⚛️ 量子物理

Quantum-compatible Riemannian conjugate gradient for ground-state preparation

本文介绍了量子共轭梯度下降（QCGD），这是一种用于基态制备的黎曼优化方法，通过利用历史搜索方向，其单次迭代的收敛速度比基准算法 DB-QITE 更快，尽管这以增加电路深度为代价，从而为早期容错量子计算提供了潜在优势。

原作者： Andres Arcia-Lopez, Marek Gluza, Yudai Suzuki, Cyrus Mostajeran

发布于 2026-10-16

📖 1 分钟阅读🧠 深度阅读

原作者： Andres Arcia-Lopez, Marek Gluza, Yudai Suzuki, Cyrus Mostajeran

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

寻找物理系统的最低能量状态是科学领域的一个基本挑战，这有助于研究人员理解化学物质如何反应、新材料如何表现，以及如何解决复杂的物流难题。在量子世界中，这项任务被称为基态准备（ground-state preparation）。想象一个由丘陵和山谷组成的景观，高度代表能量；目标是找到最深的谷底，即绝对最低点。对于许多系统而言，这种搜索极其困难，甚至连最强大的经典计算机也难以解决。然而，量子计算机提供了一种独特的导航方式，能够更快速地找到这些解。为此，科学家们使用类似于登山者试图下山的算法，通过采取能尽可能快地降低海拔高度的步骤来进行移动。挑战在于设计这些步骤，使其足够高效，以便能在真实的量子硬件上运行，而目前的硬件非常脆弱，且在错误产生之前能执行的操作次数有限。

最近，一个研究小组的一项研究介绍了一种引导这些“量子登山者”的新方法，旨在比以往更高效地到达能量谷底。研究人员专注于一种特定类型的量子算法，该算法利用量子态所处空间的几何形状来决定移动方向。该领域的以往方法依赖于一种类似于最速下降法（steepest descent）的策略，即算法仅仅观察即时的斜率并直接向下迈出一步。虽然这种方法很有效，但往往很慢，经常迫使算法在谷底附近来回呈之字形摆动，最后才到达底部。这项新工作提出了一种更聪明的方法，称为量子共轭梯度下降（quantum conjugate gradient descent）。该方法不再仅仅观察即时斜率，而是会记住上一步的方向。通过将当前的下降斜率与对来源方向的记忆相结合，该算法可以采取更直接的路径，避免低效的之字形摆动，并以更少的步数达到更低的能量状态。

研究人员通过在一个被称为海森堡模型（Heisenberg model）的特定磁性系统（涉及量子粒子链）上模拟测试了这种新方法。他们将这种新算法与使用最速下降法的现有标准进行了对比。在这些模拟中，新方法始终能更快地找到更低的能量状态。例如，在处理包含二十个量子粒子的系统时，新算法仅需两步即可达到很高的准确度，而旧方法则需要三步才能达到类似的结果。这种差异看似微小，但在量子计算领域，每多出一步都会增加显著的复杂度。运行这些算法所需的电路会随着每一步而变得更长、更复杂，从而更难在真实的硬件上运行而不出错。通过在更少的步数内达到目标准确度，新方法有效地减少了所需电路的总长度，这对于目前正在开发的早期容错量子计算机而言是一个至关重要的优势。

然而，这种改进伴随着一种权衡。虽然新方法在更少的步数内达到了目标，但每一个单独的步骤在构建上都更加复杂。研究人员发现，新算法中的单个步骤比旧方法中的单个步骤需要更多的量子操作和更深的电路。如果仅从单步成本的角度对比两种算法而不考虑最终结果，新方法看起来会更昂贵。然而，当研究人员根据两者接近真实最低能量状态的程度进行比较时，新方法证明了其优越性。他们发现，新算法仅用两步就能达到旧方法三步过程的准确度。在此过程中，它仅使用了旧方法达到相同精度所需量子门数量的约36%，以及电路深度的约40%。这表明，单个步骤增加的复杂度完全值得通过减少总步数所获得的节省。

该研究还探讨了这种新方法在不同起始点下的表现。研究人员使用了两种不同的初始状态开始模拟：一种是粒子排列简单、具有结构的排列，另一种是更复杂的、经过预优化的猜测。在这两种情况下，新算法的表现都优于旧算法，能够持续移除更多的多余能量并实现更高的准确度。在从较简单的初始状态开始时，这种改进尤为明显，新方法在达到目标能量方面展现出了显著优势。研究人员指出，虽然新方法在这些模拟中非常有效，但它并不是针对所有可能问题的保证方案。其性能取决于所研究的具体系统以及用于搜索的参数。尽管如此，结果提供了强有力的证据，证明将“记忆”引入量子优化策略可以带来实质性的实际效益。

这项工作代表了将经典优化技术适配到量子领域的重大进步。通过成功地将共轭梯度下降（一种在经典计算中已精炼数十年的方法）的概念转化为量子计算机可以使用的格式，研究人员为改进量子算法开辟了一条新途径。研究结果表明，随着量子硬件的不断成熟，能够从先前动作中学习的算法将变得越来越有价值。这些增强记忆的方法可以让科学家们更高效地解决化学和材料科学中的复杂问题，从而充分利用早期量子机器上的有限资源。该研究并未声称已经彻底解决了基态准备问题，但它展示了一条通往更高效、更强大量子算法的清晰路径，为下一代量子研究提供了一种极具前景的工具。

技术摘要：用于基态准备的量子兼容黎曼共轭梯度法

问题陈述
哈密顿量的基态准备（GSP）是量子模拟、优化和机器学习中的一项基础任务。然而，对于一般的哈密顿量，GSP 是 QMA 完全（QMA-complete）的，这为经典和量子设备都带来了显著挑战。虽然量子虚时演化（QITE）通过在酉流形上最小化能量，为 GSP 提供了一个几何框架，但现有的方法（如双括号 QITE，DB-QITE）主要依赖于黎曼最速下降法（梯度下降）。这些方法存在一种权衡：虽然它们可以实现指数级的保真度提升，但其所需的电路深度随迭代次数呈指数级增长。此外，最速下降法经常表现出“之字形”行为，导致其收敛速度慢于更先进的经典优化技术。

方法论
作者提出了量子共轭梯度下降（QCGD），这是一种量子兼容的黎曼共轭梯度下降实现。该方法将 GSP 的几何形式从简单的梯度下降扩展到一种结合了先前搜索方向信息的记忆增强方法。

几何形式化： 该问题被构建为在酉流形 $U(N)$ 上最小化能量期望值 $E(U) = \langle 0|U^\dagger H U|0\rangle$ 。标准的梯度下降更新公式为 $U_{k+1} = e^{-\mu_k [H, \psi_k]} U_k$ ，其中 $\psi_k$ 是当前的态密度矩阵。
共轭梯度扩展： QCGD 通过引入记忆项来修改搜索方向 $W_k$ 。更新规则变为：
$W_{k+1} = -[H, \psi_{k+1}] + \gamma_{k+1} W_k$
其中 $\gamma_{k+1}$ 是旨在最小化能量的标量系数。这结合了当前的负黎曼梯度与先前搜索方向的平行移动。
量子兼容性： 为了在量子计算机上实现指数算符 $e^{-\mu_k [H, \psi_k]}$ 的计算，作者利用了群对易子乘积公式（通过哈密顿量演化和反射来近似 $e^{-s[A,B]}$ ）。对于涉及先前状态线性组合的共轭项，他们采用了 Trotter-Suzuki 近似，将其分解为一系列哈密顿量演化和广义反射。
算法结构： 生成的递归电路（算法 2）通过应用一系列哈密顿量演化 $e^{i\sqrt{\mu_k}H}$ 和态反射 $e^{i\theta_j \psi_j}$ 来构建酉算符 $U_{k+1}$ ，其中系数 $\theta_j$ 取决于共轭参数 $\gamma$ 。至关重要的是，QCGD 的搜索空间包含了 $\gamma_k = 0$ 的情况，从而确保 QCGD 始终能够恢复 DB-QITE 的更新，进而继承其能量下降的保证。

核心贡献

算法创新： 本文引入了 QCGD，这是首个用于基态准备的量子兼容黎曼共轭梯度下降实现，将数十年的流形优化进展与量子算法设计联系了起来。
递归电路构建： 作者推导出了一个特定的递归电路结构，该结构仅使用哈密顿量演化和反射来近似黎曼 CGD 迭代，从而保持了与近期待用及早期容错硬件约束的兼容性。
资源分析： 本研究提供了关于收敛速率与电路深度之间权衡的详细分析，并使用 Qrisp 框架量化了门计数（U3 和 CZ）以及电路深度。

结果
数值实验在反铁磁海森堡哈密顿量上进行，系统规模为 $L \in \{10, \dots, 20\}$ 个量子比特，并使用了两种初始化方式：最近邻单态的乘积以及哈密顿变分算符（HVA）热启动。

收敛速度： 与 DB-QITE 相比，QCGD 在每次迭代中都能实现更快的能量降低。对于较大的系统规模（例如 $L=20$ ），能量降低的优势更加显著，QCGD 避免了梯度下降中观察到的平台期现象。
保真度提升： 在固定的迭代次数下，QCGD 比 DB-QITE 具有更高的基态保真度。对于 $L=20$ 且采用单态初始化的情况，QCGD 在三步后达到了 0.669 的保真度，而 DB-QITE 为 0.522。
匹配保真度时的资源效率： 虽然单个 QCGD 步骤比 DB-QITE 步骤更昂贵（具有更高的门计数和深度），但改进的收敛性使得 QCGD 能够以更少的迭代次数达到相同或更好的保真度。具体而言，对于 $L=12, 16, 20$ ，两次 QCGD 迭代即可达到或超过三次 DB-QITE 迭代的保真度。在这些匹配保真度的场景中，QCGD 电路仅需对应三次 DB-QITE 电路约 36% 的 CZ 门和 40% 的电路深度。
参数敏感性： 研究指出，最优共轭参数 $\gamma$ 对搜索域和迭代步长非常敏感。在受限定义域内，最优 $\gamma$ 有时会落在边界上，这表明该方法的全部潜力可能需要更广泛的参数搜索。

意义与主张
作者声称，QCGD 证明了基于记忆的黎曼优化可以转化为量子基态准备中的实质性实际优势。其主要意义在于收敛速率与实现复杂度之间的权衡：虽然单个 QCGD 更新更为复杂，但减少达到目标保真度所需的总递归步数，最终实现了电路深度和门计数的净减少。

本文将 QCGD 定位为早期容错阶段的一种特别有利的策略，因为在该阶段，最小化电路深度对于减轻噪声至关重要。作者谦虚地指出，目前的研究结果仅限于海森堡模型和特定初始化，未来的工作需要验证该方法在任意哈密顿量和扩展参数网格下的鲁棒性。他们并未声称 QCGD 解决了 GSP 根本的 QMA 完全性问题，而是提供了一种在当前及未来近期的量子硬件约束下，更高效的启发式策略，用于在优化景观中进行导航。

技术摘要：用于基态准备的量子兼容黎曼共轭梯度法

类似论文