⚛️ quantum physics

Let the Qudit Do the Jacobi: A Structured Quantum Algorithm for Spectral Decomposition

本文提出了一种结构化量子算法，该算法通过利用变分吉文斯旋转（Givens rotations）和干涉协议，在多维量子比特（qudit）架构上实现未知酉算符的雅可比对角化，从而以类经典收敛速度和维度上的二次方缩放实现特征值提取。

原作者： A. Mandilara

发布于 2026-07-16

📖 1 分钟阅读🧠 深度阅读

原作者： A. Mandilara

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，你正试图解开一个巨大的、纠缠在一起的绳结。在物理学和数学的世界里，这个绳结通常是一个“矩阵”，即描述一个系统行为的巨大数字网格。有时，这个系统是一个量子机器，一个遵循亚原子世界奇特规则的微型设备。为了理解这台机器究竟在做什么，科学家需要“解开”这个绳结，找到其纯粹、简单的成分：它的谱（spectrum）。这被称为谱分解（spectral decomposition）。这就像是听一段复杂的钢琴和弦，然后弄清楚究竟击中了哪些单个音符。

几十年来，数学家们一直使用一种可靠的工具来解开这些绳结，叫做“雅可比方法”（Jacobi method）。把它想象成一种系统化的方式，通过在特定位置捏住绳结，进行恰到好处的扭转，并重复这个过程，直到绳结散开成一条整齐的直线。这在经典计算机上效果极佳，但当我们尝试在量子计算机上执行它时，事情变得棘手了。量子计算机通常使用“量子比特”（qubits，二态开关）的语言，但这些矩阵的数学逻辑在“量子多态”（qudits，多态开关）的语言中往往感觉更加自然。大问题在于：我们能否教导一台量子计算机直接解开这些绳结，而不是先将整个问题转化为一份枯燥的数字列表？

这篇题为《让量子多态执行雅可比》（Let the Qudit Do the Jacobi）的论文介绍了一种聪明的全新配方，称为雅可比量子多态算法（JQA）。作者艾卡特里尼·曼迪拉拉（Aikaterini Mandilara）及其同事提出了一种方法，让单个具有多个状态的量子粒子（即量子多态）亲自完成这场解开绳结的舞蹈。该算法不再试图像读一本书那样阅读整个矩阵，而是将量子算符视为一个神秘的对象，并通过一系列细微的、实验性的扭转，轻轻地引导它向对角线形状靠拢。

以下是魔法发生的过程：在旧有的经典版本中，你会计算出要旋转一对数字以修复绳结的具体数值。但在量子计算机上，你不能仅仅通过“计算”得出答案；你必须去“感知”它。作者意识到，与其试图一次性找到完美的扭转角度（这很难），不如将其分解为两个更简单的步骤。想象你在调音一根吉他弦。你不是在猜测完美的张力，而是先稍微拉紧一点，听听声音，然后再稍微放松一点，再听听声音。JQA 正是这样做的：它执行两次快速的一步式“变分搜索”（本质上是试错实验），以找到旋转系统部分的完美角度。

团队通过在计算机上运行模拟测试了这个想法，使用了许多随机且复杂的量子矩阵（具体包括 15 个 20x20 大小的矩阵，以及其他高达 30x30 大小的矩阵）。他们发现该方法表现得非常出色。这个“绳结”解开的速度与经典方法一样快，在某些情况下，它甚至需要的扭转轮数更少。所需的步骤随着矩阵规模的增大以可预测的方式增长，其复杂度为 $O(d^2)$ ，这正是人们所期望的。

至关重要的是，这种方法避免了量子计算中常见的难题。它不需要构建一台复杂庞大的机器来控制量子态（无需“受控幺正”操作），也不需要额外的辅助粒子（ancillas）。它仅仅利用了量子多态自然的旋转能力和一个简单的测量工具来检查进度。一旦绳结被解开，算法就会使用一种特殊的干涉技巧——就像将两束光束汇聚在一起观察其形成的图案一样——来读取系统的最终“音符”（特征值）。

该论文表明，这种方法是旧派矩阵解法与新量子硬件之间的完美桥梁。尽管作者承认，证明其适用于每一种可能的案例仍处于研究过程中，但他们的模拟显示这是一种稳健且充满前景的路径。他们还指出，虽然你可以尝试强行让这种方法在标准的二态量子比特上运行，但这就像是在土路上驾驶跑车；虽然可行，但你会失去大量的速度和效率。该方法天生就是为量子多态设计的，它们是量子表演中多态明星。

简而言之，这篇论文不仅仅是在解决一个数学问题；它提供了一种全新的思考方式。它展示了通过借鉴过去经典的、结构化的策略，并将其适配到量子多态的独特语言中，我们可以构建出不仅强大而且能够适应未来硬件的实用量子算法。它提醒我们，有时候，前进的最佳方式是退后一步，审视旧有的工具，并问道：“如果我们尝试在量子机器上这样做会怎样？”

技术摘要：一种结构化量子算法用于谱分解

问题陈述
谱分解是物理学和工程学中的一项基础任务，需要确定哈密顿量或酉算符的特征值和特征向量。虽然经典的数值线性代数提供了鲁棒的方法，但量子方法面临着两难选择：

层析法（Tomographic approaches）： 通过过程层析将量子算符转换为经典信息，然后再应用经典算法。这种方法资源消耗巨大，并且会丢失算符的量子特性。
相干法（Coherent approaches）： 将算符保留在量子领域内。现有的方法（如量子相位估计 QPE）需要受控酉操作和深层电路，这在实验上要求极高。变分法（例如 VQE）通常将对角化视为一个全局优化问题，缺乏经典迭代方法那种结构化的收敛保证。

目前存在一个空白，即需要一种结构化的、迭代的量子算法，能够在量子硬件上直接对未知的酉算符进行对角化，而不进行显式的矩阵重构，也不需要受控酉操作，特别是能够利用高维系统（qudits）原生能力的算法。

方法论：Jacobi Qudit 算法 (JQA)
作者提出了 Jacobi Qudit 算法 (JQA)，这是经典 Jacobi 对角化方法的 qudit 原生实现。其核心理念是通过一系列局部的相似变换，逐步消除未知酉算符 $M$ 在单个 $d$ 维 qudit 上的非对角元素，而不是重构矩阵。

旋转分解： 在针对正规矩阵的经典 Jacobi 算法中，应用一个两参数 Givens 旋转 $U^G_{(p,q)}(\phi, \alpha)$ 来最小化 $(p,q)$ 子块的非对角元素。JQA 将这种单一的两参数优化替换为两个连续的单参数量子变分优化：
1. 一个“实”酉旋转 $U^R_{(p,q)}(\phi_1) = \exp(i\phi_1 \hat{g}^R_{(p,q)})$ 。
2. 一个“虚”酉旋转 $U^I_{(p,q)}(\phi_2) = \exp(i\phi_2 \hat{g}^I_{(p,q)})$ 。
  这里， $\hat{g}^R$ 和 $\hat{g}^I$ 是 $su(d)$ 李代数的非对角生成元。
变分搜索： 参数 $\phi_1$ 和 $\phi_2$ 通过实验性的无导数一维搜索来确定。该算法通过最小化局部代价函数 $\tau_{(p,q)}$ 来实现，该函数定义为 $(p,q)$ 子块中非对角元素模平方之和。其实现步骤包括：
- 将 qudit 初始化为计算基态 $|p\rangle$ 和 $|q\rangle$ 。
- 应用旋转并测量单个对角可观测量 $B$ （具有非退化谱），以估计概率 $|\langle q|\psi\rangle|^2$ 。
- 重复此过程以重构代价函数所需的矩阵元模长，而无需进行完整的状态层析。
迭代方案： 算法采用循环转置策略。在每一次“扫描”（sweep）中，按顺序处理每一对指标 $(p,q)$ 。该过程重复执行，直到全局非对角代价函数 $\tau(M)$ 低于预设阈值。
特征值提取： 趋于收敛后，算符近似为对角阵。特征值（特征相位）通过干涉协议提取。通过准备基态的叠加态，应用对角化后的算符，随后进行类似 Hadamard 的干涉操作，从而估计特征值之间的相位差。完整的谱（在全局相位之外）得以重构。

主要贡献

结构化量子算法： 提出了一种用于对角化单个 qudit 上未知酉算符的结构化、迭代算法，避免了显式矩阵重构和受控酉门的使用。
顺序变分优化： 证明了可以将两参数 Jacobi 旋转分解为两个连续的单参数变分搜索。这种映射自然地契合了实验可及的 qudit 操作，并保留了经典方法的收敛行为。
干涉特征值提取： 引入了一种完全在量子领域内通过干涉提取特征值的协议，完成了对角化过程，而无需经典后处理完整的算符。
经验缩放： 数值验证表明，该算法的收敛特性与经典 Jacobi 方法一致，在给定精度下，总的转置操作次数随维度 $d$ 的缩放关系为 $O(d^2)$ 。

结果
针对维度高达 $d=30$ 的 Haar 随机酉矩阵系综进行了数值模拟。

收敛性： 算法展示了非对角代价函数的单调递减。在早期阶段表现为线性下降，并在接近对角固定点时加速进入二次收敛区间，镜像了经典 Jacobi 方法的行为。
扫描次数： 随着维度 $d$ 从 10 增加到 30，达到目标精度（例如 $\epsilon = 10^{-2}$ 或 $10^{-4}$ ）所需的 Jacobi 扫描次数保持在约恒定的水平（6–7 次扫描）。
复杂度： 由于每次扫描包含 $O(d^2)$ 个转置（pivot），且扫描次数为常数，因此总操作次数的缩放为 $O(d^2)$ 。
对比： 与标准的两参数酉 Jacobi 算法相比，顺序单参数实现（JQA）所需的扫描次数相当，在某些测试实例中甚至略少。

意义与主张
论文将 JQA 定位为一种工具，用于直接对实验可及但经典不可知的未知量子算符或哈密顿量进行对角化，而非旨在比解决经典对角化问题更快（因为编码经典数据的开销会抵消其优势）。

作者认为这项工作的意义在于：

架起经典与量子的桥梁： 提供了一个从经典迭代矩阵算法到其量子实现的结构化桥梁，超越了全局变分优化或深层相干电路。
适配 Qudit 原生特性： 强调该算法天然适用于 qudit 架构，其中 $SU(2)$ 子群可以被直接实现，从而避免了基于 qubit 实现时的编译开销。
实验可行性： 该方法仅依赖于单 qudit 旋转和单个可观量的测量，无需辅助比特（ancilla qubits）或受控酉操作，因此适用于近期的及早期的容错设备。
可并行性： 算法的结构化特性允许在不相交的子空间上并行执行交换操作，这一特性对于分布式量子计算具有重要意义。

作者对修改后的顺序程序是否具有收敛性的理论证明保持了审慎态度，指出虽然缺乏正式证明，但其与经典算法的结构相似性以及数值证据强烈表明其保留了收敛特性。他们也承认，实验平台中受限的连通性可能会阻碍实现完全的对角化。

技术摘要：一种结构化量子算法用于谱分解

类似论文