⚛️ quantum physics

A Recursive Module-Coupling Algorithm for Computing Low-Energy Eigenstates

本文提出了一种递归模块耦合算法，该算法通过局部耦合模块构建物理启发式变分基底，以高效地同时计算多个低能本征态，不仅提供了经典加速，还提供了一个用于层次化量子线路构建的系统性框架，并已在 NISQ 设备上证明了其有效性。

原作者： Dihang Sun, Nannan Ma, Ching Hua Lee, Tianqi Chen, Jiangbin Gong

发布于 2026-09-03

📖 1 分钟阅读🧠 深度阅读

原作者： Dihang Sun, Nannan Ma, Ching Hua Lee, Tianqi Chen, Jiangbin Gong

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

在现代物理学的广阔领域中，理解粒子集合如何共同运作是一个核心追求。当科学家研究材料、磁体甚至基本相互作用力时，他们通常需要解决一个特定的数学难题：寻找系统的最低能量状态。这些状态就像是复杂机器的静止位置；了解机器最终会停留在何处，就能告诉我们它将如何对周围世界做出反应。然而，随着系统中粒子数量的增加，可能的构型会呈爆炸式增长，以至于即使是最强大的超级计算机也难以追踪。这是一个规模问题，其所需的内存增长速度甚至超过了宇宙本身所能承载的极限。为了取得进展，研究人员长期以来一直依赖于巧妙的捷径，即只关注谜题中最重要的部分，忽略其余部分，从而找到一个足够实用的近似解。

来自新加坡的一个研究团队现在提出了一种应对这一问题的新方法，其工作原理类似于一条递归式的装配线。该方法并非试图一次性解决整个系统，而是通过自下而上的方式，逐件构建解决方案。他们首先解决极小规模粒子组（称为“模块”）的能量谜题。一旦掌握了这些微小部分的最低能量状态，他们就会将两个模块组合在一起，形成一个更大的块。至关重要的一点是，他们并不会将较小部分中的每一个可能性都带入到较大的块中。相反，他们只保留最相关的低能状态，舍弃其余部分，以保持计算的可控性。随后，他们将这个新的、更大的块视为一个单一单元，并重复这一过程，将其与另一个块耦合，从而制造出更大的块。通过重复这一循环，他们可以构建出一个大规模系统的描述，而无需存储完整计算所需的那些天文数字般的数据。

研究人员在一种被称为横场伊辛链（transverse-field Ising chain）的经典磁性材料模型上测试了这种方法，这是此类问题的标准基准。通过使用经典计算机模拟该过程，他们发现该方法能够准确重现包含多达80个粒子的系统的最低能级。他们发现，通过在每一步中仅保留极少数的状态——有时在数千种可能性中仅保留4个或8个——他们就能获得与精确、完美的解几乎无法区分的结果。即使随着系统规模的增大，准确度依然保持在高水平，并且该方法已被证明足以处理粒子之间各种不同的连接方式。这表明，大规模系统的低能行为确实是由其较小部分的低能行为构建而成的，并且这种结构可以通过高效的方式被捕捉，而无需暴力计算。

除了在经典计算机上计算数值外，该团队还展示了这种模块化策略可以自然地转化为可以在实际量子计算机上运行的格式。目前的量子机器仍处于早期阶段，通常存在噪声且规模有限，难以编写复杂的程序。研究人员展示了这种逐步组装的过程可以转化为一系列足够小的量子电路，以便在当今的硬件上运行。他们训练这些电路充当“编码器”，将简单的逻辑输入映射到系统的复杂物理状态上。通过在 IBM 提供的真实量子处理器上测试这些电路，他们证明了该方法即使在存在困扰当前设备的噪声情况下，也能成功制备出具有合理准确度的低能态。这是一个重要的进步，因为它将问题从纯粹的理论练习转变为可以在现有技术上执行的实用协议。

这项工作为该领域其他流行的方法提供了一个独特的替代方案，例如目前在处理一维系统时被视为“金标准”的密度矩阵重整化群（DMRG）。虽然那些方法通常需要沿着整个系统来回多次“扫掠”以精炼答案，但这种新方法采用分层构建的方式，允许同时寻找多个能量状态，而非逐一寻找。研究人员发现，对于要求中等精度的任务，该方法比现有技术显著更快。这种速度优势在科学家需要估算基态与第一激发态之间的能量间隙（这是理解系统在量子退火或其他高级应用中如何表现的关键测量指标）时尤衷为珍贵。

这项工作的意义延伸到了量子计算本身的未来。通过提供一种构建特定状态量子电路的系统化方法，该方法为更复杂的模拟提供了一个可靠的起点。在许多量子算法中，最终结果的质量很大程度上取决于初始状态的质量。如果研究人员可以使用这种模块化方法快速生成一个良好的低能态近似值，那么他们就可以将该状态输入到其他更具挑战性的算法中，以进一步精炼答案。研究人员证明，其方法不仅在模拟中有效，在真实硬件上也同样适用，弥合了理论效率与实际落地之间的鸿沟。

最终，这项研究为探索量子世界提供了新的工具箱。它表明，通过将一个庞大且难以处理的问题分解为更小、更易管理的块，并进行细致的重新组装，我们可以绕过经典和量子硬件的限制。该方法并不声称能完美解决所有问题，但它提供了一条通往那些真正重要的答案的高效路径：即支配物理世界的低能状态。随着量子计算机的不断演进，像这种递归模块耦合算法的技术，很可能成为将这些强大机器转化为实用探索工具的关键。

技术摘要：一种用于计算低能本征态的递归模块耦合算法

问题陈述
寻找多体哈密顿量的本征态是物理学和计算科学中的一个基本挑战，因为搜索空间随系统规模呈指数级增长。虽然经典的算法如密度矩阵重整化群（DMRG）以及量子算法如变分量子特征值求解器（VQE）已经得到发展，但它们都面临着局限性。DMRG 通过重复扫描来优化全局矩阵乘积态，这在处理激发态时可能计算成本高昂且具有顺序性。VQE 虽然在含噪声中等规模量子（NISQ）时代非常流行，但往往受到贫瘠高原（barren plateaus）问题的困扰，并且需要复杂的拟设（ansatz）设计。此外，许多应用不仅需要基态，还需要同时获得多个低能激发态，并且为后续精细化过程（如虚时演化）准备高保真度的态仍然具有挑战性。

方法论
作者提出了一种递归模块耦合算法，该算法迭代地构建一个受物理启发且低维的变分子空间。其核心方法论在两个层面上运行：经典数值求解器和量子电路实现。

经典递归投影：
- 模块分解： 将系统划分为较小的、局部相互作用的模块（例如 $n$ 位块）。
- 局部对角化： 计算每个孤立模块的低能本征态，并将其截断以保留最低的 $k$ 个状态。
- 递归合并： 通过模块间的相互作用耦合两个相邻模块。合并后系统的变分子空间由组成模块的保留低能子空间的张量积构建而成（ $V_k = \text{span}\{|\alpha\rangle_A \otimes |\beta\rangle_B\}$ ）。
- 有效哈密顿量： 在该乘积子空间内组装一个维度为 $k^2$ 的有效哈密顿量，并对其进行对角化，以获得更大规模块的新一组低能本征态。
- 迭代： 重复此过程，通过层次结构（例如 $n \to 2n \to 4n$ ）直到达到目标系统规模。与 DMRG 扫描全局态不同，该方法通过构建局部本征态来建立基组，从而可以在每一步同时获得多个低能态，而不强制要求与先前找到的状态正交。
量子电路实现：
- 块编码器（Block Encoders）： 为了避免存储显式的振幅向量（其规模随指数增长），算法采用了参数化量子电路（“块编码器”），这些编码器经过训练，旨在将逻辑基态映射到模块的物理低能子空间。
- 层次化构建： 为较小模块训练的编码器被作为固定组件重复使用，以构建更大模块的编码器。逻辑变分电路耦合这些编码后的子空间，以搜索合并后系统的低能态。
- 训练： 使用 Ky Fan 子空间目标函数来训练块编码器，以最小化前 $k$ 个态的能量。随后，通过优化逻辑电路来寻找编码张量积空间内的基态和激发态。

主要贡献

物理启发的子空间构建： 该方法直接从局部模块本征态的张量积中构建变分基组，而不是优化通用的全局拟设。这利用了相互作用的局部性来创建一个紧凑且符合物理特性的子空间。
同时多态求解： 该算法在每个合并步骤中都能自然地产生多个低能态（基态和激发态），且处于同等地位，从而避免了激发态 DMRG 中常见的顺序收敛问题。
模块化量子实现： 递归结构被转化为标准化的量子电路框架。这允许通过先前优化过的、可重用的编码器模块层次化地组装大型电路。
误差分析： 作者提供了理论界限，表明每个位点的截断误差保持有界，并随保留维度 $k$ 系统性地缩放，同时总误差最多以扩展方式随系统规模增长。

结果

经典模拟： 在横场伊辛链（最高达 $L=80$ ）上的数值测试表明，该方法实现了高保真度（例如， $L=10$ 时 $k=7$ 的保真度 $>0.99$ ），并能准确重现相变过程中的低能谱和能隙结构。
效率： 对于中等精度目标（相对误差 $\sim 4-5\%$ ），该模块化方法被证明比 DMRG 快数十倍，特别是在同时计算多个低能态时。其计算成本缩放为 $O(k^6 \log_2(L/L_0))$ 。
量子硬件实验： 在 IBM 量子处理器（具体为 ibm_pittsburgh）上进行了原理验证实验。尽管存在硬件噪声，训练后的电路仍能成功制备伊辛模型的低能态，并在计算基分布保真度方面表现良好（对于 $k=4$ 的基态，保真度高达 $\sim 0.83$ ）。结果证实，基于编码子空间的方法在 NISQ 设备上是可行的，尽管性能会受限于电路深度增加时的门误差和退相干。

意义与主张
论文声称，这种递归模块耦合框架通过结合重整化群思想的物理直觉与模块化、递归的结构，提供了一种独特的现有特征值求解器的替代方案。其主要意义在于：

计算优势： 为低能态提供快速、高质量的近似，这对于作为更精细算法（如虚时演化）的起点或作为量子退火的引导非常有用。
可扩展性与可重用性： 递归重用训练好的量子编码器的能力，使得无需重新设计整个拟设即可系统性地构建更大系统的态制备电路。
NISQ 兼容性： 展示了可以直接在当前含噪声的量子硬件上制备有意义的低能本征态，弥合了经典子空间构建与量子态制备之间的鸿沟。

作者将这项工作定位为现有算法的补充，它提供了一种层次化构建量子电路的系统性方案，并能提供能量能隙的快速估计，而非声称要取代所有一维基态计算的高精度方法（如 DMRG）。

技术摘要：一种用于计算低能本征态的递归模块耦合算法

类似论文