Pathwise Random Hamiltonian Simulation

技术摘要：路径随机哈密顿量模拟 (PRHS)

问题陈述
哈密顿量模拟是量子计算中的一个基本原语，对于相位估计、优化和线性系统求解器等算法至关重要。标准方法涉及算符分裂技术，例如 Trotter–Suzuki 分解，通过组合由简单哈密顿量项生成的演化来近似时间演化算符 $e^{-iHt}$。虽然这些方法在概念上很简单且不需要辅助量子比特，但确定性的 Trotter–Suzuki 公式对哈密顿量项的数量 ($\Gamma$) 和目标精度 ($\epsilon$) 的倒数 ($1/\epsilon$) 表现出多项式依赖性。

为了解决对 $\Gamma$ 的依赖问题，qDrift 协议作为一种随机替代方案被引入。qDrift 从经典概率分布中采样哈密顿量项，消除了对 $\Gamma$ 的显式依赖。然而，qDrift 本质上受限于演化时间的一阶精度，这意味着其查询复杂度与 $1/\epsilon$ 呈线性关系。以往将随机方法扩展到高阶的尝试都面临着显著的权衡：

• qSWIFT 可以实现任意阶，但需要一个辅助量子比特。
• 复合 qDrift (Composite qDrift) 保持了无辅助量子比特的特性，但重新引入了对 $\Gamma$ 的依赖。
• qSHIFT 实现了更高阶，但需要求解一个随目标阶数快速增长的经典方程组。

因此，如何构建一个既能保持无辅助量子比特的简洁性、对 $\Gamma$ 独立，又能拥有高效可计算采样规则的任意阶 qDrift 推广方案，一直是一个悬而未决的问题。

方法论
本文引入了路径随机哈密顿量模拟 (PRHS)，这是对 qDrift 在演化参数 $\Lambda t$（其中 $\Lambda = \sum |\lambda_\gamma|$）方面向任意阶 $M$ 的系统性扩展。

1. 相关采样 (Correlated Sampling)： 与标准 qDrift 为每个时间步采样独立项不同，PRHS 将每个时间步 $t$ 细分为 $M$ 个相关切片。演化由一个序列为 $M$ 个哈密顿量项 $\alpha = (\alpha_1, \dots, \alpha_M)$ 的轨迹控制，该序列从拟概率分布 (quasi-probability distribution) $q_M(\alpha)$ 中采样。
2. 唯一分布构建： 作者证明存在唯一的拟概率分布 $q_M(\alpha)$ 可以实现 $M$ 阶精度。他们推导出了该分布的闭式表达式。该构造依赖于将任何索引向量 $\alpha$ 分解为连续相等条目的最大运行（runs）。该分布使用第一类有符号斯特林数 $s(c, b)$ 以及标准的 qDrift 权重 $\mu_\gamma = |\lambda_\gamma|/\Lambda$ 来定义：
   $$q_M(\alpha) = \sum_{b_1, \dots, b_L \ge 1} \frac{M!}{n!} \prod_{l=1}^L \frac{\mu_{g_l}^{b_l}}{b_l!} \frac{s(c_l, b_l)}{c_l!}$$
   其中 $n = \sum b_l$，且 $(g_l, c_l)$ 代表轨迹中第 $l$ 个运行的值和计数。
3. 偏差与误差界限： 生成的量子通道以阶乘级衰减于 $M$ 的偏差来近似真实的演化。单个块的钻石距离 (diamond-distance) 误差界限为：
   $$\delta_M \le \frac{(2\Lambda t)^{M+1}}{(M+1)!} e^{2\Lambda t}$$
   对于由 $N$ 个独立块组成的总体演化时间 $T = Nt$，总误差缩放为 $\delta(N, M) \le N \frac{(2\Lambda T/N)^{M+1}}{(M+1)!} e^{2\Lambda T/N}$。
4. 处理拟概率： 由于 $q_M(\alpha)$ 可能取负值，协议采用了重要性采样。样本从归一化的绝对分布 $|q_M(\alpha)|/\|q_M\|_1$ 中抽取，测量结果通过 $\|q_M\|_1$ 进行重缩放。这引入了一个样本数放大因子 $\|q_M\|_1^{2N}$。

核心贡献与优化
论文指出，通过对块大小 $M$ 和重复次数 $N$ 进行联合优化，可以减轻拟概率采样带来的缺陷（增加的样本数）。

• 长时间极限： 当 $\Lambda T \to \infty$ 时，最优策略收敛于 $M^*=1$ 且 $N^* \sim 2\Lambda^2 T^2/\epsilon$，从而恢复了具有二次次优时间缩放的 standard qDrift 协议。
• 高精度极限： 当 $\epsilon \to 0$（固定 $\Lambda T$）时，最优策略转向 $N^*=1$ 且 $M^* \sim \ln(1/\epsilon)/\ln\ln(1/\epsilon)$。在此机制下，总查询成本的缩放为：
  $$C(N^*, M^*) \sim \left(\frac{1}{\epsilon}\right)^{\frac{\ln \eta}{\ln \ln (1/\epsilon)}}$$
  其中 $\eta$ 是特定问题的速率。这种缩放慢于任何关于 $1/\epsilon$ 的幂函数，相比于标准 qDrift 和固定阶 Trotter–Suzuki 公式，这代表了显著的改进。

结果
作者通过在五个分子哈密顿量（通过 Jordan–Wigner 变换映射到量子比特的 H$_2$, HeH$^+$, LiH, BeH$_2$, 和 H$_2$O）上的数值模拟验证了 PRHS。

• 精度： 在固定的查询成本（匹配所应用的初等演化通道数量）下，在测试的 $\Lambda T$ 范围内，PRHS 实现的精度比 qDrift 高出两个到四个数量级。
• 采样开销： 虽然拟概率采样的开销 $\|q_M\|_1$ 随 $M$ 指数级增长，但数值结果表明，这种增长相对于精度的指数级增益而言是适度的。观察到的 $\|q_M\|_1$ 始终远低于论文中推导出的理论通用界限。

意义
本文声称解决了构建一个任意阶、无辅助量子比特、且对 $\Gamma$ 独立的随机哈密顿量模拟协议这一开放性问题。PRHS 提供了一条通往高精度模拟的系统化路径，且无需辅助量子比特或复杂的块编码。通过在相关深度（$M$）与重复次数（$N$）之间进行优化，PRHS 在标准 qDrift 机制与高精度机制之间进行了插值，而在高精度机制下，查询成本相对于逆精度呈亚多项式增长。作者指出，虽然其分析仅限于与 Trotter–Suzuki 类分解的比较（排除了以辅助量子比特为代价提供更好渐近缩放的量子奇异值变换等方法），但 PRHS 为近期量子硬件提供了一个实用且资源高效的替代方案。未来的工作建议集成架构感知重加权，以最小化真实的硬件级计算成本。