技术摘要：基于多初始态的量子谱估计

问题陈述

本文探讨了使用量子算法对哈密顿量 $H$ 的能谱及其本征态性质进行表征的挑战。具体而言，它关注两个基本任务：

1. 主本征态密度（DODS）估计： 估计主特征值 $\{\lambda_m\}$ 及其重度（包括近简并簇）。
2. 简并本征态性质估计： 估计限制在这些主（可能简并的）本征空间上的可观测量的期望值。

虽然最近提出的 QFAMES（量子滤波与本征谱多重性分析）框架可以高效地解决这些问题，但其相对于初始态数量（$L$ 和 $R$）的资源缩放是次优的。在原始的 QFAMES 算法中，总的哈密顿量模拟成本随 $LR$ 的乘积线性缩放。这造成了一个瓶颈，因为为了确保与目标本征空间有足够的重叠，通常需要大量的初始态集合，特别是在处理简并或近简并系统时。作者提出了一个问题：是否可以设计一种更高效的算法，以改进对 $L$ 和 $R$ 的缩放关系。

方法论

作者提出了对 QFAMES 框架内数据生成策略的一种修改，引入了**独立时间采样（Independent Time Sampling）作为原始共享时间采样（Shared Time Sampling）**的替代方案。

核心框架 (QFAMES)

该算法依赖于构建一个过滤后的数据矩阵 $G(\theta)$，该矩阵近似于理想信号 $F(\theta)$，定义为：
$$F(\theta) = \Phi \cdot \text{diag}\left(\{e^{-(\theta-\lambda_m)^2 T^2}\}_{m}\right) \cdot \Psi^\dagger$$
其中 $\Phi$ 和 $\Psi$ 是初始态与精确本征态之间的重叠矩阵，$T$ 是一个滤波时间尺度。矩阵项通过广义 Hadamard 测试进行估计，利用的是演化相关函数 $\langle \phi_l | e^{-iHt} | \psi_r \rangle$。

创新点：独立时间采样

• 共享时间采样（原始）： 哈密顿量演化时间 $\{t_n\}_{n=1}^N$ 被采样一次并由所有初始态对 $(l, r)$ 共享。因此，矩阵项中的统计涨落是相关的。
• 独立时间采样（提议）： 每个初始态对 $(l, r)$ 的演化时间 $\{t_{l,r,n}\}_{n=1}^N$ 都是独立采样的。

这种改变改变了误差矩阵 $E(\theta) = G(\theta) - F(\theta)$ 的统计特性。在独立采样下，不同矩阵项之间的统计误差变得不相关，从而允许它们随着 $L$ 和 $R$ 的增加而更有效地抵消。

核心贡献与理论结果

本文建立了严格的理论保证，证明在特定的结构假设（簇分离、主导信号和均匀重叠）下，独立采样相比于共享采样显著改善了误差和成本的缩放。

1. 特征值估计缩放

• 共享采样： 实现 $\epsilon$-精度所需的总模拟时间 $T_{\text{total}}$ 随 $\tilde{O}(LR / (\bar{p}_{\text{tail}} \bar{p}_{\text{min}} \epsilon))$ 缩放。
• 独立采样： 缩放改进为 $\tilde{O}\left(\max\left(\frac{1}{\bar{p}_{\text{tail}} \bar{p}_{\text{min}} \epsilon}, \frac{\sqrt{LR}}{\bar{p}_{\text{min}}^2 \epsilon}, \frac{LR \bar{p}_{\text{tail}}}{\bar{p}_{\text{min}} \epsilon}\right)\right)$。
• 意义： 在具有实际意义的区间内（即初始态数量不是过大，具体为 $\sqrt{LR} \lesssim \bar{p}_{\text{min}}/\bar{p}_{\text{tail}}$ 时），总成本与 $L$ 和 $R$ 无关（忽略对数因子）。统计误差随 $1/\sqrt{LRN}$ 缩放，这使得随着添加更多配对，每个配对的样本数 $N$ 可以减少。

2. 多重性恢复

• 共享采样： 成本随 $\tilde{O}(LR / (\bar{p}_{\text{min}}^2 \Delta))$ 缩放。相关噪声阻止了信噪比随状态数量的增加而提高。
• 独立采样： 成本随 $\tilde{O}(\max(L, R) / (\bar{p}_{\text{min}}^2 \Delta))$ 缩放。
• 意义： 对 $LR$ 的依赖性降低到了 $\max(L, R)$。独立采样允许统计扰动的增长速度慢于目标信号，从而实现更好的奇异值分离，用于多重性判定。

3. 可观测量估计

• 共享采样： 成本随 $\tilde{O}(LR \|O\|_2^2 / (\epsilon_O^2 \Delta))$ 缩放。
• 独立采样： 在理想情形下（$L=R$，无尾部支撑，精确简并），成本随 $\tilde{O}(\|O\|_2^2 / (\epsilon_O^2 \Delta))$ 缩放，变得与 $L$ 和 $R$ 无关。
• 意义： 与特征值估计类似，可观测量估计中的统计误差随 $1/\sqrt{LRN}$ 缩放，使总成本与初始态数量解耦。

数值结果

作者提供了针对玩具模型的数值实验来验证其理论缩放：

• 特征值误差： 图表显示，在独立采样下，误差近似按 $L^{-1}$（与 $1/\sqrt{LRN}$ 一致）衰减，然后由于偏差而趋于饱和；而共享采样则趋向于一个与 $L$ 无关的误差底限。
• 多重性恢复： 奇异值分析表明，在独立采样下，非目标奇异值随 $L$ 的增加而减小，从而扩大了阈值选择的间隙。而在共享采样下，由于相关涨落，非目标奇异值保持在与 $L$ 无关的水平。
• 可观测量误差： 与特征值类似，独立采样表现出 $L^{-1}$ 的误差衰减，而共享采样则保持恒定的误差水平。

意义与主张

本文声称，通过简单地将时间采样策略从共享改为独立，QFAMES 框架可以实现：

1. 改进的可扩展性： 对于固定精度的特征值和可观测量估计，总的哈密顿量模拟成本可以做到与初始态数量无关。
2. 资源效率： 一个较大的初始态集合（这对于探索目标本征空间，尤其是简并空间通常是必要的）不再会导致总模拟时间的成比例增加。相反，它允许减少每个态对的样本数。
3. 增强的多重性恢复： 该方法将恢复精确多重性的开销从 $O(LR)$ 降低到 $O(\max(L, R))$。

作者指出，这些改进对于需要大量初始态的应用特别重要，例如解析拓扑模型的基态简并，或在量子化学中使用多参考方法。他们总结道，虽然建立了理论界限，但仍需在物理模型上进行进一步的数值研究以评估其实际效用。本文并非声称解决了通用的谱估计问题，而是专门针对 QFAMES 框架中与初始态数量相关的缩放瓶颈。