← 最新论文
⚛️ 量子物理

Success Probability of Block-Encoding Methods

本文利用哈伯德模型(Hubbard model)分析了三种块编码方法(LCU、量子化以及 QSVT)中经常被忽视的成功概率及其相关的采样开销,证明了这些概率随系统规模和谱性质的变化而显著变化,并指出在对量子算法进行准确的资源评估时,必须将这些概率纳入考量。

原作者: Oumaya Ladhari, Matthieu Saubanère, Jérémie Messud

发布于 2026-11-17
📖 1 分钟阅读🧠 深度阅读

原作者: Oumaya Ladhari, Matthieu Saubanère, Jérémie Messud

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经典计算机无法解决的问题,从设计新药到模拟复杂材料。为了实现这一目标,它们必须利用量子力学的奇异规则来操纵信息。该领域的一个主要障碍是,许多有用的数学运算在量子计算机天然工作的模式下并不是“可逆”的。想象一下尝试倒放电影;如果原始场景涉及一个玻璃杯破碎,你不能简单地通过倒放胶片让玻璃杯重新聚拢,因为关于碎片去向的信息已经丢失了。同样,量子计算机在处理会丢失信息的运算时也会遇到困难。为了解决这个问题,科学家们使用了一种被称为“块编码”(block-encoding)的巧妙技巧。这种方法将一个困难的、单向的运算封装在一个更大的、可逆的量子过程之中。然而,这个技巧也有一个代价:只有当特定的、随机的测量结果出现时,计算机才会产生正确的结果。如果测量失败,整个尝试将被丢弃,过程必须重新开始。这意味着这些强大算法的效率很大程度上取决于它们第一次尝试成功的频率。

来自道达尔能源(TotalEnergies)和波尔多大学的研究团队深入研究了这种成功率。他们调查了科学家目前构建这些块编码技巧的三种不同方式,以观察它们的实际工作频率以及导致失败的因素。他们使用了一个被称为哈伯德模型(Hubbard model)的标准测试模型,该模型模拟了电子在材料中的相互作用,并运行了涉及多达35个量子比特、规模从极小到相当大的系统模拟。他们的目标是超越对量子比特或门数量的简单估算,转而计算“采样开销”(shot overhead)——即为了获得一个有效结果,计算机需要额外运行电路的次数。他们发现,成功率并不是一个固定数值;它会根据所使用的具体数学方法、系统的规模以及量子计算机的初始状态而发生剧烈变化。

研究人员检查了三种不同的方法。第一种被称为“酉算符的线性组合”(linear combination of unitaries),是构建这些运算的一种直接方式。他们发现,对于这种方法,成功率受限于系统总相互作用强度与描述其组成部分的个体部分之和之间的特定比例。令人惊讶的是,他们发现随着系统规模的扩大,成功率并没有像人们担心的那样跌向零。相反,它稳定在一个可预测的水平上。这对规模化扩展来说是个好消息,但也揭示了一个微妙的陷阱:成功率并不能告诉你初始猜测与真实答案之间的接近程度。即使初始猜测非常糟糕,计算机也可能拥有不错的成功率,这意味着研究人员不能仅凭这个数字来判断输入的质量。

第二种方法称为“量子比特化”(qubitization),它使用一种可以重复以精炼结果的更复杂的步骤序列。在这里,成功率表现得像波浪一样,随着步骤数量的增加而起伏。研究人员发现,这种振荡并非随机噪声,而是一种由系统特定能级驱动的可预测模式。这意味着,通过选择合适的步数,人们可以撞到一个成功率极高的“甜点区”,或者不小心掉入一个成功率几乎为零的“死亡区”。他们证明,只需利用少量的初步数据,无需预先知道完整的复杂解,就可以预测这些有利的步数。这一见解对于构建解库的算法至关重要,因为它允许科学家选择最高效的步骤,并避开那些几乎注定会失败的步骤。

第三种方法是“量子奇异值变换”(quantum singular value transformation),它提供了极大的灵活性,允许对数据应用各种数学形状。然而,这种灵活性引入了一个新的挑战:必须仔细选择一个缩放因子。如果该因子选得太松,成功率会大幅下降,从而浪费计算资源;如果选得太紧,用于寻找解的数学过程会变得不稳定,并可能无法收敛。该团队开发了一种新的计算方法来确定这个因子,该方法既能保证过程能够成功运行,又能尽可能保持较高的成功率。他们发现,这种“经过认证的”界限提供了一个安全的中间地带,确保了算法既稳健又高效。

这项研究最显著的发现之一在于这些成功率如何随系统变大而变化。在许多量子算法中,难度会随规模呈指数级增长,使得模拟大型系统变得不可能。然而,对于此处测试的方法,随着模拟位点从2个增加到14个,成功率保持得非常稳定。成功的概率并未消失,而是趋于平缓。这表明,当我们转向更大、更现实的问题时,“采样开销”并不一定会爆炸式增长。此外,研究人员将这些发现应用于一种称为“量子克雷洛夫方法”(quantum Krylov methods)的技术,该技术通过构建解的子空间来寻找系统的最低能量状态。他们展示了获取精确答案所需的采样次数如何根据所选步骤的不同而产生巨大差异。通过仅选择具有高成功率的步骤,算法会变得更加高效,尽管它需要更深的电路。

研究结论指出,成功概率是一个关键但经常被忽视的资源评估组成部分。在规划量子实验时,科学家不能仅仅计算门的数量或电路的深度;他们还必须考虑机器需要重新启动的频率。忽视这一因素会导致对所需时间和资源的严重低估。研究人员证明,通过理解每种方法下成功率的具体行为,人们可以做出明智的选择,以最大限度地减少浪费。无论是为量子比特化序列选择正确的步数,还是为变换选择正确的缩放因子,这些微小的调整都可能意味着实验是可行还是效率极低。这项工作为评估运行这些先进算法的真实成本提供了一份清晰的路线图,确保通往实用量子计算的道路建立在准确且现实的预期之上。

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。

试用 Digest →