⚛️ quantum physics

Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements

本文提出了一种名为主动采样样本量子对角化（AS-SQD）的新算法，该算法将样本量子对角化构建为主动学习问题，利用基于 Epstein-Nesbet 二阶微扰理论的采集函数从有限次测量中智能选择基态，从而在含噪声和激发态污染的条件下，高效且鲁棒地估算量子系统的基态能量。

原作者： Rinka Miura

发布于 2026-03-17

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Rinka Miura

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

这篇论文介绍了一种名为 AS-SQD（主动采样基于样本的量子对角化）的新方法。为了让你轻松理解，我们可以把寻找量子系统的“最低能量状态”（也就是最稳定的状态，比如分子最稳定的结构）想象成在茫茫大海中寻找最平静的港湾。

1. 背景：为什么我们需要新方法？

想象你是一位船长，你的任务是找到一片海域中最平静、风浪最小的地方（这就是“基态能量”）。

旧方法（VQE）的困境：以前的方法就像是你派出一艘小船，试图测量每一寸海水的波动。但这需要测量无数次（“有限次射击”），而且你的船本身有点漏水（“噪声”），甚至可能一开始就漂到了稍微有点风浪的地方（“激发态污染”）。结果就是，你很难算出真正的最平静点在哪里。
SQD 方法（样本对角化）的尝试：另一种思路是，你不需要测量整片海。你只需要收集一些你看到的“波浪样本”（测量到的比特串），然后把这些样本拼凑起来，画出一张局部的海图，再在这张局部海图上计算哪里最平静。
- 问题：如果你只画了很小一块区域（样本太少），或者你一开始就画错了方向（样本被污染了），你算出来的“最平静点”就会离真相很远。
- 盲目扩展的弊端：如果你为了画更准的图，开始随机地往海图四周添加新的区域（随机探索），就像在迷宫里乱撞。随着海域变大（量子比特增多），这种乱撞效率极低，你会浪费大量时间画那些根本无关紧要的“死胡同”。

2. 核心创新：AS-SQD（主动采样）

这篇论文提出的 AS-SQD 就像是一位拥有“第六感”的超级导航员。它不再随机乱撞，而是利用物理学原理（微扰理论）来智能地决定下一步该画哪块区域。

核心比喻：寻找“最有价值的拼图碎片”

想象你正在拼一幅巨大的拼图（量子系统），但你手里只有几块碎片（初始测量样本）。

普通做法：随便从旁边的盒子里抓几块拼上去，看看能不能拼好。
AS-SQD 的做法：它会先看看手里现有的拼图，然后问自己：“哪一块新的拼图，如果拼上去，能让整幅图最接近完美的画面？”

它使用了一个叫做 Epstein-Nesbet 微扰理论 的“评分公式”来给每一块候选拼图打分。这个公式主要看两点：

连接强度：这块新拼图和现有的图块“咬合”得紧不紧？（物理上指：新状态与当前状态的耦合强度）。
能量距离：这块新拼图本身的“能量”是不是离我们要找的低谷很近？

只有那些既能紧密连接现有画面，又能显著降低整体“风浪”（能量）的拼图，才会被选中加入。

3. 这个方法好在哪里？

论文通过实验（在模拟的量子计算机和真实的 IBM 量子芯片上）证明了 AS-SQD 的厉害之处：

像侦探一样精准：在样本很少、甚至样本被“污染”（混入了错误的信息）的情况下，AS-SQD 依然能迅速锁定真正的“最平静港湾”。
抗噪能力强：真实的量子计算机充满了“噪音”（就像海面上有随机的大浪）。AS-SQD 的评分机制非常聪明，那些因为噪音产生的“假拼图”（错误的比特串），因为无法与主图紧密连接或能量太高，会被自动忽略。它不需要额外的复杂纠错技术，就能自动过滤掉大部分噪音。
效率极高：面对巨大的量子系统（比如 16 个量子比特，组合数高达 6 万多），盲目探索需要看遍所有角落，而 AS-SQD 只盯着最有希望的方向看，大大节省了计算资源。

4. 总结

简单来说，AS-SQD 就是给量子计算装上了一个智能的“探照灯”。

在资源有限（只能测几次）、环境嘈杂（机器有误差）的情况下，它不再盲目地到处乱看，而是利用物理学的智慧，只照亮那些最有可能揭示真相的方向。这使得我们即使使用目前还不完美的量子计算机，也能更准确、更快速地计算出复杂的分子或材料的性质。

一句话概括：
这就好比在迷雾中找宝藏，别人是蒙着眼乱跑，而 AS-SQD 是拿着一个能感应宝藏磁场的指南针，只往最有希望的方向走，既快又准。

论文技术总结：基于主动采样的样本量子对角化 (AS-SQD)

1. 研究背景与问题定义

背景：
近期（Near-term）量子设备（NISQ）面临三大核心限制：

有限采样（Finite-shot）： 测量结果仅为有限次数的计算基态比特串（bitstrings），而非完整的波函数。
状态不完美： 制备的量子态通常不纯，包含激发态污染（excited-state contamination）。
无法全矩阵访问： 无法直接获取完整的哈密顿量矩阵，只能通过测量 Pauli 项来估算。

核心问题：
在仅拥有从含噪、不完美量子态中采样的有限比特串，以及哈密顿量的 Pauli 字符串描述的情况下，如何构建一个低维子空间，以高效、准确地估计基态能量 $E_0$ ？

现有的**基于样本的量子对角化（Sample-based Quantum Diagonalization, SQD）**方法通过限制哈密顿量到观测到的基态张成的子空间并经典对角化来求解。然而，传统的 SQD 存在两个主要缺陷：

偏差严重： 仅依赖初始采样子空间，在有限采样和激发态污染下，容易遗漏重要的基态分量，导致能量估计偏差大。
扩展低效： 盲目地扩展子空间（如随机添加相连的基态）效率低下，随着系统规模增大，计算资源会浪费在无关方向上，无法克服希尔伯特空间的组合爆炸。

2. 方法论：主动采样样本量子对角化 (AS-SQD)

本文提出了一种名为 AS-SQD 的自适应算法，将子空间扩展问题重构为**主动学习（Active Learning）**问题。其核心思想是利用微扰理论指导，智能地选择哪些额外的计算基态应被纳入子空间，以最大程度地降低基态能量估计误差。

核心算法流程

AS-SQD 采用迭代策略：

初始化： 从测量数据中选择频率最高的 $K$ 个比特串作为初始子空间 $S$ 。
对角化： 在子空间 $S$ 上构建受限哈密顿量 $H_S$ 并求解，得到近似基态 $|\psi_S\rangle$ 和能量 $E_S$ 。
候选生成： 找出与当前子空间 $S$ 中状态通过哈密顿量 $H$ 相连的候选基态集合 $C(S)$ 。
评分与选择（关键创新）： 利用基于 Epstein-Nesbet (EN) 微扰理论 的采集函数（Acquisition Function）对候选状态进行评分，选择得分最高的 $B$ 个状态加入 $S$ 。
重复： 重复上述步骤直到达到迭代次数或收敛。

采集函数设计

AS-SQD 使用 Epstein-Nesbet 二阶能量修正作为评分标准。对于候选基态 $|k\rangle$ ，其得分 $a(k)$ 定义为：
$a(k) = \frac{|\langle k|H|\psi_S\rangle|^2}{|E_S - H_{kk}|}$
其中：

分子 $|\langle k|H|\psi_S\rangle|^2$ 表示候选态与当前近似基态的耦合强度。
分母 $|E_S - H_{kk}|$ 表示能量失谐量（能级差）。

该评分函数有效地平衡了耦合强度与能量接近度。算法优先选择那些与当前波函数耦合强且能量接近的基态，从而在物理上最相关方向上集中计算资源。

计算效率优化

利用 Pauli 字符串的稀疏性，仅计算非零矩阵元素。
在计算耦合项时，仅对当前子空间中系数 $|c_j|^2$ 较大的主导分量求和，进一步降低计算成本。
子空间大小 $m$ 被严格控制在远小于希尔伯特空间维度 $2^n$ 的水平，使得经典对角化复杂度 $O(m^3)$ 可控。

3. 关键贡献

提出 AS-SQD 框架： 首次将样本量子对角化建模为主动学习问题，解决了有限采样和状态污染下的子空间选择难题。
物理引导的采集函数： 引入基于 Epstein-Nesbet 微扰理论的评分机制，替代了低效的随机扩展或启发式扩展，显著提高了样本效率。
抗噪鲁棒性： 证明了该方法对真实硬件噪声（SPAM 误差、门保真度误差）具有内在的鲁棒性。采集函数能自动给受噪声影响的高能态赋予低分，从而在无需经典误差缓解技术（如零噪声外推）的情况下过滤噪声。
可扩展性验证： 在多达 16 量子比特（希尔伯特空间维度达 65,536）的无序海森堡链和横场伊辛模型上进行了验证，并成功在 IBM Quantum 真实硬件上运行。

4. 实验结果

模拟环境测试（含污染采样）

模型： 无序海森堡链和横场伊辛模型（TFIM），系统规模 $n=8$ 至 $16$。
设置： 模拟 80% 基态 + 20% 第一激发态的混合分布，采样数 $N_{shots}=2000-3000$ 。
结果：
- 在 $n=8$ 时，随机扩展和 AS-SQD 表现相近。
- 随着 $n$ 增大（ $n \ge 10$ ），标准 SQD 误差急剧上升，随机扩展效率低下。
- AS-SQD 表现卓越： 在所有系统规模下，AS-SQD 的中位绝对能量误差显著低于标准 SQD 和随机扩展。即使在 $n=16$ 时，仍能保持极低的误差，成功避开了组合爆炸瓶颈。

真实硬件验证（IBM Quantum）

设置： 使用 ibmq_pittsburgh 处理器，直接获取受 SPAM 误差和退相干影响的比特串。
结果：
- 在 $n=8$ 时，AS-SQD 成功过滤硬件噪声，将能量误差降低至 $\sim 10^{-14}$ （接近机器精度），准确识别出基态子空间。
- 在所有测试的硬件规模上，AS-SQD 均大幅优于基准方法，证明了其在真实噪声环境下的有效性。

消融实验 (Ablation Study)

耦合项主导： 仅使用分子（耦合强度）的评分策略表现与完整 EN 分数相当，说明耦合强度是导航希尔伯特空间的主要物理指南。
分母/对角项次要： 仅使用分母（能量差）或对角能量评分效果较差。
搜索范围： 限制候选态为"1-hop"（直接相连）比扩展到"2-hop"收敛更快，说明严格的 1-hop 限制作为一种归纳偏置（Inductive Bias）是有益的。

5. 意义与展望

科学意义：

NISQ 时代的通用原则： AS-SQD 展示了在严格采样约束下，利用物理导出的采集函数（Physics-derived acquisition functions）来决定“下一步获取什么信息”是量子 AI 的一种有效范式。
无需全态层析： 提供了一种从有限、含噪测量数据中恢复低能物理性质的实用途径，无需昂贵的全态层析或完整的哈密顿量测量。
内在误差缓解： 证明了基于微扰理论的子空间选择本身具有过滤硬件噪声的能力，为未来设计抗噪量子算法提供了新思路。

局限与未来工作：

当前基准测试依赖于经典精确对角化生成数据。
当 $E_S \approx H_{kk}$ 时存在数值不稳定性，需正则化。
未来方向包括：自适应测量分配、结合多臂老虎机（Bandit）策略优化预算、以及应用于分子电子结构哈密顿量。

总结：
AS-SQD 通过引入物理感知的主动学习机制，成功解决了 NISQ 设备在有限采样和状态污染下基态能量估计的难题，显著提升了样本效率和抗噪能力，是连接量子测量数据与经典计算能力的重要桥梁。