Dynamical structure factor with a pumping approach on a trapped-ion quantum computer

技术摘要：基于泵浦方法的捕获离子量子计算机动力学结构因子研究

问题陈述
动力学结构因子（Dynamical Structure Factor，简称 DSF），记作 $S(q, \omega)$，是凝聚态物理中的一个关键量，描述了材料对中子散射的响应。它被定义为动力学相关函数 $\langle O(x, t)O(0, 0) \rangle$ 的时空傅里叶变换。由于计算 DSF 需要先找到基态或热态的表示，再模拟哈密顿量随时间的动力学演化，这在经典计算机上具有挑战性，且通常被认为属于 BQP-hard 问题。虽然量子计算机为准备有限温度态和执行高效的哈密顿量动力学提供了路径，但现有的计算 $S(q, \omega)$ 的量子算法通常依赖于计算多个离散时间点的动力学相关性，随后进行傅里叶变换。这种方法会产生显著的采样（shot）开销，特别是当仅对少数特定频率值感兴趣时。

方法论：泵浦方法（The Pumping Approach）
作者引入了一种“泵浦方法”，该方法直接针对特定的频率值 $\omega$，而无需计算时域相关性并进行傅里叶变换。其核心思想是通过一个在目标频率处振荡的源项扰动时间相关哈密顿量，从而将系统驱动出平衡态。

1. 哈密顿量设置： 给定系统哈密顿量 $H$ 和观测算符 $O$，作者定义了一个随时间变化的哈密顿量：
   $$H(t) = H - \epsilon O(0) \sin(\omega(T - t))$$
   其中 $\epsilon$ 是耦合常数，$T$ 是最终演化时间。
2. 测量协议： 系统从初始平衡态（例如基态）出发，使用该随时间变化的哈密顿量进行演化。在时间 $T$ 时，测量动量空间算符 $\hat{O}_q$ 的期望值。
3. 提取 DSF： 通过测量具有耦合 $+\epsilon$ 和 $-\epsilon$ 的系统，利用详细平衡关系（detailed balance relation）对于热态的性质，通过以下关系提取 DSF：
   $$S(q, \omega) \approx \frac{\langle \hat{O}_q(T) \rangle_\epsilon - \langle \hat{O}_q(T) \rangle_{-\epsilon}}{\epsilon(1 - e^{-\beta\omega})}$$
   该公式是从 $\epsilon$ 的一阶展开中推导出来的。
4. 实现细节：
   • 态准备： 对于一维海森堡模型（1D Heisenberg model），基态使用一种受绝热启发（adiabatic-inspired）的拟设（ansatz）进行准备。系统初始化为一个奈尔态（Néel state），并通过在交错场哈密顿量与海森堡哈密顿量之间的线性插值进行演化。参数是在 20 个位点的链上通过状态矢量模拟进行经典优化，然后应用于硬件。
   • 时间演化： 使用 Trotter 分解来近似时间演化算符。电路由连续的单比特门和双比特门（具体为 Quantinuum 硬件上的 TK2 门）组成。
   • 正则化： 由于 $T \to \infty$ 是不可行的，因此使用了有限的 $T$。这实际上将真实的 DSF 与一个 sinc 函数进行了卷积，虽然平滑了结果，但也可能引入伪特征。

主要贡献

• 直接频率靶向： 主要贡献在于提供了一种方法，允许量子计算机直接针对任意特定频率 $\omega$，从而避免了计算整个时域的计算成本。
• 采样效率： 作者证明了在仅需少量频率值的场景下，该方法相比于需要时域相关性测量的方法，能显著降低采样开销。
• 混合实现： 本工作展示了在 Quantinuum Reimei 捕获离子量子计算机上的完整实现，该实现集成在 Fugaku–Reimei 混合量子–高性能计算（HPC）环境中。用于态准备的参数经典优化是在 Fugaku 超级计算机上完成的，而量子电路则在 Reimei 上执行。

结果
作者使用两个案例验证了该方法：

1. 一维海森堡模型（20 个位点）： 计算了 20 个位点链的 DSF，并将其与无噪声模拟结果进行对比。硬件结果显示出与无噪声模拟的极佳一致性，且未采用任何噪声抑制技术。
2. 硫酸铜晶体（$CuSO_4$）： 一维海森堡模型已知可以描述硫酸铜晶体的磁激发。计算得到的 DSF 与实验中子散射数据进行了对比。量子硬件的结果与实验数据吻合得非常好。

所使用的具体参数包括：系统规模 $L=20$，Trotter 步长 $dt=0.24$，总演化时间$T=2.4$，以及耦合强度$\epsilon=2$。基态准备使用了经过优化的拟设的一个轮次（$R=1$）。研究指出，使用单层拟设产生的与精确基态结果的偏差实际上比使用两层更小，这可能是由于减少了门数量的原因。

意义与主张
论文声称，这种泵浦方法为在近期的量子硬件上计算动力学结构因子提供了一条切实可行且高效的路径。通过直接模拟一个“中子散射实验的玩具模型版本”，该方法绕过了复杂的实时相关性计算。

作者强调了该方案在超越中子散射领域的潜力，特别是在核磁共振（NMR）模拟方面。在 NMR 中，光谱通常高度集中在特定频率处，因此该方法可以通过采样固定频率而非长时间的时域衰减，从而节省大量的运行时间。

关于可扩展性，作者对目前的量子优势持谨慎态度。他们承认，本研究中的态准备依赖于通过精确状态矢量模拟得到的经典优化拟设，这属于尚不存在量子优势的范畴。然而，他们提出，通过在混合框架内将此 DSF 算法与可扩展的经典态准备方法（如稀疏帕利动力学 Sparse Pauli Dynamics 或通过 DMRG 实现的矩阵乘积态 MPS）相结合，最终有望进入一个态准备与结构因子计算的联合任务对经典计算机而言变得具有挑战性的阶段。