⚛️ quantum physics

Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States

该论文提出了一种结合矩阵乘积态与硬件高效变分框架的混合方法，用于在数字量子处理器上高效制备一维和二维系统的量子热态，并通过大规模数值模拟及在 IBM Heron 处理器上的实验验证，展示了其在误差缓解下准确制备高保真度吉布斯态的能力。

原作者： Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

发布于 2026-04-17

📖 1 分钟阅读🧠 深度阅读

原作者： Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

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

这篇论文讲述了一个关于如何在量子计算机上“模拟”物质在特定温度下状态的突破性方法。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成**“用乐高积木搭建一个完美的微缩城市模型”**。

1. 背景：我们要解决什么难题？

想象一下，你是一位城市规划师（科学家），想要研究一座城市（量子系统）在**不同天气（温度）**下的样子。

低温（冬天）： 城市里的人（粒子）都冻得缩成一团，秩序井然，像冰一样。
高温（夏天）： 城市里的人到处乱跑，非常混乱，像沸腾的水。

在量子世界里，这种“城市状态”被称为吉布斯态（Gibbs State）。要研究新材料、优化算法或者训练量子 AI，我们都需要在计算机上模拟出这种状态。

难点在于：

太复杂了： 随着城市变大（粒子变多），可能的状态数量呈指数级爆炸，经典计算机算不过来。
量子计算机很“娇气”： 现在的量子计算机（NISQ 设备）就像是一个还没完全修好的乐高工厂，积木（量子比特）很容易掉（噪声），而且积木数量有限。直接模拟复杂的温度状态，积木不够用，或者搭着搭着就塌了。

2. 核心创新：两个“超级助手”的联手

为了解决这个问题，作者提出了一种**“混合双打”**的策略，结合了两种强大的工具：

助手 A：矩阵乘积态 (MPS) —— “聪明的绘图员”

比喻： 想象你要描述一个巨大的城市。如果要把每个居民的位置都画出来，图纸会大得惊人。但“绘图员”MPS 很聪明，它知道城市里大部分区域是相似的，或者只有局部在变化。它用一种压缩的、简化的方式来画图纸。
作用： 它能在经典计算机上快速计算出“熵”（混乱程度）。以前，要算这个“混乱度”需要把整个量子系统拆散了重新测量，非常慢且昂贵。现在，MPS 像是一个高效的计算器，帮我们省去了最麻烦的测量步骤。

助手 B：硬件高效 Ansatz (HEA) —— “灵活的积木搭建工”

比喻： 以前有一种搭建方法叫“热场双态（TFDA）”，它要求你必须准备两套完全一样的积木（物理粒子和辅助粒子），并且要把它们纠缠在一起。这就像为了模拟一个 10 人的城市，你得先造 20 个人的模型，太浪费资源了。
新方法（HEA）： 作者选用的这个“搭建工”非常灵活。它不需要那么多额外的积木（辅助粒子），而且它的搭建方式（电路结构）专门针对现有的量子计算机设计，层数少、连接简单，不容易出错。
关键发现： 作者发现，HEA 在“冬天”（低温）表现极佳，能精准地搭出秩序井然的城市；而旧方法在“夏天”（高温）还行，但在低温下就不行了。既然我们最关心的是低温下的新材料特性，HEA 就是更好的选择。

3. 实验过程：从模拟到实战

作者们进行了大规模的测试：

纸上谈兵（模拟）：
- 他们在经典计算机上模拟了长达 30 个格子的“一维城市”和 $6 \times 6$ 的“二维城市”。
- 结果： 即使城市很大，只要用 HEA 加上 MPS 绘图员，他们就能非常准确地算出城市的能量、磁性和比热容（就像算出城市的平均气温和居民活跃度）。特别是在低温下，结果几乎完美。
真枪实弹（硬件实验）：
- 他们把这套方法搬到了 IBM 的 156 量子比特 Heron 处理器上。
- 挑战： 真实的量子计算机有噪声，就像在狂风中搭乐高，积木容易乱飞。
- 对策： 他们使用了一种叫**“零噪声外推（ZNE）”**的魔法。
  - 比喻： 就像你想知道在完全无风的环境下搭出的乐高有多稳。你故意在风大一点、风更大一点的环境下搭几次，记录下结果，然后反向推算出“如果完全没有风”会是什么样。
- 成果： 经过这个“魔法”修正后，测量结果的误差减少了 50% 以上！他们成功地在真实的量子芯片上，模拟出了 30 个粒子的低温状态。

4. 总结与意义：为什么这很重要？

以前： 想要模拟低温下的量子物质，要么经典计算机算不动，要么量子计算机算不准（因为太复杂、太容易出错）。
现在： 作者发明了一套**“压缩图纸（MPS）+ 灵活搭建（HEA）+ 去噪魔法（ZNE）”**的组合拳。
比喻： 这就像我们终于找到了一种方法，可以用有限的乐高积木，在有风的环境下，依然能搭建出极其逼真且复杂的微缩城市模型，并且能准确预测它在冬天的样子。

这对未来的影响：
这意味着我们离利用量子计算机发现新型超导材料、优化复杂的物流网络、或者训练更强大的量子人工智能又近了一大步。它证明了，即使现在的量子计算机还不够完美，只要方法得当，我们依然可以解决很多以前无法解决的难题。

这是一份关于论文《Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States》（基于矩阵乘积态辅助的数字量子处理器变分热态制备）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：在有限温度下制备量子吉布斯态（Gibbs states）是量子计算和模拟的基石，广泛应用于多体系统模拟、量子玻尔兹曼机及组合优化。然而，制备低温度下的吉布斯态在计算上是困难的（QMA-hard），且现有的变分量子算法（VQA）面临巨大挑战。
主要瓶颈：
1. 熵的评估困难：变分吉布斯态制备通常通过最小化亥姆霍兹自由能 $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$ 来实现。其中能量项 $E(\rho)$ 易于通过量子测量获得，但冯·诺依曼熵 $S(\rho)$ 的评估通常需要资源密集型的量子态层析（tomography）或随机重构，这在含噪声中等规模量子（NISQ）设备上极不现实。
2. 可扩展性与精度：现有的变分方法（如基于热场双态 TFD 的方法）在处理大系统或低温时，往往受限于电路深度、测量开销以及优化景观的复杂性。
3. 硬件限制：当前的量子硬件存在噪声和退相干问题，深电路难以执行。

2. 方法论 (Methodology)

作者提出了一种基于矩阵乘积态（MPS）辅助的变分框架，旨在结合经典张量网络的高效性与量子硬件的表达能力。

核心思想：
- 纯化与 MPS 表示：利用热场双态（Thermofield Double, TFD）思想，将混合态 $\rho$ 纯化到更大的希尔伯特空间中的纯态 $|\psi\rangle$ （包含物理比特和辅助比特）。
- 经典模拟熵：不直接在量子硬件上测量熵，而是将参数化的量子电路输出的纯态 $|\psi(\theta)\rangle$ 映射为矩阵乘积态（MPS）。
- 自由能计算：
  - 在经典计算机上，利用 MPS 表示高效计算约化密度矩阵 $\rho$ 的冯·诺依曼熵 $S(\rho)$ （通过对物理 - 辅助比特的二分进行 Schmidt 分解）。
  - 能量 $E(\rho)$ 同样通过 MPS 与哈密顿量（表示为 MPO）的收缩计算。
  - 从而在经典侧完成自由能 $F(\theta)$ 的评估和优化，避免了对量子硬件进行昂贵的熵测量。
** Ansatz 选择与对比**：
- 论文对比了两种 Ansatz：热场双态 Ansatz (TFDA) 和 硬件高效 Ansatz (HEA)。
- TFDA：基于物理启发，适合高温，但在低温下需要极深的电路来“解纠缠”，且对长程纠缠门要求高，难以在现有硬件上扩展。
- HEA：专为 NISQ 设备设计，具有浅层电路和局部纠缠结构。研究发现 HEA 在低温区域表现优异，且对辅助比特数量更灵活（可少于物理比特数）。
- 结论：最终选择 HEA 作为主要 Ansatz，因为它更适合当前硬件且能高效制备低温态。
工作流程：
1. 初始化参数化量子电路（HEA）。
2. 在经典模拟器上构建 MPS 表示。
3. 计算自由能并更新参数（使用 COBYLA 优化器）。
4. 收敛后，将最优参数 $\theta^*$ 部署到量子硬件上制备状态并测量可观测量。

3. 关键贡献 (Key Contributions)

MPS 辅助的变分框架：首次将 MPS 技术深度集成到变分吉布斯态制备中，解决了 NISQ 时代熵评估的瓶颈问题，实现了大规模系统的经典模拟优化。
Ansatz 性能的系统性评估：通过小规模模拟详细对比了 TFDA 和 HEA，揭示了它们在温度依赖上的互补性（TFDA 适合高温，HEA 适合低温），并论证了 HEA 在低温多体系统制备中的优越性。
大规模数值模拟：
- 在 1D 横场伊辛模型（TFIM）中成功模拟了 30 个格点 的系统。
- 在 2D 方格晶格中模拟了 6×6 (36 个格点) 的系统。
- 使用了多达 44 个量子比特（36 物理 +8 辅助）的等效模拟。
真实硬件实验：在 IBM 156 量子比特的 Heron 处理器 (ibm_kingston) 上，成功制备了 30 个格点 1D TFIM 的近似吉布斯态，并测量了能量密度和磁化率。
误差缓解策略：在真实硬件实验中，结合**零噪声外推（ZNE）**技术，显著降低了测量误差。

4. 主要结果 (Results)

数值模拟精度：
- 能量密度：在低温（大 $\beta$ ）下，HEA 能高精度复现精确解（1D）或量子蒙特卡洛（QMC）结果（2D）。
- 磁化率与比热：磁化率估计在低温下表现良好，但在中间温度（ $\beta \approx 1$ ）存在偏差，这归因于算子的长程性质。比热（Specific Heat）由于涉及更高阶的局域性（4-local 算子）和能量方差，估计误差较大，对状态制备质量更敏感。
- 两点关联函数：HEA 在低温下能很好地捕捉长程关联，但在高温下难以捕捉关联的快速衰减，显示出 Ansatz 在表达高温复杂混合态时的局限性。
硬件实验结果：
- 在 30 格点 TFIM 上，未进行误差缓解时，能量和磁化率的相对误差分别约为 11.4% 和 38.9%。
- 应用 ZNE（零噪声外推） 后，相对误差分别降低至 5.6% 和 19.1%，相比未缓解结果降低了 50% 以上。
- 证明了即使在没有纠错的情况下，结合经典辅助优化和误差缓解，也能在现有硬件上获得具有物理意义的热态。

5. 意义与展望 (Significance)

可扩展性突破：该方法通过经典 MPS 模拟优化，绕过了量子硬件上直接计算熵的困难，使得在 NISQ 设备上模拟更大规模（>30 格点）的有限温度量子系统成为可能。
硬件友好性：证明了浅层、硬件高效的 Ansatz（HEA）结合经典后处理，是制备低温热态的可行路径，特别适合当前受限于连通性和深度的量子处理器。
物理洞察：研究揭示了不同可观测量（如能量 vs. 磁化率 vs. 比热）对 Ansatz 表达能力的敏感度差异，特别是长程关联算子在噪声环境下的脆弱性。
未来方向：
- 改进 Ansatz 以更好地处理中间温度区域（ $\beta \sim 1/\Delta$ ）。
- 探索结合张量网络结构的 Ansatz（如 MERA 启发式）。
- 利用张量网络层析技术直接从硬件测量数据重构吉布斯态，进一步减少经典模拟深电路的需求。

总结：该论文提出了一种混合量子 - 经典策略，利用 MPS 高效计算熵，成功在经典模拟和真实量子硬件上实现了大规模一维和二维系统的吉布斯态制备。这不仅验证了变分量子算法在热力学模拟中的潜力，也为解决 NISQ 时代的熵评估瓶颈提供了切实可行的方案。