作者: Isaac L. Huidobro-Meezs, Rodrigo A. Vargas-Hern'andez

1. 核心物理图象

• 本文的核心问题是：在量子计算机上估算分子或材料基态能量时，如何减少“重复测量”这一最昂贵的资源消耗。作者把“哪些泡利项可以放在一起测量”这一组合优化问题，形式化为一个经典的二元优化问题（即 clique 选择问题），并用混合整数线性规划（MILP）来求解。 • 直观地说：量子哈密顿量可以拆成许多泡利项，就像一堆拼图块。能相互对易的项可以拼在同一块“测量板”上，一次测量同时得到它们的期望值。但“组数最少”并不等于“测量次数最少”，真正决定测量次数的是每组内部的统计涨落（方差/协方差）。作者利用对量子态近似估计得到的协方差信息，去挑选“最优拼法”，从而在相同精度下大幅减少测量次数。 • 论文的贡献在于：提出了一个基于候选 clique 的二元优化框架（MILP），构造非重叠的测量分组；并进一步提出 O-clique 方法，直接优化允许重叠的测量支撑。结果显示，对分子和晶格哈密顿量都能显著降低测量需求，且优化后的分组可以跨附近几何构型迁移使用。

2. 关键术语解释

• 测量分组 (Measurement Grouping)：把哈密顿量中的泡利项按“是否相互对易”分成若干组，同一组可以在一次测量中同时估计。它是减少量子测量次数的基本手段，本文的优化对象正是“如何分组”。 • ε²M (Measurement Requirement)：衡量达到目标精度 ε 所需测量次数的指标，正比于各分组标准差之和的平方。数值越小代表测量越省，是本文比较不同方法优劣的核心指标。 • O-clique：本文提出的直接优化“重叠”测量支撑的方法。它允许同一个泡利项同时出现在多个兼容组中（通过系数拆分保持哈密顿量不变），从候选 clique 池中联合选择 clique 与系数剖面，以进一步降低测量要求。

3. 主要贡献 (Key Contributions)

• 将非重叠测量分组形式化为候选 clique 的二元优化问题，并用 MILP 求解：相比传统的排序插入（SI）启发式，在 8 个分子体系上平均降低 ε²M 约 51.8%。这是首次用方差信息驱动的整数规划系统性地优化测量分组结构。 • 证明“优化非重叠分组”是重叠方法（ICS）的强初始化：MILP-ICS 相比 SI-ICS 平均再降低约 24.3%，最大提升比 R 达 8.42（MgO），说明初始化质量对下游系数拆分至关重要。 • 提出 O-clique 直接优化重叠支撑：仅用 5 次系数精修迭代，就比 100 次迭代的 SI-ICS 平均降低 27.3% 测量需求，表明提升主要来自“支撑选择”而非“系数优化次数”。 • 验证了跨几何构型的可迁移性与晶格体系的普适性：MILP 分组可跨势能面扫描复用并保持显著节省；在 Fermi–Hubbard、Kitaev–Heisenberg–Γ、XYZ 等强关联晶格模型上，MILP 方法同样大幅优于 SI。

4. 研究方法 (Methodology)

• 作者把哈密顿量的泡利项构成“对易图”，每个可同时测量的组对应图中的一个 clique（团）。非重叠分组要求每个泡利项恰好属于一个 clique，这被写成一个集合覆盖式的二元整数规划，目标是最小化 Σ d_C（各 clique 标准差之和），用 HiGHS 求解。 • 候选 clique 池通过对易图的着色、贪心划分、以及单粒子重定位等启发式生成。协方差矩阵（来自 CISD 近似或精确 FCI）用于计算每个 clique 的方差贡献 d_C，从而把“态相关信息”注入分组优化。 • 在获得非重叠 MILP 分组后，用迭代系数拆分（ICS）把系数在扩展组间重新分配，得到 MILP-ICS。O-clique 则进一步允许重叠：从候选 clique 池中同时选择 clique 和系数剖面，用另一个 MILP（SCIP 求解）最小化标准差之和的上界，再做少量 ICS 精修。

5. 实验结果与结论 (Results and Conclusion)

• 对分子体系：MILP 相比 SI 平均降低 ε²M 约 51.8%；MILP-ICS 相比 SI-ICS 平均再降约 24.3%。优化分组在势能面扫描中可迁移，远离优化几何时配合简单重定位（MILP-R）仍能保持大部分收益。 • 对晶格体系：在 Fermi–Hubbard、Kitaev–Heisenberg–Γ、XYZ 模型上，MILP/MILP-ICS 同样显著优于 SI/SI-ICS，提升比 R 约 1.67–1.90。XYZ 例子中优化分组甚至自然恢复出“按 X、Y、Z 分三类”的紧凑结构。 • 对 O-clique：相比 100 次迭代的 SI-ICS，平均降低 27.3%，但相对 MILP-ICS 的额外提升通常低于 10%（MgO 最大 13%），且需要更高的经典计算代价。 • 结论与启示：优化非重叠支撑是性价比最高的策略，能捕获大部分可实现的测量节省，并为重叠方法提供强初始化；直接优化重叠支撑可进一步改进，但需权衡经典成本。未来方向包括：用机器学习波函数提供近似协方差、把二元表示用于生成式模型训练、以及构造完全态无关的变体。

6. 论文标签 (Tags)

量子算法, 编译与优化, 量子信息, 模拟, 量子机器学习

📄 点击此处展开/折叠原文 PDF

原文链接： Binary Optimization of Measurement Groupings for Quantum Energy Estimation