DF-SQD: Deterministic Fields for Sampling-Based Quantum Diagonalization

在探索物质如何结合在一起的过程中，科学家们长期以来一直依赖于被称为量子力学的规则集，来描述原子和分子内电子的行为。核心挑战在于如何以完美的精度计算这些系统的能量。虽然控制这些微观粒子的规律已为人熟知，但要解决比单个原子更复杂的方程，是一项令最强大的经典超级计算机也感到难以承受的任务。电子可能排列组合的数量呈爆炸式增长，使得随着分子变大，检查每一种可能性变得不再可能。几十年来，研究人员一直将量子计算机——利用量子物理的奇特特性来处理信息的机器——视为绕过这一瓶颈的方法。然而，目前的量子设备仍然脆弱且容易出错，这意味着它们还无法运行求解这些问题所需的深层、复杂计算。该领域目前正在寻找能够利用这些早期机器所能执行的浅层、简单电路来交付有用结果的方法。

IBM 研究印度分部的研究团队推出了一种名为 DF-SQD 的新方法，旨在通过改变量子计算机的使用方式来应对这些限制。该方法并不要求量子机器直接计算最终能量（这需要深层且易出错的电路），而是利用量子处理器生成一份精选的有前景的电子排列列表。随后，研究人员提取这份列表，并在经典计算机上进行繁重的数学运算。这种混合策略使他们能够处理目前量子硬件无法单独处理的较大分子，同时保持量子电路足够简单，以便在当今带有噪声的设备上运行。该团队在两种不同的化学系统上测试了这种方法：氮分子和一个作为生物过程关键组成部分的复杂铁硫簇。他们的结果表明，通过仔细选择哪些电子构型被提议，即使使用更少的测量次数和更浅的电路，新方法也能找到比以往技术更准确的能量估计。

这项创新的核心在于如何指导量子计算机提议这些电子排列。在传统方法中，量子电路可能会尝试模拟分子随时间演化的物理过程，而这个过程需要许多层操作，并会迅速累积误差。新方法通过使用一种称为“双因子分解”（double factorization）的数学技术，避免了这一点，该技术将电子之间复杂的相互作用分解为更简单的、一维的方向。研究人员随后利用这些方向来构建一组确定性电路。可以将这些电路想象成一系列有针对性的过滤器，它们筛选庞大的可能电子状态空间，仅保留那些与分子的真实能量最相关的状态。通过使用源自分子自身数学结构的特定符号模式和旋转，量子计算机可以在不需要模拟完整物理动力学的情况下，提议出一组候选状态。

一旦量子计算机生成了这些候选状态，过程就会转向经典计算机。研究人员收集来自量子测量的数据，这些数据以代表特定电子构型的位串形式呈现。然后，他们使用经典算法根据分子的原始数学描述来评估这些构型的能量。这一步至关重要，因为它允许团队在不需要量子计算机执行困难的能量计算任务时，验证量子提议的质量。该方法包含一个恢复步骤，用于纠正由噪声硬件引入的误差，确保最终的构型列表在物理上是有效的。通过将这些经过修正的量子提议与经典计算相结合，团队可以构建出一幅高度准确的分子基态能量图景。

研究人员在氮分子（该领域的标准基准）和更具挑战性的铁硫簇上验证了他们的方法。对于氮分子，新方法的能量误差明显小于之前的最佳方法，同时使用更少的构型集即可达到该精度。在速度方面，由于需要更少的测量次数来获得同等质量的结果，新方法在量子硬件上的速度快了近三倍。铁硫簇提出了更严峻的挑战，涉及四十个量子比特以及难以建模的复杂电子结构。在模拟中，新方法发现了比旧方法更丰富的电子构型集，从而实现了更准确的能量估计。在实际量子硬件测试中，该方法再次表现优于竞争对手，以不到之前技术一半的测量次数找到了更准确的能量。

来自铁硫实验的一个关键发现是，新方法能够从相同的数据中提取更多价值。研究人员开发了一种方法，根据提议的构型与分子的哈密顿量（代表总能量的数学算符）的相互作用强度对它们进行排名。通过专注于最相关的构型，他们能够比单纯选择出现频率最高的构型的方法显著降低能量估计的误差。他们还测试了一种次级修正，该修正考虑了与未包含在主列表中的构型的相互作用，从而进一步提高了精度。这证明了该方法不仅能找到更好的起点，还提供了一个系统性改进结果的框架。

DF-SQD 的成功为当前嘈杂量子设备的量子化学时代提供了一条切实可行的路径。通过将“生成提议”的任务与“评估能量”的任务分离，该方法充分利用了量子计算和经典计算各自的优势。量子处理器充当高质量候选者的专门生成器，而经典计算机则负责严格的验证和最终计算。这种分工使系统能够绕过当前硬件的深度限制，同时仍能处理过于复杂、以至于经典计算机无法单独处理的问题。结果表明，通过精心的算法设计，即使在尚未实现完全纠错的机器时代，量子计算机也已经可以提供有意义的科学发现优势。

这项工作还强调了数据离开量子芯片后处理方式的重要性。研究人员表明，仅仅收集更多数据并不总是最高效的策略；相反，使用更智能的选择标准来决定保留哪些数据会产生更好的结果。这一洞察适用于更广泛的量子计算领域，在这些领域中，管理噪声和有限资源是一个持续存在的挑战。该方法从硬件误差中恢复并产生准确结果的能力尤其令人鼓舞，因为它表明即使从不完美的机器中也能提取出有用的科学数据。团队使用确定性方法来引导采样过程，确保了结果的可重复性，并保证量子计算机始终在探索解空间中最有前景的区域。

在铁硫簇的背景下，研究结果尤为显著，因为这类分子以其强电子相关性而闻名，这使得模拟变得异常困难。该方法能够在四十个量子比特的设备上（无论是在模拟还是实际硬件上）处理此类系统，这标志着向解决现实世界化学问题迈出了重要一步。研究人员能够证明，他们的方法可以生成一个既足以捕捉本质物理特性、又足够小到可以由经典计算机处理的构型子空间。这种平衡对于未来扩展到更大的分子至关重要。

研究结论指出，双因子分解、确定性场调度（deterministic field scheduling）和经典构型恢复的结合，为近期的量子化学创造了一个稳健的框架。该方法并不声称能精确求解薛定谔方程，但它提供了一个对于许多科学应用而言已经足够精确的近似。通过展示浅层电路如何引导大规模经典计算，这项工作为探索化学空间开辟了新的可能性。研究人员强调，其发现是基于经验观察和模拟的，为了全面确立该方法的能力，仍需在不同的分子和硬件后端进行进一步测试。尽管如此，结果有力地证明了混合量子-经典算法如何能在现有技术的约束下高效运作。

这项工作的意义超越了所测试的具体分子。DF-SQD 背后的原理可以应用于材料科学和药物研发等广泛领域，在这些领域中，理解复杂系统的电子结构至关重要。能够在现有的量子硬件上运行这些计算，意味着研究人员可以立即开始探索这些问题，而不必等待未来几代机器的到来。该方法在时间和资源方面的效率表明，它可能成为近期量子化学家使用的标准工具。随着量子硬件的不断进步，本研究中开发的各种技术将会演进，但“利用量子计算机进行提议，利用经典计算机进行验证”这一基本策略可能会成为该领域的一个基石。

最终，这项研究代表了科学家看待量子计算机在化学领域角色的一种转变。新方法不再将量子计算机视为经典超级计算机的替代品，而是将其视为能够处理特定困难计算部分的专业加速器。这种务实的观点符合当前量子技术的现状，即设备功能强大但仍受限。通过在这些限制内开展工作并设计尊重这些限制的算法，研究人员表明，即便是在这些条件下，取得有意义的进展也是可能的。其结果提供了一个清晰的范例，展示了精心的算法设计如何释放早期量子设备的潜力，为未来实现更复杂、更具影响力的应用铺平道路。