技术摘要：从简单源到通过同态多项式换能实现量子优势

1. 问题陈述

本文探讨了制备振幅为目标哈密顿量或目标函数之低阶多项式的量子态这一挑战。之前的研究方法，特别是**解码量子干涉测量（DQI）**及其哈密顿量扩展（HDQI），已成功实现了此类状态的制备，用于组合优化和热态制备。然而，这些方法依赖于：

1. 无关系源（Relation-free sources）： 它们要求源系统在其生成元之间不存在代数关系，这限制了可用源哈密顿量的复杂度。
2. 普通解码（Ordinary decoding）： 它们需要通过解码来恢复特定项选择标签（即“校验子”）。这种解码受限于普通距离（$d_{ord}$），其定义为目标关系中的最小权重。如果 $2D < d_{ord}$，则多项式阶数 $D$ 会受到限制，通常将该方法限制在极低阶的滤波器中。
3. 复杂的导向态制备（Complex pilot preparation）： 构建必要的“导向态”（即项选择的叠加态）需要针对特定情况进行复杂的对易相位和重数枚举。

作者试图推广这些方法，以容纳具有内部代数关系的源，允许更高阶的多项式滤波器，并简化状态制备过程。

2. 方法论：同态多项式换能

作者提出了一个基于通过保单位 $*$-同态进行算符代数换能的统一框架。

核心概念

该框架将制备目标多项式态 $|q(b)\rangle\rangle_B$（其中 $b$ 为目标生成元）的过程，视为通过同态 $\pi: \mathcal{A} \twoheadrightarrow \mathcal{B}$ 将源多项式态 $|q(a)\rangle\rangle_A$（其中 $a$ 为源生成元）进行传输的过程，满足 $\pi(a_i) = b_i$。

• 源（Source）： 源哈密顿量 $H_A$ 中多项式 $q(H_A)$ 的高效可制备态。
• 目标（Target）： 对应于 $H_B = \pi(H_A)$ 的多项式 $q(H_B)$ 状态。
• 机制： 该过程利用算符傅里叶变换将算符系数暴露为量子振幅，随后通过相对解码来消除源信息。

关键技术组件

1. 相对距离（$d_{rel}$）：
   作者将内在相对距离定义为源与目标迹（trace）发生分歧的最小阶数。至关重要的是，该距离仅计算目标中新增的、而源中不存在的关系。

   • 准则： 当且仅当 $2D < d_{rel}$ 时，换能过程能保持所有 $D$ 阶多项式的内积。
   • 优势： 由于继承自源的关系不会消耗解码预算，因此 $d_{rel} \ge d_{ord}$。在许多情况下，$d_{rel}$ 可以是 $\Theta(n)$（与系统规模呈线性关系），而 $d_{ord}$ 仍保持为 $O(1)$，从而允许显著提高多项式滤波器的阶数。

2. 相对解码（Relative Decoding）：
   与恢复完整项选择向量的普通解码不同，相对解码仅恢复目标标签所代表的源算符类。

   • 如果目标标签为 $M(\alpha)$，解码器会在阶数-$D$ 子空间内恢复唯一的源标签 $\alpha$。
   • 这是因为源关系码 $\mathcal{K}_A$ 包含在目标关系码 $\mathcal{K}_B$ 中。解码器处理商空间 $\mathcal{K}_B/\mathcal{K}_A$。

3. 四步电路：
   换能通过一个确定性的相干电路实现：

   1. 源算符傅里叶变换： 将制备好的源态转换为基标签的叠加态。
   2. 标签与相位计算： 计算目标标签 $M(\alpha)$ 及相关的相位 $\chi(\alpha)$。
   3. 相对解码： 使用可逆解码器消除源标签 $\alpha$，使目标标签寄存器处于由源系数加权的叠加态中。
   4. 逆目标算符傅里叶变换： 重构目标多项式态。

泛化应用

该框架的适用范围超越了比特自旋（泡利代数），扩展至：

• 费米子： 使用马约拉纳算符代数及保持宇称的同态。
• Qudits 与玻色子： 使用有限维 Weyl 算符代数（针对素数维系统）以及针对具有固定粒子数玻色系统的精确有限还原。

3. 核心贡献

1. 统一框架： 将 DQI 和 HDQI 重新表述为通过 $*$-同态进行的一般性“多项式换能”，在一种代数原理下统一了优化和吉布斯采样。
2. 放宽阶数限制： 证明了阶数限制受相对距离 $d_{rel}$ 而非普通距离 $d_{ord}$ 控制。这使得多项式滤波器可以在 $d_{ord} \le 2D < d_{rel}$ 的区间内运行，而这一区间在标准的 DQI/HDQI 中是无法实现的。
3. 模块化状态制备： 用模块化的任务——制备源多项式态，取代了复杂且依赖特定情况的导向态制备。这使得可以使用现有的状态制备算法（例如针对独立块或特定哈密顿量的算法）而无需重新推导导向振幅。
4. 广泛适用性： 展示了该框架在非均匀系数、非对易相互作用以及包括费米子、qudits 和玻色子在内的系统中的适用性。

4. 结果与应用

A. 近似优化

作者推导了一个公式，用于计算给定阶数多项式滤波器所能达到的最佳平均目标值。他们表明，如果 $2D + r < d_{rel}$，则可以完全从源态计算目标观测量的期望值，从而避免了为了估计目的而进行换能电路的操作。然而，其真正的优势在于生成目标样本（即向高分值偏移的可行赋值）。

B. 吉布斯态制备

该框架支持**热场双倍（TFD）**换能。通过将制备好的源 TFD 态换能为近似的目标 TFD 态。可实现的逆温度 $\beta$ 受限于相对距离；具体而言，在广延系统中，线性的相对距离足以支持常数级的逆温度。

C. 数值演示：非线性残差链

论文展示了一个特定的优化问题：非线性成对最优多项式交集（OPI）的变体。

• 设置： 一个变量链，其中的约束通过非线性残差方程测试相邻变量的值。
• 对比：
  • 普通解码： 由于源中存在短关系（例如 $d_{ord} \le 4$），传统的 DQI 式制备被限制在 $D=1$。
  • 相对解码： 通过吸收源关系，$d_{rel}$ 显著增大，从而支持 $D=50$ 的引导。
• 性能：
  • 量子： 阶数为 50 的滤波器的理想量子平均得分是 0.64313。
  • 经典： 使用经典启发式算法（插值、局部搜索、退火、推理）在十个随机实例上的最佳中位数得分是 0.60666。
  • 差距： 量子优势约为 3.65 个百分点，超过了测试的最优经典启发式算法。

5. 意义与主张

本文声称，该框架提供了一条系统性的实现量子优势的路径，在以下场景中尤为明显：

1. 源关系是有益的： 代数关系不再是阻碍，而是被用来增加相对距离，从而实现更高阶的多项式滤波器。
2. 模块化是关键： 通过将源制备与目标换能解耦，该方法简化了为复杂、非均匀及相互作用系统设计量子算法的设计过程。
3. 超越比特： 代数公式自然地扩展到了费米子和玻色子系统，填补了以往 DQI 文献主要集中于比特系统的空白。

作者对其主张保持谨慎，指出虽然数值示例显示了相对于测试过的经典启发式算法的优势，但这并未建立正式的经典下界。他们强调，该框架的实际效用取决于是否存在易于制备且具有丰富关系的源态，以及能否实现高效的相对解码器。这项工作为探索这类受限优化问题中采样任务的经典复杂度开辟了新的途径。