🔬 condensed matter

Strong Simulation of 1D Quantum Circuits via Reduced Transition Matrices

本文介绍了 Sweeping RTM 算法，这是一种基于简化转移矩阵的张量网络方法，通过证明在固定精度下所需的键维随时间呈亚指数级增长，实现了对一维混沌量子电路输出概率的高效经典强模拟。

原作者： Matilde Grassi, Stefano Carignano, Luca Tagliacozzo, Jacopo De Nardis

发布于 2026-10-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Matilde Grassi, Stefano Carignano, Luca Tagliacozzo, Jacopo De Nardis

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

在量子物理领域，科学家们研究由许多相互作用的微小粒子组成的系统。当这些粒子以一种被称为“纠缠”的特殊方式联系在一起时，它们表现为一个单一且复杂的整体，而非独立的个体。模拟这些系统如何随时间变化是现代计算中最困难的挑战之一。随着时间的推移，粒子之间的连接变得更加强大和复杂，导致描述该系统所需的信息量呈爆炸式增长。长期以来，这种复杂性的快速增长意味着即使是最强大的超级计算机，也只能在极短的时间内追踪这些系统，之后计算就会变得无法实现。

这项新研究的目标并不是要同时追踪整个系统，而是为了回答一个更为具体的问题：如果我们从一种特定的粒子排列开始并让其演化，那么找到其中一种特定最终排列状态的概率是多少？这不同于试图预测所有可能的结果，而后者被认为是一项极其困难的任务，甚至超出了经典计算机的能力范围。相反，研究人员专注于以固定的准确度计算单个选定结果的概率。通过将范围缩小到这一特定查询，他们找到了绕过以往阻碍科学家长时间模拟混沌量子电路之障碍的方法。

由来自法国和西班牙机构的研究人员领导的团队，开发了一种利用称为“张量网络”的技术来解决这一问题的方法。想象一个巨大的信息网格，代表着量子系统随时间移动的过程。通常情况下，为了得到答案，计算机必须处理整个网格，而这会变得过于庞大而难以处理。研究人员意识到，他们并不需要同时将整个画面保存在内存中。相反，他们可以专注于过程的起点与终点之间的连接。他们将该系统处理为仿佛同时从左侧和右侧被挤压，并在中间相遇。

他们称之为“扫掠缩减转移矩阵算法”（Sweeping Reduced Transition Matrix algorithm）的方法，其工作原理是不断优化模拟边缘所持有的信息。随着计算机在系统中来回扫掠，它会压缩数据，仅保留对计算最终概率至关重要的部分。它丢弃了那些对起始状态与结束状态之间的重叠影响不显著的细节。这是一个关键的区别：虽然系统的完整状态可能会变得极其复杂，需要海量的内存来存储，但用于回答概率问题的特定信息却要简单得多。研究人员发现，获取稳定答案所需的内存增长速度远慢于系统的演化时间。

为了测试他们的方法，该团队模拟了旨在尽可能彻底地搅乱信息的混沌量子电路。他们在多达 60 个粒子的系统上运行了这些模拟，并观察了计算机随时间的变化表现。结果显示，维持固定准确度所需的内存以亚指数速率增长。这意味着，虽然难度会随时间增加，但其增长速度并不会快到让任务变得无法完成。事实上，在他们可以访问的时间窗口内，这种增长是缓慢到可以管理的。他们通过将新方法的结果与已知完整答案的小型系统的精确计算进行对比，验证了他们的发现，并发现其估算结果是准确的。

研究还观察了被压缩数据的内部结构。他们发现，与最终概率相关的有用信息具有特定的形状，大部分权重集中在少数几个关键方向上。这使得算法可以在不丢失答案的情况下丢弃其余部分。虽然研究人员指出，他们的证据来自模拟和数值观察，而非严格的数学证明，但结果在不同类型的随机电路中都是一致且稳健的。他们表示，这种方法为经典计算机执行混沌量子系统上的特定概率查询开辟了一条直接路径，而这在以前被认为是无法实现的。

这种能力对于量子计算领域具有直接的实际价值。随着科学家们制造出更大、更复杂的量子设备，他们需要可靠的方法来检查这些机器是否正常工作。一种常用的方法被称为“基准测试”（benchmarking），涉及将设备的输出与已知的理想结果进行比较。然而，计算那个理想结果对于经典计算机来说往往过于困难。这种新方法允许研究人员计算这些特定结果的理想概率，从而提供一种在无需模拟整个系统的情况下验证量子处理器性能的方法。它还为机器学习模型在量子数据上进行训练提供了途径，因为该算法可以提供精确的概率来调整模型的参数。

研究人员承认仍存在悬而未决的问题。他们尚未证明这种内存需求缓慢增长的现象会对所有可能的时间和系统规模都成立，也尚未完全确立该方法的数学极限。目前，他们正在致力于将该技术扩展到二维系统（这将更加复杂），并探索使过程更加严谨的方法。然而，目前的工作表明，通过提出一个有针对性的问题并使用一种巧妙的压缩信息的方法，模拟混沌量子系统的行为在以前是不可能的。这改变了经典计算机在研究量子力学方面所能达到的边界，为理解和验证量子世界的行为提供了一个新工具。

技术摘要：通过缩减转换矩阵实现一维量子电路的强模拟

问题陈述
非平衡多体量子系统的模拟受限于空间纠缠的快速增长，这使得标准的张量网络方法（如 TEBD、tDMRG 和 TDVP）在处理混沌幺正电路时效率低下。虽然这些方法将动力学限制在低复杂度流形内，但随着纠缠的广泛增长，它们最终会失效。

本文针对一个更具针对性的计算任务：在给定固定相对精度 $\epsilon_p$ （或振幅精度 $\epsilon_A$ ）的情况下，对特定的输出概率 $p(x|y) = |\langle x|U(T)|y\rangle|^2$ 进行近似强模拟，其对象为一维混沌砖墙电路（brick-wall circuit）。该任务不同于对全输出分布进行采样，后者被推测在经典上是困难的。虽然精确评估特定概率通常是 #P-难的，但作者指出，既有的硬度结果通常适用于相对误差随系统规模趋于零的机制。本文研究的是实现固定有限相对精度的计算复杂度，这一机制尚未得到严格证明。

方法论：扫掠 RTM 算法
作者提出了一种基于**缩减转换矩阵（Reduced Transition Matrices, RTMs）的横向张量网络收缩策略。该算法并非沿时间方向收缩时空张量网络（这会导致由于空间纠缠引起的键维数指数级增长），也不独立地近似左侧和右侧的时间边界态，而是直接针对这两个边界之间的重叠（overlap）**进行处理。

横向表述： 电路振幅被视为左边界态 $|L\rangle$ 与右边界态 $|R\rangle$ 之间的重叠 $\langle L|R\rangle$ 。转换矩阵定义为 $T = |R\rangle\langle L| / \langle L|R\rangle$ 。
RTM 压缩： 算法利用跨越时间分区的缩减转换矩阵 $T_A = \text{Tr}_{\bar{A}} T$ 的奇异值分解（SVD）。 $T_A$ 的奇异向量识别出对重叠贡献最大的方向，而非单个边界态的纠缠结构。
扫掠程序： 算法将左、右边界态构建为时间矩阵乘积态（tMPS）。它执行跨越空间方向的交替左右扫掠。在每一步中，根据局部 RTM 的奇异谱对 tMPS 键进行截断，以保留重叠信息，而非保留单个态的信息。
收敛诊断： 该方法采用内部一致性检查，监测不同空间切片（ $\Delta_{cut}$ ）、不同扫掠次数（ $\Delta_{sweep}$ ）以及不同键维数（ $\Delta_{\chi}$ ）之间振幅估计值的偏差。当这些诊断指标低于预设容差 $\epsilon_A$ 时，判定为收敛。

关键结果
作者在三类两比特门上对算法进行了基准测试：确定性混沌踢起-Ising（kicked-Ising）电路、交换对称随机系综以及随机 Haar 系综。

亚指数级键维数增长： 对于固定相对精度的混沌一维电路，数值证据表明，在可达的时间窗口内，实现稳定估计所需的键维数 $\chi$ 呈亚指数级增长。这与忠实表示全态或标准横向 TEBD 所需的指数级增长形成对比。
谱性质： RTM 的奇异谱呈现近似指数尾部（ $\lambda_n \sim e^{-n/F}$ ）。特征衰减尺度 $F(T)$ 随时间呈幂律 $T^\alpha$ 增长。这种谱结构表明，在无限尺寸、平移不变的极限下，RTM 的 SVD 熵 $S_{RTM}$ 呈对数增长（ $S_{RTM} \sim \alpha \log T$ ），尽管有限尺寸系统由于激发态的存在会表现出偏差。
精度验证：
- 对于小规模系统（ $N=20$ ），算法结果在预设容差内与精确前向演化一致。
- 对于大规模系统（ $N=60$ ），在精确演化不可行的情况下，算法能够重现输出概率的统计特性，特别是收敛至概率对数矩的 Porter–Thomas 预测。
- 该方法在不同容差（ $\epsilon_A = 0.1, 0.5, 0.8$ ）下均保持稳定性，且在不同阈值下计算出的振幅相对差异保持在有界范围内。

意义与应用
作者声称，只要模拟时间保持在亚指数缩放窗口内，该方法为混沌量子电路提供了直接的经典概率查询路径。作者确定了三个具体应用场景：

基准测试 (XEB)： 该方法能够实现对大型量子设备进行线性交叉熵基准测试（Linear Cross-Entropy Benchmarking, XEB）的经典评估，通过计算采样字符串的理想概率，而无需存储完整的输出态。XEB 估计器的相对误差受限于概率查询的相对误差。
阴影重叠认证 (Shadow-Overlap Certification)： 该算法可以提供阴影重叠认证协议所需的复振幅查询，从而实现误差受振幅精度控制的量子器件保真度界限。
求解。
学习任务： 它有助于通过评估经验负对数似然来学习参数化量子电路模型，即使在单个概率极小时也能进行计算，只要收缩过程保持在可处理范围内。

局限性与展望
作者强调，其发现是数值性且启发式的。他们并未建立严谨的渐近复杂度界限（即在热力学极限下增长是否严格为多项式或亚指数级）。内部收敛检查并不构成严谨的误差界限。此外，目前的工作仅限于一维电路；由于收缩和压缩二维时间边界的成本增加，将该策略扩展到二维空间（使用 PEPS）被认为是一个非平凡的挑战。未来的工作需要建立严谨的界限并开发针对重叠问题的变分形式。

技术摘要：通过缩减转换矩阵实现一维量子电路的强模拟

类似论文