作者: Andres Arcia-Lopez, Marek Gluza, Yudai Suzuki, Cyrus Mostajeran

1. 核心物理图象

这篇论文的核心图象是：把寻找量子系统基态的问题，从“沿最陡的下坡方向一步步走”升级为“记住上一步的方向，并利用动量加速下坡”。

具体来说，作者从几何优化的视角出发，将量子基态制备（GSP）视为在酉群流形上最小化能量期望值的优化问题。此前的前沿工作 DB-QITE 本质上只实现了“黎曼梯度下降”（最速下降），而本文提出的 QCGD 则实现了“黎曼共轭梯度下降”——它让每一步的搜索方向不仅包含当前的最速下降方向，还保留了此前搜索方向的信息，从而避免梯度下降中常见的“锯齿形”低效路径，以更少的迭代步数达到更高的基态保真度。

核心贡献在于：首次将经典优化中成熟的共轭梯度方法以量子兼容的方式移植到量子基态制备中，并证明了在匹配保真度下，虽然单步更新线路更深，但由于所需迭代次数减少，总资源反而显著降低。

2. 关键术语解释

• QCGD（量子共轭梯度下降，Quantum Conjugate Gradient Descent）：本文提出的核心算法。它是一种量子兼容的递归更新规则，每一步的搜索方向由当前黎曼梯度与上一步搜索方向的平行移动线性组合而成，通过群交换子近似和 Trotter-Suzuki 分解实现为可在量子计算机上执行的线路。其作用是在每个迭代步中获得比 DB-QITE 更大的能量下降。

• DB-QITE（双括号量子虚时演化，Double-Bracket Quantum Imaginary-Time Evolution）：本文的基线算法。它利用双括号流与虚时演化的联系，通过群交换子公式将非酉的虚时演化近似为酉线路，几何上对应酉流形上的黎曼梯度下降。其作用是作为 QCGD 的对照，并构成 QCGD 搜索空间的一个特例（γ=0 时退化为 DB-QITE）。

• 群交换子乘积公式（Group Commutator Product Formula）：用于近似交换子指数 $e^{-s[\hat{A},\hat{B}]}$ 的量子线路构造，形如 $G_s(\hat{A},\hat{B}) = e^{i\sqrt{s}\hat{A}}e^{i\sqrt{s}\hat{B}}e^{-i\sqrt{s}\hat{A}}e^{-i\sqrt{s}\hat{B}}$，误差为 $O(s^{3/2})$。它使得黎曼梯度中的交换子项可以用哈密顿量演化 $e^{i\alpha H}$ 和关于 $|0\rangle$ 态的广义反射 $e^{i\beta\rho_0}$ 来实现，是 QCGD 和 DB-QITE 共同依赖的关键量子兼容技术。

3. 主要贡献 (Key Contributions)

1. 提出了 QCGD 算法，将黎曼共轭梯度下降量子化：这是首次将经典优化中记忆加速的共轭梯度方法引入量子基态制备。通过将搜索方向写为 $W_k = -[H,\phi_k]$ 并展开递归关系，作者将 QCGD 更新表达为一系列哈密顿量演化和广义反射的乘积，使其完全兼容量子线路实现。

2. 证明了 QCGD 在每步能量下降上严格不劣于 DB-QITE，且通常更优：由于 QCGD 的参数搜索空间包含 γ=0（即 DB-QITE 方向），其每步能量下降至少与 DB-QITE 相同。数值实验表明，在 Heisenberg 模型上，QCGD 在第二步和第三步更新后去除的初始过剩能量比例比 DB-QITE 高出约 10%–30%。

3. 揭示了“收敛速度 vs 线路深度”的权衡，并证明在匹配保真度下 QCGD 具有资源优：固定迭代次数时，QCGD 线路更深（约多 36% 的 CZ 门和 40% 的深度）；但在匹配保真度下，两步 QCGD 即可达到或超过三步 DB-QITE 的保真度，所需 U3 门仅为后者的 35.9%、CZ 门为 36.2%、深度为 39.6%–41.0%。这是本文最具实用价值的发现。

4. 给出了 QCGD 的原始查询复杂度分析：QCGD 的线路规模随迭代次数增长为 $O((2+\sqrt{5})^k)$（领头阶）和 $O((3+\sqrt{10})^k)$（高阶），比 DB-QITE 的 $O(3^k)$ 和 $O(5^k)$ 增长更快，定量刻画了其递归线路增长的代价。

4. 研究方法 (Methodology)

作者的研究方法可概括为“几何建模 → 算法构造 → 数值验证 → 资源核算”四个环节：

• 几何建模：将基态制备表述为酉群 $U(N)$ 上能量函数 $E(U) = \mathrm{Tr}(HU\rho_0U^\dagger)$ 的最小化问题，采用 Hilbert-Schmidt 度规下的黎曼梯度 $\mathrm{grad}\,E(U) = [H,\psi]U$，并沿测地线 $U_{k+1} = e^{\mu_k W_k}U_k$ 进行更新。

• 算法构造：将经典黎曼共轭梯度的搜索方向递推 $W_{k+1} = -[H,\psi_{k+1}] + \gamma_{k+1}W_k$ 展开为关于历史状态 $\psi_j$ 的线性组合，再利用群交换子乘积公式将交换子指数近似为哈密顿量演化与广义反射的乘积，最终得到 QCGD 的递归量子线路（Eq. 31）。

• 数值验证：在 Qrisp 框架下，对一维反铁磁 Heisenberg 模型（L=10 至 20 个量子比特）使用两种初始化（近邻单态乘积态和 HVA 变分预热态）进行模拟，比较 QCGD 与 DB-QITE 的能量轨迹、保真度和编译后门数。

• 资源核算：将每次迭代编译到相同的门集合（U3 和 CZ），记录门数和线路深度，并在匹配保真度条件下比较两种算法的总资源消耗。

5. 实验结果与结论 (Results and Conclusion)

关键结论：

• 在所有测试的系统尺寸（L=10–20）和两种初始化下，QCGD 在第二次和第三次更新后去除的初始过剩能量比例均高于 DB-QITE。对于单态初始化，$\Delta R_2$ 稳定在 23%–24%，$\Delta R_3$ 在 22.6%–30.5% 之间。
• QCGD 在每一步都达到更高的基态保真度。例如 L=20 单态初始化下，三步后 QCGD 保真度为 0.669，DB-QITE 为 0.522；HVA 初始化下分别为 0.890 和 0.857。
• 最重要的实用结论：由于线路深度随迭代次数指数增长，避免一次迭代比单步线路稍深更有价值。在匹配保真度下，两步 QCGD 达到或超过三步 DB-QITE 的保真度，同时仅消耗约 36% 的门数和 40% 的深度。这意味着 QCGD 在早期容错量子计算阶段可能具有实际优势。

开放性问题与未来启示：

• 当前数值仅限于一维开边界 Heisenberg 链、两种初始化和三步递归，对任意哈密顿量和更多迭代的普适性尚待验证。
• QCGD 的二维参数搜索需要更多候选线路，且最优参数范围可能随系统尺寸变化，需要更高效的参数选择策略。
• 尚未建立 QCGD 的冷却保证和基态保真度理论保证（DB-QITE 已有此类保证），这是重要的理论方向。
• 未来可与更多已建立的 GSP 方法（如块编码方法）或启发式方法结合，作为热启动策略使用。

6. 论文标签 (Tags)

量子算法, 量子信息, 编译与优化, 模拟

📄 点击此处展开/折叠原文 PDF

原文链接： Quantum-compatible Riemannian conjugate gradient for ground-state preparation