作者: Hiroki Kuji, Tetsuro Nikuni, Yuta Shingu

1. 核心物理图象

• 核心物理图象：量子计算机擅长执行"酉操作"（可逆、保范数的演化），但虚时演化（ITE）本质上是一个"非酉"过程——它像一扇只进不出的门，指数式地压低高能分量、放大低能分量，从而把任意初态"冷却"到基态。问题是，这扇门无法直接在量子硬件上实现。

• 本文贡献：论文提出了一种"量子电路 + 经典神经网络"的混合方案（VQNHITE），用神经网络的输出来扮演那个"非酉的门"，从而在有限的量子资源下更精确地模拟虚时动力学。核心直觉是：电路负责提供量子关联的骨架，神经网络负责给每个计算基态"称重"（重新分配振幅），二者结合比单独用电路表达力更强。

2. 关键术语解释

• 虚时演化 (Imaginary-Time Evolution, ITE)：将薛定谔方程中的实时 (t) 替换为 (-i\beta) 后得到的非酉演化 (e^{-\hat{H}\beta})。它等价于在能量本征基下对每个分量乘以指数衰减因子，因此反复应用可投影出基态。本文的任务就是让量子计算机逼近这一过程。

• 变分虚时演化 (Variational ITE, VITE)：用参数化量子电路 (|\varphi(\theta)\rangle = \hat{U}(\theta)|\bar{0}\rangle) 来"模仿"虚时演化，通过 McLachlan 变分原理（令参数变化方向与真实虚时导数方向残差最小）更新电路参数 (\theta)。其精度受限于 ansatz 的表达力——这正是本文要突破的瓶颈。

• 变分量子-神经混合本征求解器 (VQNHE) 与神经网络非酉算符 (\hat{f}(\phi))：VQNHE 在电路输出后追加一个由经典神经网络生成的对角非酉算符 (\hat{f}(\phi)=\sum_s f_\phi(s)|s\rangle\langle s|)，它在计算基下对每个比特串 (s) 乘以一个可学习的权重 (f_\phi(s))，从而"虚拟地"重塑量子态。本文把这一思想移植到 ITE 中，作为增强表达力的关键部件。

3. 主要贡献 (Key Contributions)

• 提出 VQNHITE 框架：首次将 VQNHE 中的神经网络非酉层与 VITE 的变分虚时更新相结合，构造混合试探态 (|\tilde{\varphi}(\theta,\phi)\rangle = \hat{f}(\phi)\hat{U}(\theta)|\bar{0}\rangle)，并推导出对电路参数 (\theta) 和网络参数 (\phi) 的联合变分更新方程（广义 McLachlan 方程 (M\dot{\lambda}=C)，(\lambda=(\theta,\phi))）。这比标准 VITE 多出一整类非酉自由度，显著提升了变分态的表达力。

• 设计了针对随机初始化不稳定的"预热"策略：神经网络参数随机初始化会导致虚时演化早期保真度骤降。作者在很小的虚时步 (\beta=\delta\beta) 处，用短时近似 (e^{-\hat{H}\delta\beta}\simeq\sum_\mu e_\mu\hat{P}\mu) 构造目标态，并以 (F{\text{cost}}=1-|\langle\psi(\delta\beta)|\Phi(\lambda)\rangle|^2) 为代价函数对 (\theta,\phi) 做梯度下降预优化，为后续演化提供稳定起点。这是一个实用且可推广的工程贡献。

• 数值验证了系统性优势：在 6 和 8 比特的海森堡自旋链（含随机纵场）上，针对最近邻和全连接两种电路连通性，VQNHITE 在所有测试点上的保真度均高于 VITE，且差距随虚时 (\beta) 增大而扩大；拟合分析还表明 VQNHITE 的保真度曲线呈现"饱和型"行为，而 VITE 持续衰减——暗示混合非酉层部分弥补了固定深度 ansatz 的表达力短板。

4. 研究方法 (Methodology)

• 理论框架：以 Wick 旋转后的薛定谔方程（式 1）为出发点，用 McLachlan 变分原理将虚时动力学投影到参数空间，得到参数演化方程（式 5/28）。关键在于把参数向量从纯电路参数 (\theta) 扩展到混合参数 (\lambda=(\theta,\phi))，并相应推导 (M_{\lambda_a\lambda_b}) 与 (C_{\lambda_a}) 的显式表达式（式 29–30）。

• 混合态构造：试探态为 (|\Phi(\lambda)\rangle = \mathcal{N}(\lambda)\hat{f}(\phi)\hat{U}(\theta)|\bar{0}\rangle)，其中 (\hat{f}(\phi)=\sum_s f_\phi(s)|s\rangle\langle s|)，(f_\phi) 是由全连接网络（两个隐层，宽度 (N) 和 (N/2)，tanh 激活）输出的实值函数。归一化因子 (\mathcal{N}) 在期望值计算中被吸收。

• 测量与线路实现：所有 (M)、(C) 的分量均可通过 Hadamard 测试类电路（附录 A 图 6）在计算基测量后经典后处理得到；对含 (X/Y) 的 Pauli 串，借助 VQNHE 的测量线路 (V) 将 (|{\pm},s\rangle) 基旋转回计算基。采样开销随参数数目多项式增长，与 VQNHE 一致。

• 数值基准：以精确对角化得到的 (|\psi(\beta)\rangle\propto e^{-\beta\hat{H}}|\psi(0)\rangle) 为参考，比较 (|\langle\psi(\beta)|\Phi(\lambda)\rangle|^2)（VQNHITE）与 (|\langle\psi(\beta)|\varphi(\theta)\rangle|^2)（VITE）。每个数据点 100 次独立运行（随机场实现 + 随机网络初始化），报告均值与标准误。

5. 实验结果与结论 (Results and Conclusion)

• 关键结论：在两种连通性、两种系统尺寸下，VQNHITE 的保真度一致且显著高于 VITE，且优势随 (\beta) 增大而扩大（图 4、5）。拟合分析（附录 B）进一步显示：VQNHITE 的保真度曲线更符合带有限偏移的广义指数形式（呈饱和趋势），而 VITE 更符合无平台的逆幂形式（持续衰减）。这表明神经网络非酉层确实缓解了固定深度 ansatz 的表达力瓶颈。

• 对领域的意义：该工作说明"经典神经网络作为非酉后处理层"这一思路不仅适用于基态能量估计（VQNHE），也可自然推广到虚时动力学模拟，为 NISQ 时代的量子模拟提供了一条低成本增强表达力的通用路线。对里德堡原子阵列等受限于连通性和门深度的平台尤为有吸引力。

• 开放问题与未来方向：(1) 初始化策略并非唯一，如何设计可扩展的、无需精确目标态的初始化方案仍是关键（本文数值中甚至用了精确 (\beta=\delta\beta) 态，属于理想化处理）；(2) 混合参数空间扩大带来的额外测量开销（(O(N_p^2)) 量级的 (M) 矩阵元素）在更大体系上的实际可行性有待评估；(3) 尚未在真实含噪硬件上验证；(4) 探索更优的网络架构以降低采样方差、提升泛化能力。

6. 论文标签 (Tags)

量子算法, 模拟, 量子机器学习, 中性原子

📄 点击此处展开/折叠原文 PDF

原文链接： Variational quantum-neural hybrid imaginary time evolution