Double-bracket quantum algorithms for thermal state preparation

本文提出了双括号热场双态（DB-TFD）算法，该算法利用双括号技术在热场双态上高效地模拟虚时演化，旨在为准备热态以及在近即时和早期容错量子计算阶段增强量子玻尔兹曼机的性能。

要点

想象一下，你正试图烘焙出一块完美的面包。在量子物理世界中，这种“完美的面包”被称为热态（或吉布斯态）。它代表了一个由原子组成的系统在特定温度下的行为方式。掌握这种状态对于模拟材料、解决复杂的优化难题，甚至训练人工智能都至关重要。

然而，烘焙这种“量子面包”是非常困难的。传统方法要么速度太慢，要么需要尚未存在的计算机（即完美的、无误差的“容错型”机器），或者会陷入“贫瘠高原”（barren plateau）——在那里，由于指令变得过于模糊，配方会直接放弃。

本文作者提出了一种名为 DB-TFD（双括号热场双倍态）的新配方。以下是通过简单的类比对该方法的解释：

1. 魔镜：热场双倍态 (Thermofield Double States)

通常，为了获得一个热态，你必须直接模拟一个混乱、高温的系统。作者使用了一个巧妙的技巧，称为热场双倍态 (TFD)。

把你想模拟的系统想象成墙上的一个影子。为了让影子准确，你不能只盯着墙看；你要在墙的另一侧创造一个物体的完美镜像。

• 在他们的方法中，他们创造了一个“镜像世界”（辅助系统），这个世界与真实系统完美地纠缠在一起。
• 他们从一个简单的、完美链接的状态开始（就像两只手紧握在一起）。
• 然后，他们对这对组合应用一个特殊的“冷却”过程。
• 一旦过程完成，如果你忽略镜像世界，只观察真实系统，那么真实系统就会自动处于你想要的完美热态。

2. 冷却过程：虚时演化 (Imaginary-Time Evolution)

他们是如何冷却系统的呢？他们使用了所谓的虚时演化。

• 想象你正在试图抚平一张皱巴巴的纸。如果你缓慢地用手抚过它，褶皱就会消失，纸张变得平整。
• 在量子力学中，让一个系统经历“虚时”就像是用手抚过量子态。它能自然地抚平“高温”带来的能量波动，并将系统稳定到最稳定的热配置中。

3. 新工具：双括号算法 (Double-Bracket Algorithms)

棘手的部分在于，如何在不损坏纸张的情况下，在量子计算机上运行这种“抚平纸张的手”。作者使用了一套新工具，称为双括号算法。

这些算法可以被视为一种专门的雕刻工具包。

• 基础版 (The Vanilla Version)： 这就像使用凿子一步步凿掉岩石。它有效，但如果你需要雕刻一座很深的雕像（低温度），它需要极其繁多的步骤。研究表明，随着温度降低，这个版本会变得非常缓慢。
• 多项式版 (The Poly Version —— 全场焦点)： 这就像是使用 3D 打印机或模具。它不再是一粒一粒地凿除，而是使用一个数学上的“多项式”（一条华丽的曲线）来一次性近似整个冷却过程。
  • 文中声称这个“Poly”版本要快得多。旧方法在温度降低时，所需的步骤可能会呈指数级增长（比如 2, 4, 8, 16, 32...），而这种新方法所需的步骤仅随其难度的平方根增长。这是一个巨大的效率提升。

4. 为什么这很重要：“无需前提条件”的优势

许多先进的量子算法需要“辅助比特”（ancilla qubits）和复杂的“块编码”（将问题包裹在一个巨大的、复杂的盒子中）。这些就像是要求为了烤一个面包而必须配备一座大型工业工厂。

DB-TFD 方法之所以特别，是因为：

• 它不需要额外的辅助比特（ancillas）。
• 它不需要复杂的包装。
• 它直接作用于系统本身。

这使得它非常适合我们现在（或很快就会拥有）的量子计算机，因为这些计算机规模较小且容易出错。

5. 测试面包：量子玻尔兹曼机 (Quantum Boltzmann Machines)

为了证明他们的配方有效，作者用它来训练了一个量子玻尔兹曼机。

• 把它想象成一个学习识别模式的 AI（比如区分猫和狗，或者识别特定的形状）。
• 为了学习，AI 需要从热态中进行采样。
• 作者将他们的 DB-TFD 方法与旧有的“变分”方法（类似于通过试错法来猜测配方）进行了对比。
• 结果： 他们的这种新方法学习得更快，且产生了更好的结果，尤其是在“测量次数”（检查烤箱的次数）有限的情况下。它更高效，且不易受到噪声的影响。

总结

本文介绍了一种通过使用“镜像世界”技巧和一种称为“双括号算法”的新雕刻技术来制备量子热态的新方法。

• 问题： 现有方法要么太慢，要么需要我们尚未拥有的硬件。
• 解决方案： 一种名为 Poly DB-TFD 的方法，它利用数学曲线来近似冷却过程。
• 优势： 在低温度下，它比以往的方法显著更快，并且可以在现有的、不完美的量子硬件上运行，而无需额外的辅助比特。
• 证明： 他们在 AI 学习任务中测试了该方法，发现其表现优于现有方法，尤其是在数据存在噪声时。

简而言之，他们找到了一种更快、更简单的方法来烘焙用于模拟和 AI 所需的“量子面包”，而且这种方法使用的工具就在今天的厨房台面上，而不是在等待未来的工业工厂。

技术摘要

技术摘要：用于热态制备的双括号量子算法

问题陈述
制备热态（吉布斯态）$\rho(\beta) = e^{-\beta H_s}/Z(\beta)$ 是量子物理学中的一项基本任务，在多体物理、高能物理、优化和机器学习领域具有广泛应用。然而，为通用的多体哈密顿量制备这些状态在计算上具有挑战性。对于量子方法而言，在低温极限下该问题是 QMA-hard 的；对于经典自旋玻璃而言，则是 NP-hard 的。现有的量子算法面临显著的权衡：

• 容错方法（例如 Lindbladian 模拟、通过块编码进行的虚时演化）提供了严格的复杂度保证，但需要复杂的原语，如块编码和算符线性组合（LCU），这使得它们在当前硬件上难以实现。
• 近期的变分方法（例如变分量子虚时演化，VarQITE）对于小规模系统是可行的，但受到基本问题的困扰，如贫瘠高原（barren plateaus）、局部极小值以及量子测量问题，导致其在嘈杂中规模量子（NISQ）设备上的实际效用存在不确定性。

因此，需要一种能够在中间阶段有效运行的非变分方法，以弥合近期约束与容错需求之间的差距。

方法论：双括号热场双倍态 (DB-TFD)
作者提出了 DB-TFD，一种通过模拟**热场双倍态（Thermofield Double, TFD）**来制备热态的量子算法。TFD 态 $|TFD(\beta)\rangle$ 是定义在倍增希尔伯特空间（$H_{sys} \otimes H_{aux}$）上的热态的纯化态，使得对辅助子系统求迹后可得到目标吉布斯态。通过对最大纠缠态 $|TFD(0)\rangle$ 应用虚时演化来实现 $|TFD(\beta)\rangle$ 的制备。

其核心创新在于使用双括号量子算法来实现这种虚时演化，而无需辅助比特或后选择。该框架依赖于对称矩阵上的双括号流（double-bracket flow）微分方程来合成量子电路。论文引入了两种变体：

1. Vanilla DB-TFD：使用**双括号量子虚时演化（DB-QITE）**框架直接实现虚时演化。该方法使用一阶近似（群对易子）对双括号流进行离散化。一旦总演化时间和步数固定，它不需要对状态属性（能量/方差）进行中间测量。
2. Poly DB-TFD：采用双括号量子信号处理（DB-QSP），通过多项式变换来逼近指数算符 $e^{-\beta H/2}$。该方法利用了指数函数的低阶多项式逼近。与 Vanilla 变体不同，它需要在每次迭代时估计哈密顿量的能量和方差，以确定多项式的根和步长。

主要贡献与理论分析
论文对两种变体的查询复杂度（对哈密顿量演化和反射算符的 Oracle 调用次数）进行了严格的标度分析，假设目标精度为 $\epsilon$。总误差被分解为固有算法误差、乘积公式近似误差和统计抽样噪声。

• Vanilla DB-TFD 标度：实现所需的递归步数 $k$ 与逆温度 $\beta$ 成指数关系（具体为 $O(e^{\beta}/\epsilon)$）。这表明虽然该方法在概念上很简单，但由于一阶离散化误差的累积，在低温下效率较低。
• Poly DB-TFD 标度：通过利用指数函数的优化多项式逼近，所需的多项式阶数 $k$ 标度为 $O(\sqrt{\beta} \log(1/\epsilon))$。
• 收缩系数：分析的一个关键组成部分是收缩系数 $A(k)$，它控制着乘积公式误差的累积。作者定义了一个“实际机制（practical regime）”，在该机制下 $A(k)$ 呈亚多项式增长（例如 $A(k) \in O(k^c)$）。在此机制下，Poly DB-TFD 的总查询复杂度 $N_{tot} \in \exp(\tilde{O}(\beta, \log(1/\epsilon)))$。这种标度与目前最好的容错方法（例如基于块编码的方法）相当，但避免了它们沉重的资源开销（辅助比特、复杂的跳跃算符）。
• 统计噪声：虽然 Poly DB-TFD 需要估计能量和方差，但作者表明，抑制统计噪声所需的资源是次要的，其成本低于乘积公式近似的成本。数值模拟表明，与最坏情况下的解析界限相反，在实践中误差累积并不会随步数增加而呈指数增长。

结果与数值验证
作者通过在一维量子模型（XXZ 模型、横场伊辛模型 TFIM 和海森堡模型）上的数值模拟验证了其理论界限。

• 标度验证：对于高达 $n=10$ 个量子比特（倍增为 20 个）的系统，模拟确认查询复杂度随 $\beta$ 指数级增长（具体为 $\sim e^{O(\beta)}$），这与针对实际机制的理论预测一致。
• 生成模型应用：论文展示了 DB-TFD 在训练用于生成建模的**量子玻尔兹曼机（QBM）**方面的效用。目标是最小化目标分布与模型吉布斯态之间的量子相对熵。
  • 对比 VarQITE 的性能：在无噪声设置下，具有较小递归深度（$k=5$）的 Poly DB-TFD 在各种任务（XXZ、Bernoulli、Bar-and-Stripes）中表现优于或等同于 VarQITE。
  • 对抽样噪声的鲁棒性：在存在抽样噪声的情况下，Poly DB-TFD 显著优于 VarQITE。VarQITE 的性能会随着测量样本数的减少而大幅下降，而 DB-Tፈላ 保持了稳定的性能，表明其测量效率更高。
  • 去极化噪声：VarQITE 对去极化噪声（门误差）表现出比 DB-TFD 更强的鲁棒性，这可能是由于变分拟设的固定电路深度与 DB-TFD 理论上指数增长的深度之间的差异造成的。然而，作者指出在实践中，仅需非常小的 $k$ 值即可满足 DB-TFD 的需求，从而减轻了这一开销。

意义与主张
论文声称，DB-TFD 为后期近期阶段及早期容错阶段的热态制备建立了一条有前景的路径。

• 资源效率：通过避免辅助比特和复杂的原语（如块编码），DB-TFD 更适合连接性和门预算有限的设备。
• 非变分优势：作为一种非变分算法，它避免了变分方法固有的训练问题（如贫瘠高原）。
• 实际可行性：指数级查询复杂度标度（匹配最先进的容错方法）与对抽样噪声的鲁棒性相结合，表明 Poly DB-TFD 可以通过相对较浅的电路和较少的迭代实现高质量的热态制备，使其在当前及未来的硬件上具有可行性。

作者总结道，虽然如果收缩系数呈指数增长，理论上的最坏情况标度可能是双指数级的，但针对物理驱动模型的数值证据支持了存在一个使算法高效的“实际机制”。未来的工作需要为更广泛的哈密顿量类严格证明这些标度特性，并比较不同基本门集下的查询复杂度。