⚛️ 量子物理

Extending Sample-based Quantum Diagonalization to Systems of Linear Equations

本文通过将样本驱动的量子对角化方法扩展到求解线性方程组，通过将结果经典地投影到采样计算基配置的子空间上，证明了该方法对噪声具有鲁棒性，并在量子硬件上实现了高精度，同时识别了关于经典竞争力和电路深度的特定局限性。

原作者： Taha Selim

发布于 2026-11-02

📖 1 分钟阅读🧠 深度阅读

原作者： Taha Selim

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

在现代计算的广袤版图中，求解线性方程组是一项基础任务，广泛出现在从工程模拟到金融建模的各个领域。这些方程描述了不同变量如何相互作用，而寻找解意味着确定能同时满足所有关系的特定数值。几十年来，经典计算机一直高效地处理着这些工作，但随着问题规模变得越来越大、越来越复杂，研究人员开始转向量子计算机以寻求速度优势。解决这一问题最著名的量子方法被称为 HHL 算法，它承诺比经典机器快出指数级的速度。然而，这一承诺付出了沉重的代价：它需要目前的量子设备根本无法实现的精度和硬件稳定性。这些机器充满噪声且易出错，使得 HHL 算法所需的深层、复杂的电路在今天无法可靠运行。这催生了对新方法迫切的需求，这些方法能够在当今不完美的硬件限制下工作，在不要求不可能实现的目标下寻找解。

一位研究人员现在将一种最初为化学领域设计的技术扩展到了处理这些线性方程上，为嘈杂的量子设备提供了一条前进之路。他们的方法被称为基于样本的量子对角化，它避开了以往方法中那种深层的、易出错的电路。该方法并非试图一次性计算出整个解，而是利用量子计算机进行一系列“快照”。它准备一个代表问题起始点的量子态，然后让它随时间演化，就像观察涟漪在池塘中扩散一样。在几个特定的时刻，研究人员测量系统的状态，记录哪些构型出现了。这些测量结果并不是最终答案，而是一个引导。它们识别出一组极小且易于处理的可能性集合，其中最有可能包含解。随后，寻找实际数值的繁重工作被交还给经典计算机，由其利用这个经过筛选的小型选项集来求解方程。

研究人员在模拟环境和来自 IBM 的真实硬件上，通过一个四乘四的小型示例测试了这一流程。在这些测试中，量子设备成功采样了必要的构型，且经典计算机以完美的精度重建了解。随后，研究转向了一个维度为 1,024 的更大规模问题，模拟了一个解集中在小区域内的局部物理系统。在这里，该方法表现得极其高效，仅从 1,024 个可用构型中选择了 33 个，便达到了 $10^{-5}$ 的相对误差。这种精度水平证明了该方法可以将一个庞大的问题压缩成一个微小的、可求解的核心。至关重要的是，研究人员发现量子步骤对于当前硬件中常见的读取错误具有鲁棒性；即使噪声引入了额外的、无关的构型，只要正确的构型仍然存在，最终解的准确性就不会下降。

然而，这项研究也为这种量子优势划定了明确的界限。虽然该方法对于解集中在小区域内的问题表现出色，但研究人员发现，对于这类特定类型的问题，经典计算机通常也能同样轻松且廉价地找到这组微小的构型。通过使用追踪解如何扩散的标准数学技巧，经典算法可以识别出同样的 33 个构型，而无需使用量子计算机。论文明确排除了该方法能为所有线性系统提供通用捷径的可能性。对于解分布在整个系统中，或者矩阵密集且复杂的场景，量子方法需要指数级的操作量来描述系统，从而抵消了任何潜在的速度提升。此外，研究人员指出，用于使系统演化的量子电路本身会引入误差，这可能会产生“伪造”的构型，从而使选择过程变得杂乱，尽管这些误差在他们的测试中并未破坏最终的准确性。

研究结果表明，这项技术的未来取决于找到正确的问题类型。该方法并非解决每一个线性方程都比经典计算机更快的“万灵药”；相反，它是一个专门的工具，在解是局部的、且量子硬件能够在不被噪声或电路深度压垮的情况下采样相关状态时表现卓越。研究人员总结道，要使该方法产生真正的优势，必须将其应用于那些相关的构型对于经典策略而言难以获取，或者量子采样本身对于经典机器而言难以模拟的问题。在这些问题被识别并在截断机制下的真实硬件上进行测试之前，求解这些方程的最有效路径仍然是经典算法。这项工作并不声称已经解决了量子时代的线性方程问题，但它成功地绘制了地形图，清晰地展示了量子路径在何处可行，又在何处通向死胡同。

技术摘要：将基于采样的量子对角化扩展至线性方程组求解

问题陈述
求解线性方程组 $Ax = b$ 是计算科学中的一项基础任务。虽然 Harrow–Hassidim–Lloyd (HHL) 算法提供了维度为 $N$ 时呈对数级缩放的量子加速，但它依赖于涉及量子相位估计、受控旋转和后选择的深层电路，这使得其在当前的噪声中等规模量子（NISQ）硬件上难以实现。现有的替代方案通常需要容错资源，或者在条件数和期望精度方面存在缩放性能不佳的问题。因此，需要能够原生运行在当前硬件限制内、利用更浅层电路的算法。

方法论
本研究将最初为量子化学开发的**基于采样的量子对角化（SQD）**扩展到了线性系统求解中。该方法遵循一种混合量子-经典的工作流：

泡利分解（Pauli Decomposition）： 将厄米矩阵 $A$ 分解为泡利串之和： $A = \sum_{l=1}^L c_l P_l$ 。
状态准备与演化： 将右端向量 $b$ 编码为初始量子态 $|\psi_0\rangle$ 。系统在离散时间点 $t_j$ 下，在哈密顿量 $A$ 下进行经过 Trotter 化的时间演化，利用 Lie–Trotter 乘积公式近似得到状态 $|\psi(t_j)\rangle = e^{-iAt_j}|\psi_0\rangle$ 。
采样： 在多个时间步长下在计算基下测量演化后的状态。将得到的位串配置聚合形成经验分布 $\hat{p}_{agg}(z)$ 。
配置选择： 从采样的位串（具有非零经验概率的位串）和 $b$ 的已知支撑集（support）中构建配置集 $C$ 。
Galerkin 投影： 将线性系统投影到由配置 $C$ 所张成的子空间上。这涉及构建缩减矩阵 $A_{sub} = V^\dagger A V$ 和向量 $b_{sub} = V^\dagger b$ ，其中 $V$ 是所选基态的等距映射（isometry）。在经典计算机上求解缩减系统 $A_{sub} x_{sub} = b_{sub}$ ，并将解提升回全空间，得到 $x_{approx} = V x_{sub}$ 。

核心贡献
相对于现有的基于采样的量子线性求解器（特别是文献 4 和 6），本文做出了四个主要贡献：

精确性的理论表征： 作者证明了如果采样的配置集 $C$ 包含了 $b$ 的 Krylov 支撑集（即 $\{A^k b\}$ 的支撑集），则 Galerkin 解是精确的。此外，对于对称正定（SPD）矩阵，该解在能量范数下是最优的；只要噪声诱导的配置不会取代理想配置，噪声就不会降低精度。
泡利编码下的成本分析： 本工作分析了该方法在泡利串编码下的成本。研究表明，对于带状矩阵，二进制编码需要 $O(N)$ 个泡利项，且 Lie–Trotter 误差可能会产生位于 Kryal 支撑集之外的伪配置，从而在精度损失之前就可能抵消压缩带来的收益。
开源实现： 提供了一个开源 Qiskit 包 (sqd_linsolve)，为无噪声模拟器、有噪声模拟器以及 IBM 量子硬件提供统一的接口。
对比分析： 通过使用精确采样分布，在局部化问题和稠密问题实例上，将该方法与经典 Krylov 方法、基于残差的贪婪选择以及基于预言机（oracle）的选择进行了基准测试。

结果
作者通过数值实验和硬件运行验证了该流程：

4×4 示例： 在无噪声模拟器、有噪声模拟器和 IBM 量子硬件 (ibm_fez) 上，该方法成功求解了一个 $4 \times 4$ 的 SPD 系统。虽然由于噪声原因，硬件分布偏离了精确分布，但由于所有四个配置都被采样到了（ $R=N$ ），满足了精确性条件，因此解被精确恢复。
局部化问题 ( $N=1024$ )： 使用精确采样分布（针对此特定测试绕过了电路噪声）处理一个屏蔽泊松算子，该方法仅从 $N=1024$ 个配置中选择了 $R=33$ 个配置组成的子空间。这实现了 $10^{-5}$ 的相对误差，且截断后的子空间与最优预言机选择一致。
噪声与误差： 该方法对读取噪声表现出鲁棒性；添加比特翻转误差虽然扩大了配置集，但并未降低能量范数误差，这与理论上的最优性主张一致。然而，研究发现 Trotter 误差会产生伪配置，这可能会增加子空间的大小并降低效率。
经典对比： 对于测试的局部化问题，量子采样步骤选择的子空间与通过廉价的经典基于残差的选择以及经典 Krylov 支撑集分析所找到的子空间相一致。对于稠密随机矩阵，除非使用更细的时间网格（Nyquist 步长），否则该方法的表现与随机选择相当，但在这些情况下仍落后于经典贪婪选择。

意义与局限性
论文得出结论，所提出的方法划定了量子采样步骤何时可以产生优势的条件。结果表明，对于解集中在少数配置上且矩阵以多项式数量个泡利串形式给出的问题，该方法是有效的。然而，作者指出一个显著的局限性：在测试的机制中（具有小光锥的局部化问题），量子采样步骤并不优于经典的基于残缩的筛选。

作者指出，识别出那些相关的配置对于经典短展开而言是不可达的，或者从 $e^{-iAt}|b\rangle$ 进行采样在经典上是困难的问题结构，仍然是一个开放性问题。这项工作是对 SQD 框架用于线性系统的初步验证，强调了尽管该方法对某些类型的噪声具有鲁棒性且在理论上是完备的，但要实现量子优势，需要特定的问题结构，而这在目前的硬件上尚未得到证实。论文强调，对于带状矩阵，泡利串编码会导致深层电路，且目前的硬件测试尚未探测到（ $R < N$ ）可能显现量子优势的截断机制。

技术摘要：将基于采样的量子对角化扩展至线性方程组求解

类似论文