⚛️ 量子物理

Low-depth measurement-based deterministic quantum state preparation

本文提出了一种确定性的、基于测量的低深度算法，用于制备任意量子态，该算法通过解纠缠辅助比特实现了 $\Theta(2^n)$ 的最优时空复杂度，同时提供了精确的资源量化，并通过具体实例展示了混合应用。

原作者： Roselyn Nmaju, Fiona Speirits, Sarah Croke

发布于 2026-10-28

📖 1 分钟阅读🧠 深度阅读

原作者： Roselyn Nmaju, Fiona Speirits, Sarah Croke

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

在量子计算领域，最基本的一项任务往往也是最难解释的任务：让机器准备就绪。在量子计算机能够解决问题之前——无论是模拟一种新的药物分子还是优化金融投资组合——它必须首先加载数据。这些数据在经典世界中以数字列表的形式存在，但为了对机器有用，必须将其转化为量子态，即一种精细的粒子配置，信息存储在不同结果的概率之中。这种被称为“状态准备”的转换过程是一个关键的瓶颈。如果用于加载数据的方法过于缓慢或需要过多的资源，那么量子计算机在实际计算开始之前，其潜在的速度优势就会丧失。多年来，科学家们一直面临着一个艰难的权衡：运行速度快的方法通常需要无法实现的额外组件，而使用较少组件的方法则需要耗费不切实际的执行时间。

一组研究人员现在提出了一种应对这一权衡的新方法，提供了一种既快速又可靠的方法，尽管这以特定的硬件成本为代价。在 2026 年晚些时候发表的一篇论文中，Roselyn Nmaju、Fiona Speirits 和 Sarah Croke 描述了一种利用既是低深度又是确定性的策略来准备任何任意量子态的技术。“低深度”是指计算机必须按顺序执行的步骤数量；浅层电路更快且更不易出错。“确定性”意味着该过程每次都能成功运行，而不是依赖运气并要求用户反复尝试直到成功。他们的方法建立在一个被称为“分而治之”的旧思想之上，该思想将一个庞大、复杂的态分解成更小、更易处理的部分，然后再将它们重新构建起来。然而，该方法的旧版本会留下一些杂乱的残留物：被称为辅助比特（ancilla qubits）的额外粒子，这些粒子会与数据纠缠在一起，从而破坏最终结果。研究人员的关键创新在于一种在每一步都能干净地解开这些额外粒子的方法，确保最终的数据是纯净且可用的。

他们方法的核心在于对测量的一种巧妙运用。在许多量子过程中，测量一个粒子会破坏其量子信息，但在本研究中，研究人员将测量作为一种分离数据与辅助工具的手段。他们通过将较小的态两两结合，像构建家族树一样向上移动层次结构，从而构建出目标态。在每两个部分结合的步骤中，都会引入一个额外的辅助粒子。为了不让这个辅助粒子与数据保持纠缠，团队对其进行了特定的测量。这种测量经过设计，无论测量结果如何，数据粒子都会处于正确的状态，而辅助粒子则被有效地丢弃。如果测量结果导致数据相位发生轻微变化，则可以通过简单的经典调整来进行修正。由于这种修正基于测量结果，因此该过程是确定性的；它总是以正确的状态结束，绝不会让用户处于猜测之中。

为了证明其想法的实用性，作者通过具体的例子进行了演示，包括一个每个可能结果都有非零概率的“稠密”态，以及一种常用于研究的特定类型量子态——“W 态”。他们详细说明了针对这些情况电路的具体构造，阐述了所需的旋转、交换和测量的序列。对于一个拥有三个数据比特的系统，该方法总共需要七个比特来运行（包括辅助比特）。虽然随着系统规模扩大，这个数字也会随之增长，但研究人员计算出，计算机必须执行的总步骤数增长相对缓慢，遵循与比特数量平方相关的模式。相比于那些需要指数级步骤的旧方法，这是一个显著的改进。此外，他们还计算了总的“时空分配”（spacetime allocation），这是一个结合了粒子数量和它们活跃时间的度量指标。他们发现，该方法达到了此类方法在物理学上目前所允许的理论最小值，这意味着在处理此类问题时，其效率已达到极致。

论文还讨论了设置机器的成本。在量子计算机运行之前，经典计算机必须计算出旋转的精确角度和测量的特定设置。作者对这种经典成本进行了量化，表明虽然该成本相当可观，但它是一次性的计算，不需要在每次算法运行中重复进行。他们还探索了一种混合方法，即将这种新方法与现有技术相结合。通过使用另一种更快的方法来准备数据的小块部分，然后使用他们的解纠缠方法将它们缝合在一起，他们展示了用户可以根据其特定硬件的能力，在减少使用的比特数或减少执行步骤之间进行调节。这种灵活性对于硬件资源有限的近期量子计算阶段至关重要。

研究人员谨慎地指出，他们的方法依赖于在计算过程中进行测量并利用结果立即调整下一步操作的能力。这种被称为“中途电路测量与前馈”（mid-circuit measurement with feed-forward）的能力在现代量子硬件中正变得越来越普遍，尤其因为它对于纠错至关重要。虽然目前测量一个粒子的时间比执行一个简单门操作的时间要长，但作者认为，随着硬件的改进，这种延迟将会缩减。他们的工作为如何高效加载数据提供了具体的蓝图。通过证明确定性地解开辅助粒子是可能的，他们消除了一个此前迫使科学家必须在速度和准确性之间做出选择的主要障碍。其结果是一个多功能的工具包，允许研究人员构建既足够复杂以发挥作用、又足够浅层以具备实用性的量子电路，为未来更复杂的量子应用铺平了道路。

技术摘要：低深度基于测量的确定性量子态制备

问题陈述
量子态制备是处理量子或经典数据（特别是量子机器学习应用）的基本前提，因为在这些应用中，低效的数据加载可能会抵消潜在的量子优势。准备一个任意的 $n$ 位量子态（编码一个 $2^n$ 维向量）通常需要电路深度随 $n$ 指数级增长，如果不对辅助比特（ancilla qubits）进行使用。虽然近期的研究探索了电路深度（时间）与辅助比特数量（空间）之间的权衡，但现有的最优策略往往会导致数据比特与辅助寄存器保持纠缠，或者依赖于需要重复执行以获得高成功概率的概率性协议。目前的挑战在于寻找一种既能实现低电路深度，又能使数据与辅助比特完全解纠缠的确定性方法。

方法论
作者基于 Araujo 等人提出的分治算法进行构建，该算法通过使用受控交换（CSWAP）门递归地组合较小的状态来构造任意状态。然而，原方法会导致辅助寄存器与数据保持纠缠。

这项工作的核心贡献是一个基于测量的解纠缠协议，使整个过程变为确定性的。其方法论如下：

二叉树表示： 目标状态被表示为一个二叉树，其中节点对应于由旋转角（ $\alpha_f$ ）定义的单比特状态。算法从叶子节点（单比特状态）向上遍历至根节点。
状态组合： 在每一层 $k$ ，两个 $(k-1)$ 比特的状态通过 CSWAP 门与一个控制比特进行组合。这创造了一个数据比特与辅助寄存器纠缠的叠加态。
通过测量进行解纠缠： 为了移除纠缠，作者提出在特定的基底 $\{|+\rangle, |-\rangle\}$ ${∣ + ⟩, ∣ - ⟩}$ 中测量辅助寄存器，该基底构造时保持了数据分量的相对振幅不变。
- 基底态定义为 $|\pm\rangle = (|\phi_0\rangle \pm |\phi_1\rangle) / \sqrt{2(1 \pm \langle\phi_0|\phi_1\rangle)}$ ，其中 $|\phi_0\rangle$ 和 $|\phi_1\rangle$ 是辅助寄存器中的状态。
- 遵循 Walgate 等人的协议，这些多比特测量被分解为一系列带有经典前馈（classical feed-forward）的单比特测量。
- 根据测量结果，对控制比特施加一个条件性的单比特相位校正（Z 门）以恢复所需的态。
混合“结合与征服”（Combine-and-Conquer）方法： 作者引入了一个灵活的框架，可以将分治法与其他编码技术（例如时间编码或 Grover-Rudolph）结合使用，用于大小为 $\lambda$ 的子树。这允许对电路深度和比特数量之间的权衡进行调节。

关键结果与资源量化
论文为所提出的方法提供了精确的非渐近资源计算：

电路深度： 总电路深度按 $\Theta(n^2)$ 缩放。具体而言，深度计算为 $d(n) = \frac{1}{2}(n^2 + 3n - 2)$ 。这是通过尽可能并行地执行 CSWAP 操作和随后的解纠缠测量实现的，操作之间存在一个时间步长的延迟。作者指出，虽然最优策略可以实现 $\Theta(n)$ 深度，但那需要 $\Theta(2^n/n)$ 个辅助比特。
比特数量： 该方法需要 $\Theta(2^n)$ 个辅助比特。在标准实现中，总比特数为 $2^n - 1$ 。然而，通过在解纠缠后重置并复用比特，该需求可以减少到 $3 \times 2^{n-2}$ 。
时空分配（Spacetime Allocation）： 使用 Gui 等人引入的度量（即活跃比特数与时间步长的乘积之和），该协议实现了 $\Theta(2^n)$ 的缩放。作者指出这是最优的。
经典计算成本： 计算必要的旋转角和解纠缠测量基底会产生一次性的 $O(n^2 2^n)$ 经典成本。
确定性： 与以往基于测量的概率性方法不同，该方法是确定性的。无论测量结果如何，通过经典前馈和相位校正都能恢复目标态。

意义与主张
作者声称，这项工作通过将分治法的低深度优势与解纠缠辅助比特的必要性相结合，为现有的量子态制备算法提供了一个独特的替代方案。

最优性： 时空分配被认为是具有最优性的（ $\Theta(2^n)$ ），符合此类协议的理论下界。
通用性： “结合与征服”框架允许用户在纯时间编码（高深度、低空间）和纯分治法（低深度、高空间）之间进行插值，从而提供一个基于硬件约束的可调权衡。
实用性： 论文强调，对于近期的应用，精确的资源计数（而非仅仅是渐近缩放）至关重要。该方法为任何 $n$ 下的深度和比特数提供了精确公式。
硬件相关性： 该协议依赖于中途测量（mid-circuit measurements）和经典前馈。作者指出，虽然目前的测量时间比门操作时间长，但动态电路正日益普及且是量子纠错的核心，这使得该方法非常及时。

论文总结道，尽管经典开销显著，但该方法为准备任意量子态提供了一条严谨的、确定性的路径，具有最优的时空效率，特别适用于辅助比特充足但必须最小化电路深度的场景。

类似论文