外观
Enhanced measurements on quantum computers via the simultaneous probing of non-c
约 2180 字大约 7 分钟
2026-09-23
作者: Rick P. A. Simon, Zheng Shi, Charlie Nation, Andrew Jena, Luca Dellantonio
1. 核心物理图象
• 核心思想：在量子计算机上测量一个可观测量（比如分子的能量）时，通常需要分别测量很多个泡利串。如果这些泡利串彼此不对易，就不能同时测量，只能一个一个来，非常费时。本文的核心物理图象是：同时测量两份完全相同的量子态，利用“两份拷贝”的联合测量，可以绕过泡利串不对易的限制，一次性获取所有泡利串的幅度信息（即期望值的绝对值），然后再用少量额外的单份测量来确定它们的符号。这样一来，在泡利串彼此严重不对易、分组测量效率极低的场景下，总测量次数反而可能更少。
• 直观类比：想象你要同时称量一堆互相干扰的砝码。传统方法只能一个一个称；而“双拷贝方案”相当于把每个砝码复制一份，然后让砝码和它的复制品“配对”称量——配对后所有砝码之间不再干扰，可以一起称出它们的重量（幅度），只是不知道每个砝码是“正”还是“负”。再花少量单次测量确定正负号即可。
• 主要贡献：本文首次在测量协议中实现了这种双拷贝方案，并基于贝叶斯统计，不仅估计可观测量平均值，还能实时监控估计误差，从而自适应地决定下一次测量是“双拷贝”还是“单拷贝”，在泡利串不对易程度高的场景下优于此前最先进的方法。
2. 关键术语解释
• 双拷贝方案 (Double Scheme) 将待测量子态 |φ⟩ 制备成两份拷贝 |ψ⟩ = |φ⟩ ⊗ |φ⟩，然后同时测量所有泡利串的双重版本 P̂ᵢ ⊗ P̂ᵢ。由于任意两个泡利串的双重版本总是对易的，因此可以一次性联合测量所有 P̂ᵢ ⊗ P̂ᵢ。它给出每个泡利串期望值的幅度 |⟨P̂ᵢ⟩|，但无法区分正负号。
• 有效测量次数 (Effective Measurement Shots, M_eff) 定义为 M_eff = M_single + 2α M_double，其中 M_double 是分配给双拷贝方案的测量次数，M_single 是分配给常规单拷贝分组的次数。因为双拷贝方案需要两倍的量子比特（两份拷贝）且同时对角化所有 P̂ᵢ ⊗ P̂ᵢ 可能需要额外资源，因子 2α（α ≥ 1）刻画了其“成本权重”。这个量用于公平比较双拷贝方案与常规方案在相同物理资源下的精度。
• 贝叶斯后验估计 (Bayesian Posterior Estimation) 论文用贝叶斯统计构建概率分布 P₁(θᵢ|sᵢ±, dᵢ±) 和 P₂(θ⃗|sᵢ±, sⱼ±, sᵢ±ⱼ±, dᵢ±ⱼ±)，分别估计单个泡利串的期望值 θᵢ 以及两个对易泡利串的联合期望值 θᵢθⱼ。后验分布不仅给出估计值，还给出估计的统计误差 (ΔÕ)²，这是实现自适应测量分配的关键。
3. 主要贡献 (Key Contributions)
• 首次实现双拷贝测量协议：此前多拷贝方案仅停留在理论层面，本文首次将其与贝叶斯估计框架结合，形成可实际运行的测量协议，能够同时输出可观测量平均值 Õ 和其统计误差 (ΔÕ)²。
• 自适应测量分配算法：基于贝叶斯后验实时监控误差，算法在每一步虚拟地评估“如果下一次测量分配给双拷贝方案或某个对易分组，误差会如何变化”，然后选择使误差最小的方案。这种“误差感知”的自适应策略显著优于固定比例的朴素分配策略（在 M_eff = 500 时，误差方差平均小 1.3–2.1 倍）。
• 在非对易泡利串多的场景下超越当前最优方法 AEQuO：数值实验表明，当可观测量包含大量彼此不对易的泡利串（如分子哈密顿量、小尺寸但长程相互作用强的伊辛模型）时，双拷贝方案在有限测量预算下给出更小的估计误差，明显优于 AEQuO。
• 揭示了双拷贝方案的适用边界：论文确认了双拷贝方案存在“平方根开销”——其精度提升与泡利串期望值的绝对值有关。当 ⟨P̂ᵢ⟩ ≈ 0 时，误差贡献按 1/√M 衰减（而非 1/M），因此双拷贝方案对期望值接近零的泡利串效果较差。这为实际使用时判断是否启用双拷贝方案提供了理论依据。
4. 研究方法 (Methodology)
• 理论框架：将待测可观测量 Ô = ∑ᵢ cᵢ P̂ᵢ 的估计转化为对每个泡利串期望值 ⟨P̂ᵢ⟩ = 2θᵢ − 1 的贝叶斯估计。对于双拷贝测量，利用关系 φᵢ = θᵢ² + (1−θᵢ)² 将双重泡利串的测量结果与单个泡利串的期望值联系起来（Eq. 2）。对于两个对易泡利串的联合估计，建立类似的关系（Eq. 4）并推广贝叶斯后验到多变量情形（Eq. 5）。
• 自适应算法：在每一步，算法通过“虚拟测量”预测将下一发测量分配给双拷贝方案或某个对易分组后误差 (ΔÕ)² 的变化（Eq. 8），选择使误差最小的选项。虚拟测量通过在当前后验的计数 sᵢ±、dᵢ± 上加上期望值来实现，并引入因子 1/(2α) 来反映双拷贝方案的资源开销。
• 数值验证：在 H₂ 分子（8 量子比特，185 个泡利串）和矩形晶格上的量子伊辛模型（2、4、6 量子比特，分别对应 15、48、99 个泡利串）上，以基态为输入态，比较双拷贝方案、单拷贝方案、AEQuO 以及朴素固定比例策略的估计误差。同时通过重复模拟 5000 次验证贝叶斯误差估计的统计有效性。
5. 实验结果与结论 (Results and Conclusion)
• 核心结论：双拷贝方案在泡利串彼此严重不对易、分组测量效率低下的场景中具有明显优势。具体而言，分子哈密顿量（如 H₂）和长程相互作用强的伊辛模型（如 (Nₓ, N_y) = (1,2)）从双拷贝方案中获益最大，在相同有效测量次数下估计误差显著低于 AEQuO 和纯单拷贝方案。随着系统尺寸增大、泡利串中恒等算符增多（即泡利串之间更倾向于对易），双拷贝方案的优势逐渐减弱甚至消失。
• 统计有效性：贝叶斯框架给出的误差估计 (ΔÕ)² 与重复运行得到的统计方差一致，说明该误差估计既不过高也不过低，可以可靠地用于自适应分配。
• 双拷贝方案的使用规律：算法呈现出“探索-利用”模式——初期先用少量单拷贝测量确定所有泡利串的符号（避免双拷贝方案固有的符号不确定性），随后双拷贝测量的次数随总预算 M 近似线性增长。对于分子体系，当 M 在 20–150 之间时双拷贝方案被频繁选用，但当 M ≳ 150 后，期望值接近零的泡利串开始主导误差，双拷贝方案的使用频率下降。
• 开放问题与未来方向：(1) 将算法移植到 GPU 以加速马尔可夫链蒙特卡洛过程，从而处理更大规模的可观测量和更多测量次数；(2) 探索通过辅助系统更直接地获取符号信息，避免双拷贝方案的符号不确定性；(3) 分析硬件噪声对双拷贝方案的影响，并与误差缓解技术结合；(4) 将双拷贝概念推广到非泡利算符、连续变量系统或其他后验分布方案。
6. 论文标签 (Tags)
量子算法, 量子信息, 编译与优化, 模拟, 量子机器学习