⚛️ quantum physics

Low-depth simulation of non-Markovianity under quantum hardware noise

本文提出了一种利用轨迹混合进行非马尔可夫动力学和记忆通道模拟的低深度模拟方法，该方法通过将纠缠门替换为纯态轨迹的统计混合，从而显著提高状态保真度并保留噪声近邻时期量子硬件上的量子相关性。

原作者： Diana A. Chisholm

发布于 2026-07-08

📖 1 分钟阅读🧠 深度阅读

原作者： Diana A. Chisholm

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，你正在试图模拟一个精致的玻璃花瓶（一个量子系统）在风声嘈杂的房间里（它的环境）是如何表现的。在量子计算的世界中，我们想要精确预测这个花瓶会如何摇晃、摆动或最终破碎，但我们面临一个问题：我们的量子计算机本身也非常嘈杂且脆弱。

这篇论文提出了一种巧妙的新方法来运行这些模拟，它避开了通常沉重的机械装置，使得在当今并不完美的量子计算机上运行成功的可能性大大增加。

旧方法：“重背包”法

传统上，为了模拟一个与环境相互作用的系统，科学家们使用一种叫做 Stinespring 扩张（Stinespring dilation） 的方法。你可以把它想象成试图通过雇佣一个巨大的、笨拙的机器人（辅助量子比特）站在花瓶旁边并物理性地推搡它，来模拟风的作用。

为了让机器人的推力正确，你必须用非常强韧、复杂的绳索（纠缠门）将花瓶和机器人绑在一起。

问题在于： 这些绳索很难系好而不损坏。用量子术语来说，连接系统和机器人的“双量子比特门”是非常嘈杂的。每当你系一次绳子，就会引入一次出错的高概率。如果你需要模拟很长一段时间，你就需要很多绳子，而误差会不断累积，直到模拟变得毫无意义。

新方法：“掷骰子”法

作者 Diana Chisholm 建议采用一种不同的策略，叫做 轨迹混合（trajectory mixing）。与其雇佣一个巨大的机器人去推花瓶，不如想象你在运行一个模拟，只需通过掷骰子来决定下一步会发生什么。

隐喻： 想象你有上千个完全相同的花瓶。与其用一个机器人去推它们，不如让每个花瓶走上一条略微不同的路径。
- 路径 A：一阵微风吹过。
- 路径 B：一阵强劲的阵风袭来。
- 路径 C：完全没有风。
你在你的计算机上分别运行所有这些路径。因为你没有把花瓶和机器人绑在一起，所以你不需要那些嘈杂且复杂的绳索。你只使用简单的单量子比特操作（比如抛硬币或转动旋钮）。
结果： 在最后，你观察所有的花瓶，统计有多少个花瓶最终处于哪种状态，然后取一个平均值。这个统计平均值能给你与复杂的机器人方法相同的答案，但由于避开了那些“嘈杂的绳索”，它产生的误差要少得多。

他们测试了什么？

论文在三个特定的场景下测试了这种“掷骰子”方法，以观察它是否比“重背包”法表现得更好：

纯去相位（“模糊”的花瓶）：
- 他们模拟了一个量子比特失去其“锐利度”（去相位）的过程。
- 结果： “掷骰子”方法使模拟结果非常接近完美的理论答案。“重背包”方法则很快偏离了航线，就像一艘在风暴中失去锚的船。
非马尔可夫动力学（“有记忆”的花瓶）：
- 这是一个棘手的场景，环境会“记住”它对系统做了什么，并在稍后产生反作用（类似于回旋镖效应）。
- 为了模拟这一点，他们必须使用一个“记忆”量子比特。
- 结果： “掷骰子”方法仍然表现得更好，特别是在观察花瓶与其记忆之间的关系时。然而，由于花瓶和记忆之间不断进行交互（需要一些复杂的连接），其优势不像第一个测试那样巨大，但仍然是正向的。
记忆通道（“相关联的”风）：
- 他们模拟了一个场景，即两个花瓶被送入一个通道，该通道同时对两者施加相同的随机风。这测试了该方法能否保持它们之间的“纠缠”（一种特殊的量子纽带）。
- 结果： 这是最大的胜利。“掷骰子”方法几乎完美地保持了两个花瓶之间的纽带。而“重背包”法几乎立即破坏了这种纽带，因为协调两个花瓶所需的复杂绳索实在是太嘈杂了。

难点：“路径太多”的问题

这里有一个缺点。如果你想模拟很长的时间，可能的路径（轨迹）数量会呈指数级增长。这就像是试图为一年的每一秒钟都掷一次骰子；组合的数量将变得无法追踪。

解决方案： 论文表明你不需要追踪所有路径。你可以仅仅随机采样几千条路径（就像通过调查 1,000 人来代表全国人口进行民意调查一样）。即使使用这种有限的采样，“掷骰子”方法也比“重背包”法能更持久地保持准确。

总结

论文声称，通过将复杂的、嘈杂的连接（纠缠门）替换为统计混合的简单、独立的运行（轨迹混合），我们可以在现有的硬件上更有效地模拟开放量子系统。

这就像是选择迈出上千个小巧、简单的步伐来到达目的地，而不是试图驾驶一辆破损沉重的卡车。虽然卡车看起来像是“官方”的做法，但这些小步子能让你以极小的损伤到达目的地。这使得在真实的量子计算机上运行以往因过于嘈杂而无法运行的、长期且复杂的量子相互作用成为可能。

技术摘要：量子硬件噪声下的低深度非马尔可夫性模拟

问题陈述
在数字量子计算机上模拟开放量子系统具有内在挑战性，因为量子电路原生仅支持幺正演化，而开放系统由于与环境的相互作用会经历非幺正动力学。标准方法——Stinespring 扩张（Stinespring dilation）——通过将系统与辅助比特耦合并将其追踪出去（trace out）来模拟这些动力学。然而，这种方法需要密集的相互作用拓扑结构和大量的双比特门（例如 CNOT），而这些门的噪声显著高于单比特门。在近期的硬件上，来自这些辅助门的误差积累严重限制了模拟的保真度和执行时间，尤其是在进行长时间演化或复杂的非马尔可夫动力学模拟时。

方法论
本文提出利用轨迹混合方法（trajectory mixing method，即纯态轨迹的统计混合）在不使用辅助比特的情况下模拟开放系统动力学。该方法专门应用于混合幺正通道（mixed unitary channels），其中量子通道 $\Phi(\rho)$ 可以表示为幺正演化的统计混合： $\Phi(\rho) = \sum_i p_i U_i \rho U_i^\dagger$ 。

其核心方法论特征包括：

状态无关概率：对于混合幺存在通道，特定幺正跳跃的概率（ $p_i$ ）与系统的状态无关。这使得模拟可以通过运行多个独立的电路（轨迹）并对结果进行统计混合来完成，从而避免了为了动态确定跳跃概率而进行的昂贵的态层析成像。
轨迹采样：虽然总共可能的轨迹数量随指数级增长（ $m^N$ ，其中 $m$ 是 Kraus 算符的数量， $N$ 是时间步数），但作者采用了随机采样（蒙特卡洛方法）来模拟长时演化，仅使用具有统计充分性的轨迹子集。
噪声建模：模拟使用了根据现代量子处理器校准的现实噪声模型，包括单比特门后的 $T_1$ 和 $T_2$ 弛豫/退相干，以及 CNOT 门后的去极化通道。
对比基准：轨迹混合方法在各种场景下与传统的辅助比特方法（Stinespring 扩张）进行了基准测试。

主要贡献与模拟
本文通过四种具体的模拟场景证明了该方法的可行性：

纯退相干（Pure Dephasing）：一个经历自由演化和纯退相干的单比特。轨迹混合方法（仅使用单比特门）保持了高状态保真度，并紧密追踪无噪声动力学。相比之下，需要 CNOT 门的辅助比特方法由于门噪声，表现出向布洛赫球中心偏移的显著漂移。
非马尔可夫动力学（振幅阻尼与退相干）：作者通过马尔可夫嵌入（Markovian embeddings）模拟非马尔可夫演化，其中系统与一个记忆比特发生相互作用。
- 结果：轨迹混合方法始终比辅助比特方法产生更高的保真度，特别是在考虑联合系统-记忆状态时。然而，论文指出，对于系统本身而言，保真度的优势有时是微小的。作者认为，由于系统和记忆不断相互作用，嵌入模型中双比特门的噪声限制了轨迹方法在复杂多体场景中的优势。
记忆通道（Memory Channels）：模拟两个快速连续发送的比特所经历的退相干记忆通道。该通道保留了 Bell 态的纠缠。
- 结果：轨迹混合方法几乎完美地保留了并发度（纠缠），而辅助比特方法则导致了显著的衰减。这突显了一个主要优势：轨迹方法避免了为了将辅助比特与两个系统比特关联起来而所需的两个 CNOT 门。
随机驱动哈密顿量（Stochastically Driven Hamiltonians）：作者通过一个受随机电报噪声（RTN）驱动的哈密顿量来模拟非马尔可夫动力学。通过将演化分解为恒定噪声间隔并混合轨迹，他们在没有辅助比特或记忆比特的情况下实现了极高的保真度。

结果
使用校准至当前处理器（ $T_1=232\,\mu s$ , $T_2=127\,\mu s$ , CNOT 误差 $\approx 2.4\%$ ）的噪声模型，研究发现：

保真度：在纯退相干和记忆通道场景下，混合轨迹方法始终比辅助比特方法保持更高的状态保真度。
纠缠保持：在记忆通道模拟中，轨迹方法成功保留了纠缠，而辅助方法由于双比特门误差的累积而失败。
可扩展性：即使在有限采样（针对 25 个时间步使用 1024 个轨迹）的情况下，轨迹方法仍然优于辅助方法，后者随着时间步数的增加而遭受持续的保真度衰减。

意义与主张
论文声称，轨迹混合方法为在近期量子硬件上模拟非局部环境效应提供了一个可部署的蓝图。其主要意义在于：

减少噪声：通过将纠缠门替换为独立纯态电路的统计混合，该方法大幅降低了与辅助比特相关的噪声开销。
资源效率：它使得利用有限资源模拟长时间非马尔可夫演化成为可能，避免了辅助门带来的“毁灭性噪声开销”。
实用性：虽然该方法需要运行多个电路，但作者认为，鉴于当前量子处理器上双比特门的错误率，这是一个有利的权衡。

作者对其方法的普适性保持谦逊，指出对于系统-记忆相互作用恒定的复杂多体动力学，由于嵌入模型中所需双比特相互作用的固有噪声，其优势可能不再显著。然而，对于特定的通道和记忆场景，该方法为实现更高保真度的硬件模拟提供了清晰的路径。

旧方法：“重背包”法

新方法：“掷骰子”法

他们测试了什么？

难点：“路径太多”的问题

总结

技术摘要：量子硬件噪声下的低深度非马尔可夫性模拟

类似论文