Spin-adapted sample-based quantum diagonalization with randomized time evolution
本文介绍了一种用于在基于样本的量子对角化方法中强制执行自旋对称性的通用框架,具体而言,通过改进 SqDRIFT 算法,使其能够在经典和量子硬件上生成精确的自旋本征函数,同时与传统方法相比显著减少了所需的子空间规模。
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
量子计算机有望解决目前即使是最强大的超级计算机也无法处理的问题,尤其是在理解分子行为方面。这一挑战的核心在于需要计算电子在原子核周围运动时的能量。这些计算对于设计新药、制造更好的电池或开发更高效的工业催化剂至关重要。然而,电子不仅仅是微小的球体;它们拥有一种被称为“自旋”的属性,其作用就像一个微小的内部磁铁。在许多复杂的分子中,这些自旋如何相互排列决定了分子的稳定性和反应活性。如果计算机模拟对自旋的处理出错,整个分子的能量计算就会变得不可靠,导致预测结果与现实不符。几十年来,科学家们一直致力于教导量子计算机在遵守这些自旋规则的同时,保持计算过程足够简单,以便能在当今并不完美的硬件上运行。
一支研究团队现在开发出了一种新方法来解决这个问题,使量子计算机能够以更高的准确度和效率来模拟复杂分子。他们的工作专注于一种技术,即利用量子计算机生成大量的可能电子排列方式,然后由经典计算机进行分析,以找到最低能量状态。研究人员发现,仅仅让量子计算机在初始准备阶段遵循正确的自旋规则是不够的。即使起始点是完美的,用于探索分子能量景观的随机过程最终也会产生违反自旋定律的混合排列。为了解决这个问题,他们创建了流程中的一个新步骤,其作用类似于一个过滤器。在量子计算机生成原始数据后,这个新步骤会系统地向集合中添加缺失的排列方式,从而确保最终的一组可能性在数学上是完整的,并严格遵守自旋规则。
研究人员在几种化学系统中测试了这种方法,其中包括一种对于理解有机材料如何发光至关重要的分子——4-氨基苯甲腈。在他们的模拟中,他们发现如果没有这个新的修正步骤,计算机产生的结果会是不同自旋态的混乱混合物,使得人们无法判断分子处于稳定还是不稳定状态。一旦应用了他们的方法,每一个结果都变成了纯净且定义明确的状态。这使得他们能够使用少得多的数据找到正确的能级。事实上,为了达到相同的准确度,新方法所需的可能性子空间比以往的方法减少了两个到三个数量级。这种规模的缩减至关重要,因为这意味着量子计算机不需要过度工作,经典计算机也不需要处理过多的信息,就能获得可靠的答案。
该团队还将该技术应用于一种铁基配合物的模型,这类结构存在于有助于燃料电池中氧气转换的材料中。在这里,两种不同自旋态之间的能量差异是理解该材料如何工作的关键。他们的模拟表明,只有经过修正的方法才能一致地产生这两个状态之间的正确能量差。其他方法可能会通过抵消误差来偶然产生一个看起来正确的数字,但他们的方法保证了每一步底层的物理机制都是正确的。最后,他们在由 IBM 构建的真实量子处理器上进行了实验,以研究一种涉及化学反应的锰基分子。即使是在这种容易产生误差的噪声硬件上,他们的自旋适配方法也成功识别出了正确的能量状态。实验结果证实,通过补全可能的电子排列组合,他们能够从一台仍处于早期发展阶段的机器中提取出精确的物理见解。
这项工作不仅仅是改进了数据,它还改变了科学家对量子计算机计算结果的信任程度。通过确保用于计算的数学空间在自旋规则下是封闭的,研究人员保证了答案具有物理意义。这是该领域向前迈出的重要一步,因为它为研究强关联系统提供了一种可靠的方法——这类系统中的分子,其电子以复杂且纠缠的方式相互作用,模拟起来异常困难。该方法允许研究人员更有效地利用现有量子设备的有限能力,为研究比以往更大型、更具化学相关性的分子打开了大门。随着量子硬件的不断改进,这一框架为解决长期以来无法触及的现实世界化学问题提供了坚实的路径。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。