作者: Sabhyata Gupta, Bharath Sambasivam, Sophia E. Economou, Edwin Barnes, Alexander F. Kemper, Raghav G. Jha

1. 核心物理图象

这篇论文的核心任务是探索：是否能用一种名为ADAPT-VQE的自适应量子算法，高效地在量子计算机上制备出两种具有“全对全”相互作用的随机哈密顿量的基态。 简单来说，这就像是在问：对于两种结构迥异、内部关联极其复杂的“量子风景”，我们能否训练出一套量子电路，高效地找到其能量最低的点（基态）？ 研究发现，对于一类模型（量子SK模型），答案是肯定的，制备过程高效且电路浅；但对于另一类更复杂的模型（SYK模型），即使是缩小了挑战的“稀疏”版本，制备过程也变得非常困难，所需电路深度随系统规模指数增长。这项工作的贡献在于，它首次系统地评估了一种前沿量子算法在这两类重要物理模型上的适用边界，为未来量子计算机能解决什么问题、不能解决什么问题提供了关键指引。

2. 关键术语解释

• ADAPT-VQE (自适应导数组装-问题定制变分量子本征求解器): 这是一种用于在量子计算机上寻找分子或材料基态的“自适应”算法。它不像传统方法那样预先设定一个固定结构的量子电路，而是像搭积木一样，根据当前状态，从一个大“积木池”里挑选出最有效的一块（一个量子操作）添加到电路中，逐步构建出能准确逼近基态的最终电路。它旨在用最少的“积木”（最浅的电路）完成目标。
• 量子SK模型 (Quantum Sherrington-Kirkpatrick model): 一个描述“自旋玻璃”的简化理论模型。它由许多自旋（可以想象成微小的磁针）组成，每对自旋之间都存在随机的相互作用。这个模型的基态具有“体积律纠缠”，意味着其内部的量子关联极其复杂，难以用经典计算机模拟。
• SYK模型 (Sachdev-Ye-Kitaev model): 一个更复杂的理论模型，最初用于研究黑洞物理和非费米液体。它由随机相互作用的马约拉纳费米子（一种基本粒子）组成。其基态也具有“体积律纠缠”，但结构比SK模型更为复杂，能量间隙更小（基态与激发态能量非常接近），因此在量子计算上制备其基态被认为是一个巨大的挑战。

3. 主要贡献 (Key Contributions)

1. 首次证明ADAPT-VQE可高效制备量子SK模型的基态： 论文展示了TETRIS-ADAPT-VQE算法能够以极高保真度（超过99.9998%）和多项式增长的电路深度（即所需操作数随系统规模增长缓慢），制备多达18个自旋的量子SK模型的基态。这预示了在此类模型上，量子计算机有望获得优势。
2. 首次系统评估了ADAPT-VQE制备SYK模型基态的复杂性： 与SK模型相反，论文发现无论是“稠密”还是“稀疏”版本的SYK模型，ADAPT-VQE制备其基态所需的电路深度都呈指数增长。这表明，对于SYK这类具有极窄能隙和高度非随机结构的系统，当前的方法在实际应用中会遭遇根本性困难。
3. 揭示了“稀疏化”不等于“可制备性”： 论文发现，虽然将SYK模型从“稠密”变为“稀疏”可以大幅减少哈密顿量的项数（降低测量成本），但基态的纠缠结构和制备难度几乎没有改变。这揭示了一个关键见解：量子计算任务的复杂度有时由波函数的本质结构决定，而非哈密顿量的简单性。

4. 研究方法 (Methodology)

作者采用了TETRIS-ADAPT-VQE算法作为核心研究工具。他们针对SK和SYK模型，构建了符合各自对称性的“算子池”（例如，SK模型只包含特定形式的泡利算子），并从易于制备的参考态（如Néel态）开始，让算法从池中自适应地挑选和添加量子门来构建电路。他们通过经典数值模拟，用保真度（与精确对角化结果的契合度）和CNOT门数量/深度（衡量电路复杂度的指标）来量化算法性能。此外，他们还计算了基态的冯·诺依曼纠缠熵（SEE），以理解其物理根源。

5. 实验结果与结论 (Results and Conclusion)

• 关键结论:
  • 对于SK模型（多至18个自旋），ADAPT-VQE可以高效（多项式级）且高保真度地制备基态，表明该模型有望成为量子计算的一个“有利”应用领域。
  • 对于SYK模型（多至20个马约拉纳费米子），ADAPT-VQE尽管能获得高保真度（>99.3%），但所需资源呈指数增长，说明其制备过程“不高效”。稀疏化（在论文研究的参数下）并未降低这一难度，主要是由于基态的“体积律”纠缠本质。
• 对领域意味着:
  • 为评估变分量子算法在复杂物理问题上的实用性提供了基准。
  • 明确指出了SYK模型基态制备是量子算法的一个“硬骨头”，未来需要探索全新的算法（如量子相位估计或其它非变分方法）才能攻克。
• 开放性问题:
  • 能否为SYK模型找到更高效的算法？例如AVQITE等其它方法是否表现更好？
  • 是否存在其他的稀疏化策略（远低于论文研究的稀疏度），能根本性地改变基态的可制备性？
  • 能否发展“本征矢量延续”等方法，利用一个实例的答案来加速其他随机实例的求解？

6. 论文标签 (Tags)

量子算法, 模拟, 量子复杂性, 编译与优化, 量子机器学习

📄 点击此处展开/折叠原文 PDF

原文链接： Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE