Solution of the Equation-of-Motion Phonon Method eigenvalue problems on the D-Wave quantum annealer

本文提出了一种结合量子退火与经典缺陷化方法的混合量子-经典算法，用于在 D-Wave 量子硬件上迭代求解来自运动方程声子方法的大规模特征值问题，展示了近期待用量子设备在核多体理论中的潜力与当前的局限性。

要点

想象一下，你正在试图解决一个巨大且极其复杂的谜题。在核物理的世界里，这个谜题就是弄清楚质子和中子（核子）在原子核内部是如何行为的。这个谜题的“碎片”排列在一个巨大的数学网格中，叫做哈密顿矩阵（Hamiltonian matrix）。核子越多，这个网格就越大，以至于即使是世界上最快的超级计算机也难以在合理的时间内找到所有的解（即特征值和特征向量）。

这篇论文介绍了一种解决这些谜题的新方法，即通过将经典计算机与一种特殊的量子计算机——量子退火机（具体来说是 D-Wave 机型）相结合。

以下是他们方法的详细拆解，使用了简单的类比：

1. 问题所在：解的“山脉”

把原子核的能量状态想象成一片广袤且多雾的山脉。

• 目标： 你想要找到最低的谷底（基态），然后按顺序找到所有其他的谷底和山峰（激发态）。
• 旧方法（经典计算机）： 传统的算法就像一名徒步旅行者，需要小心翼翼地一次检查一步。他们很擅长，但当山脉变得巨大时，徒步者会感到疲惫、耗尽时间，或者被困在一个局部低洼处，误以为那里就是谷底。
• 量子方法（量子退火）： 想象一种神奇的雾气，可以瞬间“感知”整个山脉的形状。量子退火机就像一名可以通过隧道穿透迷雾的徒步者，能比人类更快地找到最低点。

2. 策略：将谜题转化为二进制游戏

量子退火机并不直接理解复杂的数学方程。它们使用一种更简单的语言：0 和 1（就像灯开关的“关”和“开”）。

• 转换过程 (QUBO)： 作者必须将复杂的核物理方程转化为一个“二次无约束二值优化”（QUBO）问题。这可以理解为将复杂的食谱转化为一份简单的“开/关”清单。量子机器随后尝试不同的开关组合，以找到能产生最佳（最低能量）结果的组合。

3. 创新点：剥洋葱（平滑化/消减法）

最大的挑战在于，量子退火机目前最擅长寻找单个解（即绝对最低的谷底）。但科学家需要的是整个解的列表，而不仅仅是第一个。

• 解决方案： 作者创建了一种“混合”方法。
  1. 第一步： 使用量子退火机找到第一个解（最低能量）。
  2. 第二步： 使用经典计算机执行“平滑化”（Deflation）。想象一下，如果你找到了山脉中的最低谷，为了寻找下一个最低谷，你需要暂时用混凝土填满第一个谷底，这样徒步者就不会回到那里。
  3. 第三步： 将“填平后”的地图传回给量子退火机，去寻找下一个最低点。
  4. 重复： 他们不断地一层一层地“剥洋葱”，直到找到整个解谱。

4. 结果：速度与精度

团队在真实的量子计算机（D-Wave Advantage）上测试了这种方法，并将其与标准的经典模拟（模拟退火）进行了对比。

• 竞赛： 他们设置了一场比赛，让“量子徒步者”与“经典徒步者”去解决不同规模的谜题。
• 结果：
  • 对于小型谜题，两者表现都不错。
  • 对于更大、更复杂的谜题，量子徒步者的速度明显更快。在某些情况下，经典方法需要数百步才能接近答案，而量子方法只需几十步就能到达。
  • 量子方法能更快地达到更高的精度水平。

5. 局限性：并非所有工具都适用于所有工作

论文还测试了三种不同的“填平”谷底（平滑化）技术：

• Hotelling 和 正交投影（Orthogonal Projection）： 这些方法效果很好。它们成功地帮助量子机器在不破坏数学逻辑的前提下找到下一个解。
• Householder： 这种方法对于简单的谜题效果极佳，但当谜题变得复杂时（特别是针对“广义”特征值问题），它开始失效。这就像是用大锤去修理手表；它处理了大局，但引入的误差使得后续步骤变得不准确。

总结

这篇论文并不是声称已经永久解决了核物理问题。相反，它证明了近期的量子计算机（即我们目前拥有的这些带有噪声且不完美的量子计算机）可以成为有用的伙伴。通过将量子退火寻找最佳答案的速度，与经典计算机组织搜索过程的可靠性相结合，他们创造了一种比仅使用经典计算机来解决这些特定、大规模核物理谜题更快速、更准确的方法。

这是一个概念验证，表明我们正朝着利用量子机器解决现实世界物理问题迈进，甚至在拥有完美、无误差的量子计算机之前，就已经可以实现这一点。

技术摘要

技术摘要：在 D-Wave 量子退火机上求解方程运动声子法特征值问题

问题陈述
核多体问题涉及求解哈密顿矩阵的特征值方程，这些矩阵的维度随核子数量的增加呈指数级增长，往往达到经典精确对角化方法难以处理的规模。虽然经典的迭代方法（如 Lanczos、Davidson）利用了矩阵的稀疏性，但在大规模计算中面临存储瓶颈。量子计算提供了潜在的替代方案；然而，量子相位估计（QPE）算法虽然在理论上非常强大，但需要目前尚无法实现的容错硬件。因此，需要能够利用近期的含噪声中等规模量子（NISQ）设备来解决大规模特征值问题的策略。具体而言，本研究旨在解决来自核结构理论中方程运动声子法（EMPM）的标准特征值问题（SEVP）和广义特征值问题（GEVP）中，计算全谱（而非仅基态）的挑战。

方法论
作者提出了一种将量子退火与经典矩阵平滑（Deflation）技术相结合的混合量子-经典算法。其核心方法论包含三个主要部分：

1. QUBO 形式化：将瑞利商（Rayleigh quotient）的连续优化过程进行离散化，并映射为二次无约束二值优化（QUBO）问题。特征向量的分量通过带有特定精度向量的二进制向量进行近似。这使得通过在量子退火机上寻找所得二次型的全局最小值（或最大模）来求解特征值问题成为可能。
2. 迭代下降与初始猜测：该算法采用两阶段法。首先，通过求解一个偏移后的 QUBO 问题来生成特征向量的初始猜测。其次，通过最小化编码为 QUBO 的目标函数局部二次近似（涉及梯度和海森矩阵/Hessian）来进行迭代下降阶段，以精炼解。离散化网格会逐步缩小以提高精度。
3. 用于全谱的矩阵平滑：为了提取全谱而非仅仅是主特征对，作者实施了顺序平滑策略。在量子退火机识别出一个特征对后，对哈密顿矩阵应用经典平滑技术，以“剥离”已找到状态的影响，从而允许下一次迭代瞄准后续的特征态。文中评估了三种平滑方法：
   • Hotelling 平滑：一种减法方法（$A' = A - \lambda vv^T$）。
   • 正交投影：一种将矩阵投影到与已找到特征向量正交的子空间上的减法方法。
   • Householder 平滑：一种利用 Householder 反射将矩阵进行正交化的方法。

对于广义特征值问题（GEVP），瑞利商被修改为包含度规矩阵 $B$ 的形式，且平滑步骤也经过调整，以尽可能保持 $B$-内积结构。

关键结果
该方法在基于 $^4$He 原子核的 EMPM 计算所得的哈密顿矩阵上进行了基准测试，并使用了 D-Wave Advantage 系统 6.4（5,614 个量子比特）以及用于对比的经典模拟退火（SA）。

• 基态性能：量子退火（QA）表现出优于模拟退火（SA）的收敛性。对于较大的矩阵维度（例如 $d=25$）和较高的比特分辨率（$b=4$），QA 在大约 20–30 次迭代内即可达到机器精度（$10^{-8}$），而 SA 则需要显著更多的迭代次数（高达 1,200 次）或无法达到相同的精度。随着矩阵规模的增大，这种性能差距进一步扩大。
• 全谱与平滑：
  • SEVP：所有三种平滑方法（Hotelling、正交投影、Householder）都成功地以高精度恢复了全谱（对于 $b=2$ 精度达 13 位，对于 $b=4$ 精度达 8 位）。由于 Householder 平滑采用了减少活动子矩阵大小的策略，其在执行时间方面最具计算效率。
  • GEVP：虽然 Hotelling 和正交投影方法保持了精度，但 Householder 平滑在 GEVP 中表现不稳定。重复应用 Householder 变换破坏了度规矩阵 $B$ 的对称性，并放大了舍入误差，导致数值恶化并导致无法收敛（特别是在特征值间距较小时）。

意义与主张
本文声称提供了一种利用近期量子硬件进行核结构计算的实用策略。其主要意义在于证明了结合了经典平滑的混合 QUBO 框架可以系统地重建现实核哈密顿量的全谱，从而超越了当前变分量子算法常见的仅限于基态计算的局限性。

作者强调，该方法通过将特征值问题重新构建为可由现有退火机求解的 QUBO 形式，成功弥合了量子算法与噪声硬件之间的鸿沟。尽管该研究在规模上较为有限（受限于当前的量子比特数和连通性），但它确立了量子退火在核物理谱估计中的可行性。这项工作表明，未来的实现可以通过将平滑步骤本身编码为 QUBO 问题来进一步减少经典开销，旨在实现一个完全基于量子退火的谱求解器。