Growing-time trace fluctuations and self-averaging form factors of Grover walks on random lifts

在量子物理领域，科学家经常研究粒子如何在复杂的网络中移动，就像旅行者在拥有许多街道和交叉口的城市中穿行一样。其中一种建模这种运动的特定方式被称为量子行走（quantum walk），在这种模型中，粒子并非简单地随机选择路径，而是处于一种叠加态，实际上是在同时探索许多路径。为了理解这些量子系统的行为，研究人员会观察一个被称为“迹”（trace）的数学量，它就像是粒子可能采取的所有路径的一个总结。当科学家们随时间观察这些迹时，他们试图观察量子粒子的混沌、波动运动最终是否会稳定成一种可预测的模式，或者这种随机性是否无论观察多久都会持续存在。这个问题对于理解复杂的量子系统是否可以用简单的、普适的定律来描述至关重要，类似于即使单个分子的运动不可预测，气体的平均行为仍然可以被预测一样。

一支研究团队现在为一种被称为“格罗弗行走”（Grover walk）的特定类型量子行走提供了一个确定的答案，这种行走是在一种被称为“提升图”（lifts）的随机图类上进行的。想象一下，你拿一张简单的、固定的城市地图，通过将每一个原本的交叉口替换为一个新的、相同的交叉口集群，从而创建一个大规模、复杂的版本。这些新集群之间的连接方式是完全随机地链接在一起的。这创造了一个巨大的、错综复杂的网络，它是基于一个单一且简单的蓝图构建而成的。研究人员研究了在这个随机生成的网络上进行的格罗弗行走。他们的目标是确定，通过仅在这一个特定的网络上长时间观察这种行走，他们是否可以平滑掉波动，从而找到一个稳定的、可预测的值。他们想知道该系统是否具有“自平均性”（self-averages），即时间本身是否可以作为在不同网络上重复进行实验的替代手段。

这项研究证明了这种自平均现象确实存在。当研究人员计算格罗弗行走在长时间内的平方波动平均值时，结果收敛于一个特定的常数。这个常数仅取决于原始地图中每个点所连接的路径数量，而不取决于构建大型网络时的具体随机细节。这一发现意义重大，因为它表明，尽管网络是随机生成的，但格罗в尔走行的长期行为是极其稳定且具有确定性的。研究人员还发现，这些波动随时间累积的方式遵循一种非常特定的模式，即布朗运动（Brownian motion），这与用于模拟浮在水中的花粉颗粒之抖动运动的数学描述是相同的。这意味着格罗夫尔行走中的随机误差并不会消失；它们以一种完全可预测的方式积累，并遵循概率法则。

该团队还探讨了当网络具有一种被称为“二分性”（bipartiteness）的特殊属性时会发生什么，这是一种结构特征，即点可以被分为两组，使得连接只发生在两组之间，而组内从不产生连接。在这种特定情况下，格罗夫尔行为的表现略有不同：波动仍然遵循相同的可预测模式，但发生的频率快了一倍。此外，研究人员表明，如果观察窗口没有得到正确的调整，就会出现一种误导性的趋势，使数据看起来像是在向上漂移，而实际上这只是由于测量时间方式导致的数学伪影。通过修正这一点，他们揭示了系统真实的底层稳定性。

这项工作不仅仅是一项理论练习；它为这类量子系统提供了一个严密的证明，即对于这些系统，单次长时间的观察足以揭示其支配系统的基本规律。研究人员证明了格罗夫尔行走中固有的随机噪声可以从信号中分离出来，并且信号是一个稳定的、普适的常数。他们通过开发新的数学工具来处理随着时间增加而增长的路径复杂性，从而实现了这一点，证明了网络中的随机循环是以一种可以被准确预测的方式运行的。研究结果证实，对于这些格罗夫尔行走而言，随机网络的混沌并不会阻止秩序的出现，且时间平均法是揭示量子力学隐藏规律的一种强大的工具。