⚛️ quantum physics

Constant-depth adaptive preparation of Dicke and symmetric states

本文介绍了一种精确的、常深度的自适应协议，用于利用多项式数量的辅助量子比特来制备任意的狄克（Dicke）态和置换对称态，该协议通过利用测量和经典前馈技术，在不增加电路深度的前提下实现了高成功概率。

原作者： Rui Luo, Junjie Chen, Xiongfeng Ma

发布于 2026-08-04

📖 1 分钟阅读🧠 深度阅读

原作者： Rui Luo, Junjie Chen, Xiongfeng Ma

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

想象一个计算机不仅仅是在进行数字运算，而是在与现实的织面共舞的世界。这就是量子计算的领域，在这个领域中，信息不是存储在简单的开/关开关（比特）中，而是存储在“量子比特”中，它们可以同时处于多种状态，就像一枚旋转中的硬币，在被你抓住之前，既是正面又是反面。这个世界最大的挑战之一是让这些量子比特能够完美和谐地协同工作。科学家们经常需要创造特定的、高度纠缠的量子比特模式，称为“狄克态”（Dicke states）。可以将这些状态想象成一个编排完美的舞蹈团，无论你如何重新排列舞者，整个群体看起来都完全一样。这些模式对于超灵敏的测量（例如探测微弱的引力波）和构建未来的量子网络至关重要。然而，创造这些舞蹈通常需要很长时间和许多复杂的步骤，这是一个问题，因为量子系统非常脆弱，如果等待时间过长，就会失去它们的“魔力”（相干性）。目标是尽可能快地创造这些状态，理想情况下是在一个瞬间完成，且不破坏脆弱的量子规则。

由清华大学的罗睿、陈俊杰和马雄峰开展的一项新研究提供了一种巧妙且极速的方法来组织这些量子舞者。研究人员开发了一种方法，可以在“常数深度”内准备这些复杂的量子态，这意味着即使你在舞团中增加更多舞者，所需的时间也不会变长。他们通过使用一种被称为“自适应准备”的技巧实现了这一点，这就像是一位指挥家，可以在演出过程中倾听管弦乐队，并立即告诉音乐家如何调整音符以获得完美的音效，而不是仅仅遵循一份僵化的、预先写好的乐谱。

他们发现的核心是一种构建“均匀子集叠加态”（USS）的新方法。想象一下，你有一个装满编号球的大袋子，你想取出其中特定数量的球，但你希望每种可能的组合出现的概率都相等。通常，对这些球进行排序需要时间。作者发现了一种方法，可以通过结合量子魔力和快速的经典数学，瞬间完成这种排序。他们首先创建一个随机数字的混乱堆，然后使用一个“分院帽”（他们的自适应电路）瞬间将它们组织成一条整齐、有序的线。单次尝试这种排序成功的概率至少为 1/k。如果排序失败，他们只需立即重试；因为他们可以并行重复这个过程，失败的概率会降至几乎为零，且不会减慢过程的速度。

论文表明，这种方法可以精确地准备这些状态，在经过并行重复后具有很高的成功率，并且仅需使用数量可控的额外“辅助”量子比特（ancillae）。具体而言，对于一个拥有 $n$ 个量子比特和 $k$ 个激发态的系统，他们的方法大约使用 $O(n^2 + k^2 \log^2 n + kn \log n \log \log n)$ 个额外的量子比特。虽然这听起来可能很多，但在某些规模下，这比以往的方法有了显著改进，并且它保证了结果是完美的，而不仅仅是近似值。

此外，作者并没有止步于一种舞蹈。他们构建了一个“提升框架”（lifting framework），这就像是一个万能适配器。他们展示了如果你有一种制造任何单一类型狄克态（一种特定的舞蹈动作）的方法，你就可以使用他们的框架将它们组合起来，以同样的时间创造出任何对称态（任何复杂的编舞）。为了实现针对任意对称态的操作，他们将自己的框架与一个最近的、独立的常数深度酉算符方法（另一种不依赖于他们的自适应排序技巧的量子舞蹈）相结合，创造了一个配方，用于在常数时间内准备由 $n$ 个量子比特组成的任何对称态，且使用 $O(n^3 \sqrt{\log n})$ 个额外的量子比特。

论文谨慎地指出，虽然他们的方法是精确且快速的，但它依赖于能够测量量子比特并将信息即时反馈回来的能力，这一特性在一些先进的量子装置中存在，但并非所有装置都有。他们还指出，虽然他们的资源利用是高效的，但目前还不是绝对最小的可能值，这为未来的改进留下了空间。然而，他们的工作为量子工程师提供了一个强大的新工具箱，将一个缓慢、困难的过程转变为一个快速、可靠的过程，为更复杂的量子模拟和网络铺平了道路。

技术摘要：狄克态（Dicke States）与对称态的常数深度自适应制备

问题陈述
高效制备狄克态（ $|D_n^k\rangle$ ）和一般的置换对称态是量子计量学、网络化以及集体信息处理中的一个基本原语。然而，以低量子深度制备这些状态具有挑战性。在具有有界扇入门（bounded-fan-in gates）的标准幺正电路模型中，生成长程相关性通常需要非常数深度的电路，对于代表性的纠缠态，已存在对数深度的下界。通过中间测量和经典前馈（自适应电路）可以绕过光锥限制以实现常数深度，但现有的协议通常依赖于确定性的基于 Grover 搜索的滤波，或者会产生显著的资源开销。作者旨在开发一种针对任意狄克态的精确、常数深度自适应协议，并随后将其扩展到任意对称态，以优化电路深度与辅助比特数之间的权衡。

方法论
作者提出了一个两阶段方法：首先，利用“均匀子集叠加”（Uniform Subset Superposition, USS）原语构建常数深度自适应狄克态协议；其次，建立一个通用的“提升框架”（lifting framework），将幺整狄克态制备扩展到任意对称态。

均匀子集叠加（USS）制备：
狄克态协议的核心是制备 USS 态，定义为 $|USS_{n,k}\rangle = \binom{n}{k}^{-1/2} \sum_{0 \le j_1 < \dots < j_k \le n-1} |j_1\rangle \dots |j_k\rangle$ 。
- 自适应排序： 协议首先制备 $k$ 个独立的均匀索引寄存器。随后，它采用常数深度自适应电路来比较这些索引并确定它们的相对顺序。
- 测量与经典处理： 通过对比较结果进行中间测量，以确定索引排列的“下降数”（descent number）。基于这些经典结果，应用一种“提升”操作，将弱不等式（允许相等索引）转换为严格不等式，从而确保索引是互异且有序的。
- 成功概率： 单次执行的成功概率至少为 $1/k$ 。通过并行重复可以在不增加量子深度的前提下，指数级地抑制失败概率。
- 转换为狄克态： 一旦制备出 $|USS_{n,k}\rangle$ ，它将作为索引寄存器。协议在由索引指定的特定位置向目标寄存器写入激发，然后相干地擦除索引寄存器，使目标态变为 $|D_n^k\rangle$ 。
用于对称态的提升框架：
为了制备任意对称态（ $|\psi\rangle = \sum a_k |D_n^k\rangle$ ），作者引入了一个框架，该框架能够相干地组合干净的幺整狄克态制备电路。
- 相干控制： 该方法将所需的系数 $\{a_k\}$ 编码进一个单热（one-hot）索引寄存器中。
- 受控应用： 根据索引寄存器的条件，并行应用受控版本的底层幺整狄克态制备电路（ $U_{n,k}$ ）。
- 擦除： 使用汉明重量计算和相等性检查来擦除索引寄存器，使目标寄存器处于所需的叠加态。

主要贡献与结果

常数深度狄克态制备（定理 1）：
作者提出了一种精确的、概率性的、常数深度自适应协议，用于制备 $|D_n^k\rangle$ 。
- 资源： 使用 $O(n^2 + k^2 \log^2 n + kn \log n \log \log n)$ 个辅助量子比特。
- 深度： 自适应量子深度为 $O(1)$ 。
- 成功率： 成功概率至少为 $1/k$ 。通过并行重复，可以将失败概率降低至 $e^{-c}$ （其中 $c$ 为任意常数），且辅助资源开销随 $c$ 线性缩放。
- 对比： 这改进了以往针对任意 $k$ 的自适应构造（例如文献 [30]），并提供了一种不同于文献 [36] 中使用的确定性 Grover 搜索的机制。
均匀子集叠加作为一种原语：
本文确立了 $|USS_{n,k}\rangle$ 可以以 $O(k^2 \log^2 n)$ 个辅助量子比特的代价精确地以常数深度制备。作者指出，该状态本身也具有独立的研究价值，它是 Johnson 图的均匀顶点态（与量子行走和拓扑数据分析相关）。
通用提升框架（定理 2）：
作者证明，如果一族干净的幺整电路以深度 $O(L)$ 和辅助成本 $O(\xi)$ 制备 $|D_n^k\rangle$ ，那么任何任意 $n$ 量子比特对称态都可以以深度 $O(L)$ 和辅助成本 $O(n^2 \log n + n\xi)$ 进行制备。这实现了将组合汉明重量扇区（Hamming-weight sectors）的复杂度与制备单个狄克态的复杂度分离。
常数深度对称态制备（推论 3）：
通过将提升框架与近期最新的常数深度幺整狄克态构造（文献 [36]）相结合，作者推导出了一个制备任意对称态的精确常数深度协议，其使用的辅助量子比特数量为 $O(n^3 \sqrt{\log n})$ 。

意义与主张
本文声称提供了第一个用于制备任意狄克态的精确常数深度自适应协议，该协议避免了确定性的 Grover 搜索，而是利用了一种基于自适应排序和测量的根本不同的机制。这项工作证明了测量和经典前馈可以有效地取代深层幺整相关性来进行状态制备。

关于对称态，作者声称其提升框架提供了一个通用的约简：任何对幺整狄克态制备资源复杂度的改进，都会立即转化为对一般对称态的改进。他们断言，其得到的针对任意对称态的协议（ $O(n^3 \sqrt{\log n})$ 辅助量子比特）代表了目前已知用于常数深度精确制备的最佳渐近辅助量子比特复杂度。

作者对最优性保持谦逊，指出辅助量子比特的下界为 $\Omega(n)$ ，这使得他们的 $O(n^2)$ 规模使用量与理论最小值之间存在差距。他们还强调，其自适应协议依赖于中间测量，这使得它无法直接用作提升框架中的受控子程序（后者需要干净的幺整电路），因此必须结合文献 [36] 中的幺整构造来使用。

技术摘要：狄克态（Dicke States）与对称态的常数深度自适应制备

类似论文