想象一下你正在试图解开一个巨大且缠绕在一起的绳结。在物理学世界中，这个“绳结”是一个量子系统——由电子或原子等微小粒子组成的集合，它们以某种看似打破了我们日常世界规则的方式相互作用。几十年来，科学家们一直使用强大的超级计算机来尝试解开这些绳结，但随着绳结变得越来越大，数学变得如此复杂，以至于即使是最顶尖的经典计算机也会开始感到吃力。这时，一位新的挑战者出现了：量子计算机。这些机器天生就能使用与它们试图模拟的粒子相同的语言，理论上允许它们更快地解决这些谜题。但问题在于：目前这些量子计算机就像是在学走路的幼儿。它们摇摇晃坠坠，容易摔倒（噪声），而且走不了几步就会累。在我们能够信任它们去解决现实世界的问题之前，我们需要确切地知道它们与传统的超级计算机相比到底有多出色。这就是“基准测试”（benchmarking）发挥作用的地方。把它想象成一个严苛的赛车场，我们将新的量子选手与已成名的经典冠军放在一起竞技，看看谁真的能在不被自己绊倒的情况下完成比赛。
这篇论文利用一个著名的物理谜题——利普金-梅什科夫-格里克（LMG）模型，搭建了一个非常具体的赛车场。想象一组粒子，它们手拉手围成一个巨大的圆圈，其中每个粒子都可以同时与其他所有粒子进行交流。目标是找到“基态”，即这组粒子能够安顿下来的最放松、能量最低的状态。研究人员使用了一种名为 DMRG（密度矩阵重整化群）的巧妙算法运行超级计算机来解决这个谜题，为多达 1,400 个粒子创建了一个庞大的、超精确的“标准答案”。然后，他们将这个答案与在 IBM 的一台真实的、带有噪声的量子计算机上运行的两种流行量子算法（VQE 和 SQD）进行了对比。
比赛的结果是希望与现实检查并存。其中一种被称为“变分量子特征值求解器”（VQE）的方法，它试图通过像调收音机一样调整电路来猜测答案，它在粒子数量非常少（约 6 个）时表现尚可；但随着粒子群体的增长，它的猜测变得混乱，误差超过了 1%，最终甚至偏离了高达 17%。这就像一个起步很强但很快就失去节奏的跑者。然而，“基于采样的量子对角化”（SQD）方法却是全场的明星。通过使用一种聪明的策略来采样谜题中最关键的部分，SQD 成功地在粒子数达到约 17 或 20 个时，依然保持了极高的准确度（在 0.5% 以内）。这表明，对于目前的量子计算机而言，这种特定的“子空间”方法可能是平衡准确度与机器处理噪声有限能力的最优方式。然而，一旦系统变得太大（超过 20 个粒子），即使是 SQD 也撞到了墙，其准确度骤降，因为量子计算机根本没有足够的“采样次数”（测量答案的尝试次数）来覆盖所有的可能性。
简而言之，这篇论文并没有宣布量子计算机已经赢得了比赛。相反，它提供了一份关于它们现状的详细地图。它表明，虽然量子方法在处理小规模问题时可以表现得惊人准确，但目前正受到噪声和测量限制带来的硬性约束。由经典超级计算机创建的包含 1,400 个粒子的庞大数据集，成为了一个新的金标准，即一个“真相”，未来的量子计算机必须超越这个标准，才能证明其真正的价值。作者指出，虽然我们仍处于“含噪声中等规模量子”（NISQ）时代，即机器尚不完美的阶段，但像 SQD 这样的方法目前提供了最佳的平衡点；不过，在量子计算机真正超越其经典亲戚之前，我们需要更好的策略来处理更大的系统。
技术摘要：利用大型张量网络对 Lipkin-Meshkov-Glick 模型进行量子模拟基准测试
问题陈述
随着量子计算的成熟，迫切需要将噪声中等规模量子（NISQ）设备的实际问题解决性能与具有竞争力的经典方法进行基准测试。虽然硬件特性表征（如门保真度、相干时间）已成为标准，但它们并不能完全捕捉到对特定应用感兴趣的性能。Lipkin-Meshkov-Glick (LMG) 模型是进行此类比较的理想测试平台：它描述了一个具有丰富物理现象（如量子相变）的多体系统，同时在规模达到超越精确对角化能力的水平时，仍保持着经典可处理性。以往对 LMG 模型的量子模拟受限于硬件约束，仅局限于较小的系统规模。本研究旨在建立一个大规模的经典基准，以评估流行的 NISQ 算法——特别是变分量子特征值求解器（VQE）和基于采样的量子对角化（SQD）的准确性和可扩展性。
方法论
本研究采用了一种结合高性能经典计算与 NISQ 硬件的混合方法：
- 经典基准（DMRG）： 作者利用密度矩阵重整化群（DMRG）算法（一种张量网络方法）来计算 LMG 哈密顿量的基态能量。模拟是在 NERSC 的 Perlmutter 超级计算机上执行的。LMG 哈密顿量定义的参数为 ϵ=1, W=0，并随相互作用强度 V 变化。系统规模范围从 N=2 到 N=1400 个粒子，剖面运行扩展至 N=1550。此外，还针对 N∈[2,100] 且 V∈[0,1]（步长为 0.1）生成了相图。
- 量子算法：
- VQE： 变分量子特征值求解器在 IBM Eagle 量子处理器上实现。为了应对希尔伯特空间指数级增长的问题，采用了哈密顿量压缩方案，利用该模型的对称性（特别是 W=0）将系统映射到集体自旋基底中。这降低了有效系统规模，从而允许使用由 Ry 和 CNOT 门组成的较小拟设（ansatze）。
- SQD： 基于采样的量子对角化算法也在 IBM 处理器上运行。这种混合方法使用 Dicke 态电路系综来采样反映系统对称性（固定汉明重量奇偶性）的比特串。这些样本用于将完整哈密顿量投影到缩减的子空间中，随后进行经典对角化。通过基于对称性的后选择和比特翻转校正进行了误差缓解，以确保采样的子空间能够忠实地代表受对称性限制的空间。
主要贡献
本文对量子基准测试领域做出了两个主要贡献：
- 大规模 DMRG 数据集： 作者生成了文献中最大的 LMG 基态能量数据集之一，为高达 1400 个粒子的系统提供了精确的参考值。这包括一个涵盖不同相互作用强度的详细相图。
- 对比基准测试： 本研究在 IBM 量子处理器上将 VQE 和 SQD 与 DMRG 基准进行了严格对比，建立了性能基准，并确定了每种方法在 NISQ 时代的具体扩展限制。
结果
- DMRG 性能： DMRG 结果表现出高度可靠性，对于小规模系统（N≤19），其准确度超过 99.99%，达到了与精确数值解一致的水平。大 N 下的能量曲线显示出平滑、单调的缩放特性，证实了张量网络表示的收敛性。计算瓶颈被确定为由于全连接相互作用导致的 O(N2) 哈密顿量构建，而非张量收缩。
- VQE 性能： VQE 在小规模系统（N=6）中实现了 1% 以内的误差。然而，随着系统规模增加，准确度迅速下降。当 N>15 时，误差超过了 1% 的阈值，在 N=23 时达到约 17%。误差稳步增长，反映了在压缩希尔伯特空间中进行经典优化的难度。
- SQD 性能： 在其可及范围内，SQD 展示了优于 VQE 的准确度。对于 N≤18，SQD 实现了低于 1% 的相对误差（甚至对于 N∈[3,15] 低于 10−12%），有效地匹配了精确解。然而，其性能受到采样预算（106 次采样）的严格限制。一旦对称性扇区中的基态数量（2N−1）超过采样限制（约 N≈20），误差会剧烈上升，在 N=50 时达到约 95%。
意义与主张
论文声称，这些结果突显了 NISQ 时代准确度、电路深度与噪声韧性之间的不同权衡。
- 基于子空间的方法： 作者认为，只要对称性扇区能被现有的采样预算完全覆盖，基于子空间的方法（如 SQD）可能会在准确度和资源约束之间取得最佳平衡。
- 基准测试的必要性： 该工作断言，为了让量子计算机展示出真正的优势，它们必须在相同的物理问题哈密顿量上超越经典张量网络方法（如 DMRG）的能力。生成的数据库为这一目的提供了高精度参考。
- 局限性： 研究谦逊地总结道，虽然 SQD 显示出潜力，但其可扩展性目前受限于采样预算和电路深度。同样，如果不改进拟设设计或初始化策略，VQE 在扩展到中等规模系统方面仍面临困难。作者并非声称当前的实现已获得量子优势，而是利用这些数据来界定当前 NISQ 工具的效用边界。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。