作者: Prince Frederick Kwao, Bharath Sambasivam, Jason Saroni, Srivathsan Poyyapakkam Sundar, Edwin Barnes, Ayush Asthana

1. 核心物理图象

想象你在用量子计算机“搭积木”来模拟分子的基态能量。传统方法（如 ADAPT-VQE）会一块一块地往电路里加“积木”（量子门/算符），每加一块都要重新优化所有参数，直到能量足够准。问题是：分子越复杂（电子关联越强），需要的积木越多，测量次数也爆炸式增长。

这篇论文的核心思想是：不要一直加积木，而是在某个时刻停下来，用数学上的“子空间对角化”技巧，从已经搭好的那块积木（优化后的量子态）出发，通过测量几个额外的物理量（哈密顿量的高阶矩），在经典计算机上把能量“修正”得更准。 这样既不需要继续加算符，也不需要重新优化参数，就能达到目标精度。

论文具体做了两件事：

1. 用哈密顿量矩 Krylov 子空间（K1/K2）修正 ADAPT-VQE 的能量，证明可以把达到化学精度所需的迭代次数减少最多约 6 倍，测量成本最多降低约 40 倍。
2. 用身份增广的量子自洽运动方程（identity-augmented q-sc-EOM）修正浅层 ADAPT-VQE 的能量，证明即使参考态很“弱”（比如键拉伸时），也能恢复大部分缺失的关联能，并且能缓解有限采样下算符排序不准的问题。

---

2. 关键术语解释

Krylov 子空间修正 (Krylov Subspace Correction)

• 定义：以优化后的量子态为起点，通过测量哈密顿量的各次幂（如 $\langle \hat{H} \rangle, \langle \hat{H}^2 \rangle, \langle \hat{H}^3 \rangle$）来构造一个低维线性子空间，然后在这个子空间内对角化哈密顿量得到修正能量。
• 在论文中的作用：K1（一阶）和 K2（二阶）修正被用来替代继续增加 ADAPT-VQE 算符层数，从而在更少迭代和测量下达到 1.6 mHa 精度。

身份增广的 q-sc-EOM (Identity-Augmented q-sc-EOM)

• 定义：在传统的量子自洽运动方程（q-sc-EOM）的激发算符集合中，额外加入恒等算符 $\hat{I}$，使得优化后的变分参考态能够与激发态通过子空间对角化混合。
• 在论文中的作用：用于修正截断的 ADAPT-VQE 态，特别是当参考态表达能力有限（如键拉伸、有限采样导致算符选择不佳）时，恢复基态能量精度。

行列式 Rényi 熵 (Determinant Rényi Entropy, $h_{0.25}$)

• 定义：在固定轨道和占据数基底下，衡量量子态在行列式基上展开系数分布“弥散程度”的熵度量。
• 在论文中的作用：作为分子复杂度的指标，论文发现熵越高（静态关联越强），Krylov 修正带来的迭代次数减少越显著。

---

3. 主要贡献 (Key Contributions)

1. Krylov 子空间修正可将 ADAPT-VQE 迭代次数减少最多约 6 倍，测量成本降低最多约 40 倍。

   • 在 27 个分子体系（最多 20 个量子比特）上验证，K1 修正后达到 1.6 mHa 精度所需的 ADAPT 外层迭代大幅下降，且熵越高的体系收益越大。
   • 资源成本模型显示，虽然需要额外测量 $\hat{H}^2$ 和 $\hat{H}^3$ 的期望值，但省去了后续的算符选择和参数重优化，净测量成本在较大体系中显著降低。

2. 身份增广 q-sc-EOM 可从浅层、低表达力的 ADAPT-VQE 态中恢复关联能。

   • 在 NH₃ 势能曲线中，截断到 3 层 ADAPT-VQE 的误差在键拉伸区约 40 mHa，而 q-sc-EOM 修正后误差保持在 1 mHa 以内。
   • 在 m-苯炔的有限采样算符排序测试中，q-sc-EOM 能从被噪声排序“带偏”的 ADAPT 轨迹中恢复精度，在低采样次数（$N_g=10^3$）下仍使 98% 的轨迹达到目标精度，而纯 ADAPT-VQE 为 0%。

3. 展示了一种避免重叠矩阵条件数放大的子空间修正方案。

   • q-sc-EOM 使用正交生成元，$S=I$，避免了 QSE 等方法中重叠矩阵病态导致的采样敏感性问题。
   • 结合 Davidson 迭代和基旋转分组（BRG），可进一步降低测量组数（H10 体系相比稠密 QWC 测量降低约 245 倍）。

4. 提出了“后优化修正”这一通用策略，不限于 ADAPT-VQE。

   • 论文明确指出，这些修正技术可应用于其他酉变分拟设，在量子硬件进步过程中提供一种平衡电路深度、参数优化和测量成本的途径。

---

4. 研究方法 (Methodology)

• ADAPT-VQE 基线：使用 CEO（耦合交换算符）池和 TETRIS 选择策略，在 MolVQE-21 基准的 27 个分子体系上进行无噪声态矢量模拟，迭代直到能量误差 $\le 1.6$ mHa（化学精度阈值）。
• Krylov 修正（K1/K2）：
  • K1 子空间：$\text{span}\{|\psi\rangle, \hat{H}|\psi\rangle\}$，需要测量 $\langle \hat{H} \rangle, \langle \hat{H}^2 \rangle, \langle \hat{H}^3 \rangle$。
  • K2 子空间：$\text{span}\{|\psi\rangle, \hat{H}|\psi\rangle, \hat{H}^2|\psi\rangle\}$，需要测量到 $\langle \hat{H}^5 \rangle$。
  • 在优化后的 ADAPT-VQE 态上测量这些矩，构造投影哈密顿量矩阵 $H$ 和重叠矩阵 $S$，解广义本征方程 $HC = SCE$ 得到修正能量。
• 身份增广 q-sc-EOM：
  • 在 singles-and-doubles 激发算符集合中加入恒等算符 $\hat{G}_0 = \hat{I}$，构造投影空间。
  • 由于生成元正交，$S=I$，只需对角化 $K$ 矩阵。
  • 用于修正截断 ADAPT-VQE 态和有限采样算符排序产生的态。
• 资源成本模型：
  • 将优化器能量评估和梯度评估按 Pauli 项或 QWC 测量组数加权。
  • 比较 K1 辅助 ADAPT-VQE 与纯 ADAPT-VQE 的总测量成本比 $r = C_{K1}/C_{\text{ADAPT}}$。
• 有限采样算符排序模拟：
  • 对每个梯度观测量独立采样 $N_g$ 次，用高斯分布模拟梯度估计，选择最大采样幅度算符，再进行无噪声 BFGS 重优化。
  • 生成 100 条独立轨迹，统计达到目标精度的比例。

---

5. 实验结果与结论 (Results and Conclusion)

关键结论：

1. Krylov 修正显著减少迭代次数：在 27 个分子体系上，K1 修正将达到 1.6 mHa 精度所需 ADAPT 迭代次数减少最多约 6 倍（H10 体系从 323 次降至 55 次）。熵越高（静态关联越强），收益越大。外推到 FeMoco 等大体系（$h_{0.25}\simeq 13$），预计迭代次数可减少 3.7–9.2 倍。
2. 测量成本降低：在资源成本模型下，对 $N \ge 14$ 的体系，K1 辅助方案的总测量成本低于纯 ADAPT-VQE，最大降低约 40 倍。
3. q-sc-EOM 修正浅层参考态：NH₃ 势能曲线中，3 层 ADAPT-VQE 在键拉伸区误差约 40 mHa，q-sc-EOM 修正后降至 1 mHa 以内。
4. q-sc-EOM 缓解有限采样问题：m-苯炔在 $N_g=10^3$ 时，纯 ADAPT-VQE 无轨迹达到精度，而 q-sc-EOM 修正后 98% 轨迹达标。
5. 测量资源进一步优化：Davidson–BRG 策略可将身份增广 q-sc-EOM 的测量组数大幅降低（H10 相比稠密 QWC 降低约 245 倍）。

对领域的意义：

• 提供了一条在近中期量子硬件上不增加电路深度就能提高能量精度的实用路径。
• 将“自适应拟设构建”与“后优化子空间修正”结合，可能改变变分量子算法资源分配的范式。
• 表明子空间方法不仅可用于误差缓解，还可主动用于减少自适应迭代和测量开销。

开放性问题与未来方向：

• 如何自适应地决定何时应用子空间修正、用多大子空间？
• 能否根据修正能量对各矩或矩阵元的灵敏度来分配测量次数？
• 在更大活性空间和真实量子硬件上验证这些策略。
• 将方法推广到能量以外的性质（如分子响应性质、激发态）。
• 探索与其他酉变分拟设（非 ADAPT）的结合。

---

6. 论文标签 (Tags)

量子算法, 编译与优化, 模拟, 量子信息, 量子机器学习

📄 点击此处展开/折叠原文 PDF

原文链接： Post-Optimization Subspace Corrections to Quantum Ans\"atze