Emergent Prethermal Symmetries for Scalable Hamiltonian Learning

技术摘要：用于可扩展哈密顿量学习的涌现预热对称性

1. 问题设置与动机

本文研究了从实时演化数据中学习几何局部多体哈密顿量 $H(\lambda) = \sum_{a} \lambda_a P_a$ 系数的问题。目标是将参数矢量 $\lambda$ 的估计精度提升至 $\epsilon$，且失败概率为 $\delta$。

该领域的一个核心挑战是“海森堡极限（Heisenberg limit）”，即为了达到精度 $\epsilon$，所需的总演化时间按 $O(1/\epsilon)$ 缩放，这是信息论意义上的最优标度。然而，实现这一极限通常需要复杂的量子控制。现有的方案通常依赖于：

1. 受信任的多比特操作： 当哈密顿量本身未知时，这些操作难以实现。
2. 快速脉冲控制： 其中控制间隔 $\tau$ 必须按 $O(\sqrt{\epsilon})$ 缩放。这产生了一个“精度底限（precision floor）”，因为实际门操作具有有限持续时间；一旦 $\tau$ 低于门时间，方案就会失效。

作者识别了一种张力：实现海森堡极限的学习需要控制以防止热化（热化会抹除局部信息），但当系统尚未得到良好表征时，这种控制往往是不可用的。本文探讨了是否可以使用静态单比特场实现海森berg极限学习，且该场的强度仅随 $1/\epsilon$ 进行多项式对数级增长，并与系统规模 $n$ 无关。

2. 方法论

所提出的方案利用**涌现的预热对称性（emergent prethermal symmetries）**来延迟热化，而无需快速或受信任的多比特控制。该方法分为三个阶段：

A. 静态场与预热对称性
方案对系统施加随机静态单比特场。具体而言，针对选定的“缺陷（defect）”位点 $k$，在局部邻域 $B = B_R(k)$ 内施加强度为 $\nu$ 的场，在缺陷位点处场强减半，在 $B$ 之外为零。

• 机制： 该设置创建了一个与该场相关的近似守恒律（“电荷”）。利用 ADHH (Abanin-De Roeck-Ho-Huveneers) 递归，作者构造了一个准局部幺正变换，将物理哈密顿量映射到有效哈密顿量。
• 结果： 在这个有效框架下，系统展现出一种涌现对称性，该对称性与有效哈密顿量在准指数级微小余项下对易。这抑制了热化，使得演化时间可以达到 $O(1/\epsilon)$ 量级，前提是场强 $\nu$ 足够大（具体而言 $\nu \sim \text{polylog}(1/\epsilon)$）。

B. 局部谱学与频率估计
在这一预热窗口内，系统表现出相干动力学。方案制备一个乘积态（缺陷处局部场本征态的叠加态）并测量单比特泡利观测量。

• 信号： 测量产生一个 Ramsey 式信号 $S(t)$，其振荡频率由有效跃迁能量 $E(\lambda)$ 决定。
• 鲁棒估计： 使用鲁棒频率估计算法（一种鲁棒相位估计的变体），方案能够提取这些跃迁能量，尽管存在静态噪声和有限场强，仍能实现海森堡极限标度（$O(1/\epsilon)$ 时间）。

C. 局部逼近与经典反演
一个关键的技术贡献是证明了全局有效跃迁能量可以被局部近似。

• 局部性： 通过在复参数 $z$ 下对 ADHH 递归进行泰勒展开，作者证明了缺陷处的跃迁能量主要取决于半径 $R \sim O(\log(1/\epsilon))$ 内的哈密顿量项。远处项的贡献呈指数级衰减。
• 优化： 将学习问题表述为最小二乘优化问题：最小化测得的跃迁能量与在局部块上计算的前向模型 $F(\mu)$ 之间的差异。
• 稳定性： 作者证明了在强场极限下，该前向映射的雅可比矩阵是良置的。他们构造了一个固定预条件梯度下降算法，该算法能以指数级速度收敛到真实的系数 $\lambda$，前提是场强 $\nu$ 超过一个与 $n$ 无关的阈值。

D. 并行化
为了实现可扩展性，该方案在多个“缺陷”位点上同时运行实验。

• 分离： 缺陷位点通过距离 $L \sim O(\log(1/\epsilon))$ 进行空间分离。
• 解耦： 利用 ADHH 递归的连通词展开（connected-word expansion），作者证明了耦合两个分离缺陷的相互作用仅出现在高阶项（阶数 $P \sim L/r_0$）。通过将有效哈密顿量截断至此阶，各缺陷处的动力学被证明是有效独立的，从而允许在没有显著串扰的情况下进行并行数据采集。

3. 核心贡献

1. 可扩展的海森堡极限学习： 本文提出了第一个仅使用静态单比特控制即可实现几何局部多体哈密顿量海森堡极限标度（总演化时间 $O(1/\epsilon)$）的方案。
2. 与系统规模无关性： 不同于以往的方法（其中控制参数如场强或脉冲间隔可能随系统规模 $n$ 缩放），所需的场强 $\nu$ 和递归步数与 $n$ 无关。它们仅随 $1/\epsilon$ 进行多项式对数级缩放。
3. 将涌现预热对称性作为资源： 该工作不仅将涌现预热对称性视为一种物理现象，还将其确立为一种实用的量子学习资源，从而在无需复杂控制的情况下实现长时间的相干动力学。
4. 严谨的解析延拓： 作者通过解析延拓将 ADHH 递归扩展到非厄米相互作用。这使得对泰勒截断误差和导数估计进行严谨界定成为可能，对于证明经典反向问题的稳定性至关重要。
5. 并行化策略： 该方案展示了如何利用 $O(\log^d(1/\epsilon))$ 个批次对 $n$ 个位点进行并行学习，将总演化时间对 $n$ 的依赖关系从线性降低到对数级。

4. 主要结果

主定理（定理 1.1 和 定理 7.8）指出，对于具有几何局部相互作用的 $d$ 维 $n$ 量子比特晶格：

• 精度： 该方案产生的估计值 $\hat{\lambda}$ 满足 $\|\hat{\lambda} - \lambda\|_\infty \leq \epsilon$，概率至少为 $1-\delta$。
• 总演化时间： 系统在未知哈密顿量下的总演化时间为：
  $$T_{\text{total}} = O\left( \frac{\log^d(1/\epsilon) \log^2(n/\delta)}{\epsilon} \right)$$
  这在忽略多项式对数因子的情况下达到了海森堡极限。
• 场强： 所需的静态场强为：
  $$\nu \geq O\left( \max\left\{ \log^d(1/\epsilon), \log(1/\epsilon)[1 + \log \log(1/\epsilon)]^3 \right\} \right)$$
  该强度与 $n$ 无关。
• 资源： 该方案使用乘积态制备、单比特测量和非自适应实验。经典后处理时间关于 $n$、$1/\epsilon$ 和 $\log(1/\delta)$ 是多项式级的。

5. 意义与主张

作者声称，这项工作解决了实现海森堡标度所需的控制与未知系统中缺乏受信任控制之间的张力。通过利用预热化，他们表明既不需要受信任的多比特操作，也不需要快速脉冲控制即可实现可扩展的哈密顿量学习。

论文强调，其结果是通过涉及以下内容的严谨数学证明建立的：

• ADHH 递归的解析延拓。
• 局部范数估计与 Lieb-Robinson 界。
• 经典反向映射的稳定性分析。

这项工作为在快速或受信任控制不可用的情况下表征多体系统开辟了一条路径，表明预热对称性可以作为可扩展量子学习和认证的一种通用资源。作者指出，虽然该方案对某些状态制备与测量（SPAM）误差具有鲁棒性，但它依赖于施加静态场和进行单比特测量的能力。