Faster matrix product state preparation by exploiting symmetry-induced… — 通俗解释

想象你正在建造一座庞大而复杂的乐高城堡。在量子物理世界中，这座城堡代表一个复杂分子或材料的量子态。为了在量子计算机上模拟这一状态，科学家们使用一种称为**矩阵乘积态（MPS）**的蓝图。可以将 MPS 想象成一长串乐高积木，其中每一块积木都包含如何连接到下一块的具体指令。

问题在于，对于大型系统，这些蓝图会变得极其庞大且杂乱无章。如果你试图将这份蓝图加载到量子计算机中，它将消耗巨大的时间和能量（具体来说，是一种称为托福利门的数字“燃料”）。

以下是本文作者利用简单类比解决该问题的方法：

1. 隐藏的顺序（对称性）

在许多化学系统中，存在着严格的自然法则，例如“不能凭空创造或消灭粒子”或“自旋必须守恒”。在物理语言中，这些被称为对称性。

当你审视这些系统的乐高蓝图（即 MPS）时，会发现一个有趣的现象：它并非随机的混乱。它具有隐藏的结构。由于自然法则禁止某些连接，大部分指令都是空白或为零的。这份蓝图是块稀疏的。

类比：想象一张巨大的电子表格，其中 90% 的单元格是空的，因为规则规定这些组合是不可能的。数据仅存在于特定、孤立的单元格“块”中。

2. 旧方法：搬运整辆卡车

以前，当科学家想要将这份蓝图加载到量子计算机中时，他们将其视为一个致密、实心的块。尽管大部分数据是空的，他们仍不得不处理整个网格，包括所有的零。

类比：这就像试图搬运一个装满盒子的仓库，但其中 90% 的盒子是空的空气。你仍然需要驾驶卡车、支付燃料费用并雇佣司机来搬运这些空的空间。这极其低效。

3. 新技巧：重新布置家具

作者发现了一种巧妙的方法来利用这些空白空间。他们意识到，由于数据是按特定“块”组织的，他们可以重新布置家具。

他们使用数学上的“置换”（交换行和列）来打乱蓝图。

神奇的一步：通过打乱行和列，他们可以将那些分散、孤立的数块完美地排列在矩阵的对角线上。
类比：想象你有一个玩具散落各处的凌乱房间。与其打扫整个房间，你发现所有玩具实际上都位于特定的堆中。你只需将这些堆推到一起，形成整齐的一排。现在，你不必打扫整个房间，只需清理那一排整齐的玩具即可。

4. 结果：工作量大幅减少

一旦数据被排列在这些整齐的“块”中，量子计算机就不再需要处理整个巨大的矩阵。它只需要处理最大的单个块。

回报：作者表明，通过这种重新排列，他们可以将制备该状态所需的“燃料”（托福利成本）减少10 到 30 倍。
类比：与其驾驶一辆 50 吨的卡车来搬运几个盒子，他们意识到只需使用一辆小型皮卡即可。他们节省了巨大的燃料。

5. 针对实数的额外技巧

本文还提到，许多化学系统使用的是“实数”（更简单的数学）而非复数。作者调整了他们的方法以利用这一点，使得在这些特定情况下，过程甚至更快（大约提高了 1.4 倍，即 $\sqrt{2}$ 倍）。

总结

简而言之，本文指出：“我们发现，量子化学模拟的蓝图由于自然法则而充满了空白空间。与其忽略这一点并处理所有内容，我们重新排列了数据，将有用部分聚集在一起。这使得我们能够大幅缩小工作量，从而在量子计算机上制备这些状态变得更加经济、快速。”

作者在真实的分子系统（如酶和铁硫簇）上测试了该方法，并证实该方法比当前的标准方法显著更高效。

技术摘要：利用对称性诱导的块稀疏性加速矩阵乘积态制备

问题陈述
矩阵乘积态（MPS）是模拟化学和凝聚态物理中量子系统的主要工具，特别是用于寻找局部一维有隙哈密顿量的基态。在量子计算机上制备这些态是量子相位估计（QPE）等算法的关键步骤。虽然标准的容错制备方法已经存在（例如辅助量子比特辅助的线性深度方法），但它们通常将 MPS 张量视为稠密矩阵。然而，许多感兴趣的物理系统具有 $U(1)$ 对称性（粒子数和自旋投影守恒），这会在 MPS 张量中诱导块稀疏结构。经典算法如密度矩阵重整化群（DMRG）利用这种稀疏性来提高效率，但标准的量子制备电路并未充分利用它，导致资源成本（特别是 Toffoli 门计数）高于必要水平。

方法论
作者提出了一种通过变换底层幺正操作为块对角形式来降低块稀疏 MPS 制备成本的方法。该方法建立在标准的辅助量子比特辅助制备方案之上，即通过一系列幺正算符 $U_i$ 来制备 MPS。

利用块稀疏性：
具有全局阿贝尔对称性的系统的 MPS 张量 $M_i$ 是块稀疏的。作者证明，由张量块转置堆叠而成的矩阵 $U'_i$ 继承了这种结构，其中每个块行和块列仅包含一个非零块。
- 置换策略： 该方法采用行和列置换矩阵（ $P_r$ 和 $P_c$ ）来重新排列 $U'_i$ 的非零块。
- 块对角化： 通过在幺正扩展 $U_i = [U'_i \mid \ast]$ 中未指定的条目（记为 $\ast$ ）填充互补的矩形块，将矩阵转换为块对角幺正矩阵 $V$ 。这使得 $U_i$ 的合成可以分解为更小、独立的幺正块的合成，而不是单个大型稠密幺正矩阵的合成。
优化的幺正合成：
块对角幺正矩阵使用吉文斯旋转（Givens rotations）进行合成。
- 实值优化： 作者修改了 Berry 等人 [8] 的幺正合成方法。对于这些系统中常见的实值幺正矩阵，他们证明了所需的 Toffoli 门数量可以减少 $\sqrt{2}$ 倍。这是通过使用仅包含 $R_y$ 旋转（去除 $R_z$ 门）的吉文斯层表示并利用相位梯度框架来实现的。
- 层对齐： 为了高效合成完整的块对角矩阵，作者对齐了各个块的吉文斯旋转层。他们使用带有符号翻转校正的 QROAM（量子随机存取存储器）来处理将原始基变换到块对角基所需的置换矩阵（ $W$ 和 $Q$ ），确保成本保持在可控范围内。

主要贡献

块对角变换： 一种新颖的过程，通过行/列置换和策略性地填充幺正扩展，将块稀疏 MPS 张量转换为块对角幺正矩阵。这将合成成本的决定因素从总键维数转变为最大块的大小。
实值幺正矩阵的 $\sqrt{2}$ 加速： 对 Berry 等人幺正合成算法的修改，通过消除不必要的 $R_z$ 旋转，将实值幺正矩阵的 Toffoli 成本降低了 $\sqrt{2}$ 倍。
资源基准测试： 在 Qualtran 框架内实现该算法，并对各种分子系统（包括 P450 酶的活性空间和铁硫簇）进行严格的资源估算。

结果
在具有不同键维数和自旋态的强关联分子系统（如 P450、[Fe $_2$ S $_2$ ]、[Fe $_4$ S $_4$ ]）上的数值基准测试显示出显著改进：

Toffoli 成本降低： 与最先进的稠密制备方法（无论是否包含实值优化）相比，所提出的方法实现了10 到 30倍的 Toffoli 成本改进因子。
与稀疏性的相关性： 在键维数较高且张量中非零条目密度较低的系统里，加速效果最为显著。作者指出，实现的加速大约是理论最大值（即张量密度倒数的 $\sqrt{2}$ 倍）的一半，这表明在分块步骤中仍有进一步优化的空间。
量子比特开销： 置换电路引入的成本与单层幺正合成相当，相对于总节省量而言是可控的。

意义与主张
本文主张，利用对称性诱导的块稀疏性是在容错量子计算机上提高端到端基态能量估计效率的关键步骤。

与 QPE 的相关性： 最近的算法进展降低了 QPE 中相位估计部分的成本，缩小了其与初始态制备成本之间的差距。通过显著降低 MPS 制备成本，这项工作使得使用更高质量的初始态（具有更大的键维数）成为可能，而不会产生过高的资源开销。
经典与量子的整合： 这项工作充当了经典模拟技术（已利用块稀疏性）与量子模拟之间的桥梁，确保量子资源估算能够反映目标系统的物理对称性。
未来方向： 作者建议，可以通过优化分块步骤本身或调整方案以适应自旋适配的$SU(2)$形式来实现进一步的改进。他们还强调，需要将这种直接的 MPS 制备与其他方法（如制备稀疏的斯莱特行列式之和或使用绝热/耗散技术）进行比较。

作者总结道，他们的方法是连接化学和凝聚态物理经典与量子模拟的不可或缺的一部分，为减少这些领域实现量子优势所需的总资源提供了一条具体途径。

Faster matrix product state preparation by exploiting symmetry-induced block-sparsity