标不是直接算出积木怎么拼，而是找到两个**“魔法模具”**（我们叫它们 Q 和 Z）。
• 如果你把这两个模具套在积木上，原本乱糟糟的积木就会自动排列成整齐的阶梯状（上三角矩阵）。
• 一旦变成了阶梯状，那些“共振频率”（特征值）就会像台阶上的数字一样，直接显露出来，一目了然。

第二步：变分量子算法（VQA）—— 像调收音机

怎么找到这两个“魔法模具”呢？

• 作者设计了一个量子电路（就像一台可编程的收音机），里面有很多旋钮（参数 $\theta$ 和 $\phi$）。
• 目标： 转动这些旋钮，直到把积木排列得最整齐（也就是让“阶梯状”之外的杂音最少）。
• 损失函数（Loss Function）： 这是一个“评分表”。如果积木没排好，评分就很高（很乱）；如果排好了，评分就是 0（完美）。
• 混合循环： 量子计算机负责“试错”（转动旋钮，看积木排得怎么样），经典计算机负责“分析”（根据评分告诉量子计算机下一步该往哪边转）。这就形成了一个**“量子试错 + 经典优化”**的闭环。

3. 如何测量？——“量子快照”技术

在量子计算机上直接看积木排得怎么样是很困难的，因为一观察，积木可能就乱了（量子坍缩）。

• 比喻： 作者使用了一种叫**“量子过程快照”（QPS）**的技术。
• 这就好比给积木拍一张**“全息照片”**。你不需要把积木拆开看，而是通过一次特殊的拍摄，就能同时知道积木里所有角落的排列情况。
• 通过统计这张照片里某些特定图案出现的频率，就能算出那个“评分表”（损失函数）的分数。

4. 实际效果：从海洋到噪音

作者不仅提出了理论，还做了实验：

1. 小测试（两量子比特）： 就像先拿两个小积木练手，结果非常完美，算出来的频率和理论值几乎一模一样。
2. 大应用（海洋声学）： 他们把这个方法用到了海洋声学中。想象一下，潜艇要探测海底地形，或者研究声音在冰海混合环境下的传播。这是一个巨大的非对称系统。
   • 结果：算法成功找到了声音传播的关键频率，而且只需要很少的迭代次数就收敛了。
3. 抗噪测试： 真实的量子计算机是有“噪音”的（就像收音机里有杂音）。作者模拟了噪音环境，发现即使有杂音，这个算法依然能坚持到底，找到正确的答案。这说明它很皮实（鲁棒）。

5. 总结：为什么这很重要？

• 打破僵局： 以前的量子算法只能处理“对称”问题，现在这个算法能处理“不对称”的复杂现实问题。
• 未来潜力： 虽然现在的量子计算机还很小（就像刚学会走路的婴儿），但这个算法证明了：只要给点时间，量子计算机就能帮人类解决那些传统超级计算机算不动的工程难题（如机械振动、海洋探测、材料科学）。
• 简单说： 这是一把新打造的**“量子钥匙”，专门用来打开那些以前被认为太难、太乱、太不对称的“现实世界数学锁”**。

一句话总结：
这篇论文教我们如何用一种聪明的“量子拼图法”，在充满噪音的早期量子计算机上，快速解开那些传统电脑算不动的复杂工程难题，特别是那些不对称的、像海洋声学一样棘手的系统。

技术摘要

以下是基于论文《Variational quantum algorithm for generalized eigenvalue problems of non-Hermitian systems》（非厄米系统广义特征值问题的变分量子算法）的详细技术总结：

1. 研究问题 (Problem)

• 核心挑战：广义特征值问题（Generalized Eigenvalue Problems, GEPs）在数学和应用科学（如机械工程、海洋声学）中至关重要。然而，随着系统规模增大，经典计算机在求解大规模 GEPs 时面临内存占用和计算复杂度爆炸的瓶颈。
• 现有局限：虽然量子计算（如量子相位估计 QPE 和变分量子本征求解器 VQE）为解决此类问题提供了潜力，但现有的量子算法主要适用于厄米（Hermitian）系统。对于非厄米（Non-Hermitian）系统的广义特征值问题，目前缺乏有效的量子算法。
• 目标：开发一种专门针对非厄米系统 GEPs 的变分量子算法，能够在近期量子设备（NISQ 设备）上运行，并具备抗噪性。

2. 方法论 (Methodology)

该论文提出了一种变分量子广义本征求解器（VQGE），其核心框架如下：

• 理论基础：广义 Schur 分解

  • 利用广义 Schur 分解理论，将非厄米矩阵对 $(A, B)$ 的广义特征值问题转化为寻找两个酉变换矩阵 $Q$ 和 $Z$ 的问题，使得 $Q^\dagger A Z = T$ 和 $Q^\dagger B Z = S$ 均为上三角矩阵。
  • 此时，广义特征值 $\lambda$ 即为 $T$ 和 $S$ 对角元素的比值 ($t_{ii}/s_{ii}$)。

• 损失函数设计 (Loss Function)

  • 定义了一个损失函数 $L(\theta, \phi)$，用于衡量矩阵 $T(\theta, \phi) = Q^\dagger(\theta) A Z(\phi)$ 和 $S(\theta, \phi) = Q^\dagger(\theta) B Z(\phi)$ 的非上三角元素（即下三角部分）的模平方和。
  • 定理 1：当且仅当 $T$ 和 $S$ 为上三角矩阵时，损失函数 $L$ 达到全局最小值 0。
  • 通过优化参数 $\theta$ 和 $\phi$ 最小化 $L$，即可逼近广义 Schur 分解。

• 量子实现与测量

  • 量子过程快照 (QPS)：采用 QPS 技术，结合索引寄存器（index register），在单个量子电路中同时测量多个矩阵元素。
  • 数据编码：对于非酉矩阵 $A$ 和 $B$，使用线性组合酉算子 (LCU) 方法将其编码到量子系统中。
  • 梯度估计：采用参数移位规则 (Parameter Shift Rule) 计算损失函数的梯度。相比有限差分法，该方法对噪声不敏感，且能精确计算梯度，避免了因步长过小导致的精度误差放大问题。

• 算法流程

  1. 初始化参数 $\theta, \phi$。
  2. 在量子设备上执行电路，测量特定状态的概率以估算损失函数 $L$。
  3. 利用参数移位规则计算梯度 $\nabla L$。
  4. 经典优化器更新参数。
  5. 重复直至收敛，提取对角元素计算广义特征值。

3. 关键贡献 (Key Contributions)

1. 首个非厄米 GEPs 的变分量子算法：填补了现有量子算法仅适用于厄米系统的空白，首次将变分框架扩展至非厄米系统的广义特征值问题。
2. 基于广义 Schur 分解的变分策略：创造性地将矩阵分解问题转化为寻找酉变换的优化问题，并设计了相应的损失函数，证明了其全局收敛性。
3. 高效的梯度与测量方案：
   • 提出了基于 QPS 和 LCU 的测量方案，能够高效估算损失函数。
   • 推导了适用于该特定损失函数的参数移位规则，解决了非厄米矩阵在变分框架下的梯度计算难题。
4. 复杂度分析：
   • 门复杂度为 $O(n + 2^m \text{poly}(n))$，量子比特复杂度为 $O(2n + m + 1)$。
   • 当矩阵 $A, B$ 可表示为少量酉算子的线性组合（如稀疏矩阵）时，相比经典 $O(2^{3n})$ 的复杂度，该算法展现出指数级的量子启发式优势。
   • 讨论了“ barren plateau"（ barren 高原）问题，指出由于损失函数的局部结构，该算法在一定程度上缓解了梯度消失问题。

4. 实验结果 (Results)

研究团队在 Origin Quantum 云平台（Pyqpanda）上进行了数值模拟验证：

• 两量子比特系统测试：

  • 对随机生成的非厄米矩阵对 $(A, B)$ 进行测试。
  • 损失函数在 900 次迭代后收敛至 $10^{-7}$ 量级。
  • 前三个广义特征值的实验值与理论值吻合度极高（相对误差 < 0.01%），验证了算法的有效性。对于秩亏矩阵导致的无效特征值，算法也表现出了符合理论预期的行为。

• 海洋声学应用：

  • 将算法应用于海洋声学中的声压模式和应力 - 位移模式耦合方程（转化为 $32 \times 32$ 的非厄米稀疏矩阵 GEP）。
  • 经过 50 次迭代后损失函数稳定收敛。
  • 实验得到的广义特征值与理论值高度一致，证明了算法在解决实际物理问题中的潜力。

• 噪声鲁棒性模拟：

  • 在加入振幅阻尼和去极化噪声的模拟环境下进行测试。
  • 尽管存在噪声引起的波动，损失函数仍能在 1200 次迭代后收敛至 $10^{-7}$ 以下。
  • 特征值的相对误差保持在较低水平（< 0.06%），证明了 VQGE 算法在近期含噪量子设备上的鲁棒性。

5. 意义与展望 (Significance)

• 理论突破：为非厄米量子系统的特征值计算提供了新的变分框架，拓展了变分量子算法（VQA）的应用边界。
• 实际应用价值：直接面向海洋声学、机械工程等涉及非厄米系统的实际工程问题，展示了量子计算在解决特定领域科学计算难题上的潜力。
• 近期可行性：算法设计充分考虑了 NISQ 设备的限制（如使用参数移位规则抗噪、LCU 编码非酉矩阵），并通过噪声模拟验证了其可行性。
• 未来方向：作者计划结合零噪声外推（ZNE）、准概率方法等误差缓解技术，在真实的量子硬件上进一步测试该算法，以解决更大规模的问题。

综上所述，该论文提出了一种创新且实用的变分量子算法，成功解决了非厄米系统广义特征值问题，为量子计算在复杂物理和工程领域的应用奠定了重要基础。