⚛️ quantum physics

A fidelity metric for quantum annealing benchmarked by extreme scaling quantum Monte-Carlo simulations

本文提出了一种用于评估量子退火过程内在质量而非仅仅是优化结果的保真度指标，并通过极大规模量子蒙特卡洛模拟证明，当前的里德堡原子退火器与热经典对应物无法区分，且未能达到实现真正量子优势所需的精度。

原作者： Gabriel Gouraud, Miha Srdinsek, Xavier Waintal

发布于 2026-06-26

📖 1 分钟阅读🧠 深度阅读

原作者： Gabriel Gouraud, Miha Srdinsek, Xavier Waintal

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

想象一下，你正试图在一片广袤、大雾弥漫的山脉中寻找最低点。这正是**量子退火机（Quantum Annealer）**试图做的事情：它通过缓慢地“冷却”一个系统，直到其达到最稳定的状态，从而为复杂的谜题（如调度铁路网络或管理金融投资组合）寻找完美解。

多年来，科学家们衡量这些机器的标准只有一个简单的问题：“它们找到正确答案了吗？”

本文作者认为，这有点像仅仅根据顾客是否吃完了一顿饭，就来评判一位厨师，而没有去品尝食物以看它是否烹饪得当。如果顾客足够饿，他们可能吃了一块烧焦的牛排仍然会感到满意。同样，量子计算机可能会靠运气得到正确答案，或者它可能以一种看起来像是正确答案、但实际上是错误的方式失败。

新的度量标准：检查“食谱”而非“盘中餐”

作者提出了一种测试这些机器的新方法。他们不只是观察最终答案，而是想要测量机器在整个过程中对物理规则的遵循程度。

他们将这一指标称为**“状态方程准确度”（Equation of State Accuracy）。**

可以这样理解：

旧方法： 你问量子计算机：“列车的最佳时刻表是什么？”它给了你一个答案。你检查它是否可行。
新方法： 你问计算机：“当你缓慢改变时刻表时，每一个步骤的能量水平是多少？”

如果一台计算机确实是在进行“量子退火”，它的能量水平应该遵循一条非常特定的、平滑的曲线（就像从山坡上滑下的完美滑梯）。如果机器存在噪声、损坏，或者仅仅是在模仿普通的经典计算机，那么这条曲线将会是锯齿状或错误的。通过测量机器的能量曲线与完美的理论曲线之间的匹配程度，作者可以判断这台机器究竟是在进行“量子魔法”，还是仅仅在伪装。

“热力学”与“量子”之战

该领域的一个重大问题是：量子计算机是真的在使用量子力学（例如穿过墙壁进行隧穿），还是仅仅像一台普通的计算机那样利用热量（例如通过摇晃装满弹珠的盒子）来寻找解决方案？

为了回答这个问题，作者构建了一个“超经典”模拟器。他们创建了一个数字模型，该模型表现得像一个热力学退火器（基于热量的求解器），但经过了精细调整，旨在模仿量子机器。

类比： 想象你正在试图猜出一位名厨的秘密食谱。与其仅仅品尝菜肴，不如尝试用一个标准的厨房来重现这道菜。如果你的标准厨房做出的菜肴味道与那位厨师的菜肴几乎完全一致（误差极小），那么也许那位厨师并没有使用任何秘密的“量子”食材。

他们的发现

作者在两种类型的系统上运行了这些模拟：

里德堡原子（Rydberg Atoms）： 这些是被激发到高能态的原子，用于一些最新的量子计算机中。
一个真实的金融问题： 一个关于预测“堕落天使”贷款（即可能违约的贷款）的具体谜题。

结果如下：

规模： 他们在单个标准计算机芯片上模拟了高达 1 亿个原子 的系统。这规模巨大。
精度： 他们发现，要击败他们的经典“热力学”模拟器，一台真正的量子退火机需要具备极高的精度。
- 如果机器的误差在 1% 到 0.1%（10⁻² 到 10⁻³）左右，它与使用热量的经典计算机是无法区分的。它并没有做任何特别的事情。
- 要展示出真正的优势，机器的精度需要达到 0.01%（10⁻⁴）或更高。
现实检验： 作者将他们的结果与现有的实验设备（如使用里德堡原子的设备）进行了对比。他们发现，目前的机器其精度比证明其正在进行真正量子运算所需的精度低了几个数量级。机器中的“噪声”太高了；它们本质上只是在充当非常昂贵且运行缓慢的经典计算机。

“能隙”问题

论文还强调了过程中的一个特定时刻，称为**“能隙闭合”（Gap Closing）**。
想象一下，山脉中有一个非常狭窄且深邃的峡谷。为了到达底部，你必须穿越这个峡谷。

在完美的量子世界中，机器可以“隧穿”通过这个峡谷。
在现实世界中，如果机器太慢或噪声太大，它就会卡在边缘。

作者发现，他们的模拟在这一特定点（即峡谷处）对误差最为敏感。如果一台真实的机器无法在该特定点精确测量能量曲线，这意味着它在解决问题最困难的部分时失败了。

总结

简而言之，这篇论文指出：

不要只问“你得到答案了吗？”
要开始问“你在获得答案的过程中是否正确遵循了量子规则？”
他们创建了一种新的测试方法（测量能量曲线），这可以作为量子计算机的“测谎仪”。
他们的测试表明，目前的量子退火机仍然过于“嘈杂”且缺乏精度，无法证明它们比非常聪明的经典计算机做得更好。在声称拥有真正的优势之前，它们需要变得更加精确。

技术摘要：通过极端规模量子蒙特卡洛模拟基准测试的量子退火保真度指标

问题陈述
目前的量子退火（QA）基准测试主要侧重于实用性，仅通过解决特定优化问题（通常表述为二次无约束二值优化，即 QUBO）的速度或成功率来衡量性能。作者认为这种方法具有“内在的脆弱性”，因为结果高度依赖于特定的问题实例以及作为参考的经典算法。此外，这种方法无法区分退火过程的内在限制（例如，由于能隙指数级消失导致的兰道-齐纳跃迁）与外在硬件限制（例如，噪声、退相干、有限温度）。因此，缺乏一种鲁棒的指标来量化量子退火过程本身的保真度，且该指标应独立于最终解的质量。

方法论
本文提出了一种新的保真度指标：退火过程中状态方程 $E(h_x) \equiv \langle \hat{H} \rangle$ 的精度 ( $\epsilon$ )。该指标类似于门控量子计算中的“每门保真度”。为了在实验中获得状态方程，需要测量在退火方案的不同点上的纵向能量 ( $\langle \hat{H}_z \rangle$ ) 和横向场能量 ( $\langle \hat{H}_x \rangle$ )。

为了建立 $\epsilon$ 的基准值并测试经典模拟的极限，作者采用了两种基于里德堡原子系统的模拟量子退火（SQA）变体，即使用量子蒙特卡洛（QMC）技术：

变分量子蒙特卡洛 (VMC)：
- Ansatz（拟设）： 作者使用了一种受模拟热退火启发的“热拟设”。波函数建模为 $\psi(n) \propto e^{-E_{\text{eff}}(n)/2}$ ，其中有效能量 $E_{\text{eff}}(n)$ 是一个修正后的经典能量泛函。
- 变体： 他们测试了“简单热拟设”（ $E_{\text{eff}} = \beta_{\text{eff}} F(n)$ ）和“交错热拟设”（ $E_{\text{eff}} = \beta_{\text{eff}} F(n) + \sum \beta_k N_k(n)$ ）以捕捉对称性破缺。
- 规模： 这种方法在计算上非常轻量，允许在单台 CPU 上模拟高达 100,000,000 个原子 ( $N=10^8$ ) 的系统。
- 精度： 实现的估计精度为 $\epsilon \sim 10^{-2} - 10^{-3}$ 。
格林函数蒙特卡洛 (GFMC)：
- 方法： 一种后 VMC 方法，通过在虚时中演化变分拟设，以投影到真实的基态。该方法是无偏的，且对于横向场伊辛模型不存在符号问题。
- 规模： 在高达 100,000 个原子 ( $N=10^5$ ) 的规模下进行模拟。
- 精度： 实现了更高的精度， $\epsilon \sim 10^{-4}$ 。

作者利用这些方法计算了正方形和三角形晶格上的里德堡原子，以及一个现实世界的 QUBO 实例（与金融风险管理相关的“堕落天使问题”）的状态方程。

关键结果

可扩展性与精度： 使用热拟设的 VMC 方法成功模拟了高达 $10^8$ 个原子的系统，相对误差 $\delta E/E_0 < 10^{-2}$ 。GFMC 方法在 $N=10^5$ 时达到了 $\epsilon \sim 10^{-4}$ 。
误差定位： 状态方程的相对误差精确地在能隙闭合（相变）的位置达到峰值，这对应于发生兰道-齐纳跃迁的机制区域。在这些临界点之外，误差显著降低。
与实验对比： 作者估计，目前的里德堡原子实验平台运行的精度明显低于这些经典基准。经典模拟在系统规模和精度上都比目前的实验平台高出数个数量级。
QUBO 基准测试： 对于“堕落天使”QUBO 实例，简单热拟设产生的相对误差约为 $\approx 10^{-3}$ 。作者指出，虽然可以通过增加采样次数来任意降低最终解误差 ( $\delta F/F$ )，但状态方程误差 ( $\delta E/E_0$ ) 提供了一个更本质的硬件或算法能力的度量。
热力学 vs 量子： 研究表明，在 $\epsilon \sim 10^{-2} - 10^{-3}$ 的精度范围内，量子退火器在效果上与对应的经典热退火器无法区分，这意味着当前的实验噪声水平可能会掩盖真实的量子优势。

意义与主张
论文声称，测量状态方程的准确性是 QA 基准测试迈出的关键一步，因为：

它提供了一个直接的诊断工具，用于识别导致偏离理想绝热演化的主导机制（区分内在能隙问题与外在噪声）。
它提供了一种与硬件无关的指标，不依赖于所选 QUBO 实例的具体难度。
它为未来的硬件设定了严苛的约束：为了展示量子优势，实验平台必须实现超越这些经典基准的状态方程精度（具体而言，需满足 $\epsilon < 10^{-4}$ 且针对大型系统）。

作者总结道，这种“看似简单”的热变分拟设是模拟 QA 的强大工具，这表明理解量子优势的路径可能在于识别那些量子涨落能够提供优于最先进的经典热模拟之独特优势的机制。他们并非声称 QA 目前优于经典启发式算法；相反，他们提供了严谨测试这一假设所需的工具。

新的度量标准：检查“食谱”而非“盘中餐”

“热力学”与“量子”之战

他们的发现

“能隙”问题

总结

技术摘要：通过极端规模量子蒙特卡洛模拟基准测试的量子退火保真度指标

类似论文