Hardware-Efficient Ground-State Preparation using Variational Imaginary-Time Majorana Evolution
本文介绍了变分虚时马约拉纳演化（VIME），这是一种与压缩的 c-tUPS 拟设相结合的经典预训练算法，与现有的如 ADAPT-VMPE 等方法相比，它在实现分子基态制备的化学精度方面，显著降低了量子电路深度和门计数。
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
探索分子如何结合以及如何反应的任务是科学中最基本的挑战之一，然而，当分子内部的电子表现出极度不可预测的行为时，这一探索往往会陷入困境。在许多材料中，从驱动工业化学的催化剂到用于新型储能的复杂化合物，电子并非以简单、独立的路径运动。相反，它们变得深度纠缠，一个电子的行为会瞬间影响其他电子，从而创造出一个巨大的、纠缠不清的可能性网络。驱动从智能手机到超级计算机等一切设备的经典计算机，难以理清这个网络，因为可能性的数量增长得如此之快，以至于迅速超过了我们所能制造的任何机器的容量。量子计算机利用量子力学的奇特规则来处理信息，有望通过自然地模拟这些纠缠的电子来解决这一问题。然而，为了将量子计算机用于这项任务，科学家首先需要准备一种特定的初始状态，这种状态要尽可能接近分子的最低能量构型，即基态。如果这个起点偏差过大，量子计算机就无法找到答案，而且用于到达该状态的复杂电路通常对于目前的硬件来说过于冗长且易出错。
一个研究小组开发了一种导航这一困难准备阶段的新方法，创造了一条捷径，使他们能够以比此前认为的更少的资源找到这些关键的初始状态。他们引入了一种被称为“变分虚时马约拉纳演化”（Variational Imaginary-time Majorana Evolution）的技术，这是一种完全在经典计算机上运行的高级训练场。该方法并非直接尝试最小化能量（这可能会导致死胡同和错误），而是模拟了一个系统自然沉降到其最低能量状态的过程，就像一个球沿着山坡滚动，直到找到最深的谷底。研究人员将这种模拟与一种全新的、精简的量子电路设计相结合，这种结构被称为“压缩平铺幺正态”（compressed tiled Unitary Product State）。这种设计就像是一个高效的蓝图，使用更少的构建模块来构建相同的复杂形状，显著减少了在真实的量子机器上运行模拟所需的步骤和连接。
当团队在已知最困难的分子系统上测试这种方法时——包括一种用于医学研究的复杂� ル烯（ruthenium）化合物和一系列被称为并五苯（acenes）的大型碳基分子——结果令人震惊。对于涉及52个量子比特系统的� ル烯配合物，他们的方法产生的能量估计达到了化学精度，这意味着其准确度足以预测现实世界的化学行为。相比之下，使用类似量子电路的以往方法往往产生偏离真实值的计算结果，或者需要长到无法在近未来硬件上运行的电路。这种新方法在实现高水平准确度的同时，使用的复杂逻辑门（称为CNOT）减少了多达400倍，并且将电路深度降低了160倍以上。这种复杂性的巨大降低意味着，这些计算有可能在比旧有的、更笨重的方案所需的更接近现实的量子计算机上执行。
这项工作的成功在于它如何处理电子相互作用的数学复杂性。研究人员使用经典计算机来模拟量子电路的行为，通过追踪系统属性如何随一系列步骤演化，有效地创建了一幅能量景观图，而无需运行实际的量子实验。通过压缩电路设计并使用单一且可重复利用的地图来引导优化，他们避开了通常会减慢此类模拟的计算瓶颈。即使对于具有强电子相关性（即电子高度相互依赖，在此场景下许多其他技术都会失效）的分子，该方法也表现出了鲁棒性。团队发现，他们的方法不仅能达到现有最佳方法的准确度，而且是以极小的计算成本和电路资源实现的。
这一进展为使用量子计算机解决化学和材料科学中的现实问题提供了一条充满希望的路径。通过证明高精度的基态准备可以通过紧凑、高效的电路实现，研究人员表明，进行此类强大模拟的准入门槛比此前认为的要低。高效准备这些状态是释放量子计算机在设计新药、创造更好电池以及理解物质基本性质方面全部潜力的关键一步。尽管这项工作是通过模拟和经典预训练完成的，但结果表明，生成的量子电路足够短且简单，足以成为下一代量子硬件执行的有力候选方案，使模拟复杂分子的梦想离现实又近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。