作者: William Kirby, Bibek Pokharel, Javier Robledo Moreno, Kevin C. Smith, Sergey Bravyi, Abhinav Deshpande, Constantinos Evangelinos, Bryce Fuller, James R. Garrison, Ben Jaderberg, Caleb Johnson, Petar Jurcevic, Su-un Lee, Simon Martiel, Mario Motta, Seetharami Seelam, Oles Shtanko, Kevin J. Sung, Minh Tran, Vinay Tripathi, Kazuhiro Seki, Kazuya Shinjo, Han Xu, Lukas Broers, Tomonori Shirakawa, Seiji Yunoki, Kunal Sharma, Antonio Mezzacapo

1. 核心物理图象

这篇论文的核心在于，它设计并实验验证了一个量子计算可以在特定问题上超越经典算法的具体案例。作者人工构造了一类哈密顿量（描述系统能量的数学对象），其基态（能量最低的状态）虽然只在少量基矢（称为“稀疏基态”）上有非零分量，却极难被主流的经典计算方法（如选组态相互作用，SCI）找到。他们随后在一台IBM量子处理器上运行了一种名为“基于采样的Krylov量子对角化”（SKQD）的量子算法，并成功找到了这个基态。这个实验首次展示了一个“量子算法在求解基态能量问题上，准确度超过了标准经典启发式算法”的明确例证。文章的核心贡献是首次在实验中证明了，对于一类精心设计的基态稀疏的问题，量子计算机能够比经典方法获得更精确的能量。

2. 关键术语解释

• 选组态相互作用 (SCI): 这是一类非常成功的经典计算方法，广泛用于化学和凝聚态物理。它的核心思想是迭代地挑选出对基态最重要的“组态”（即量子比特的某种比特串组合），然后只在这些选定的组态构成的小空间内进行精确求解。这篇论文证明了，对于其构造的特定问题，SCI会因陷入“局部最优”而失败。
• 基于采样的Krylov量子对角化 (SKQD): 这是一种混合量子-经典算法。它首先用量子计算机生成一系列随时间演化的量子态（Krylov空间基矢），并从这些态中采样得到很多组态。然后，经典计算机将这些组态收集起来，在这个由采样组态张成的子空间内对角化（精确求解）哈密顿量。这种方法的特点是其结果是变分上界（保证不高于真实基态能量）且可被经典验证。
• 稀疏基态 (Sparse Ground State): 指一个量子态在计算基（即所有可能的01比特串）中，只有极少数的分量（例如多项式个）是非零的。本论文构造的哈密顿量的基态就是稀疏的。SKQD算法正是利用了这一点，因为它只需采样少量重要的组态就能很好地近似基态。

3. 主要贡献 (Key Contributions)

1. 首次实验验证量子算法在基态能量问题上超越经典SCI方法: 这是在真实量子处理器上，首次展示基于采样（sample-based）的量子对角化算法在精度上优于目前最主流的经典SCI启发式算法（如CIPSI，HCI等）。
2. 构造了一类“反经典”的稀疏基态问题: 作者设计的哈密顿量是一个巧妙的“探针”，它具备稀疏基态，但完全不符合经典SCI算法的微扰论假设。这使得SCI算法在求解时会系统性地失败，从而为量子算法提供了发挥优势的舞台。
3. 展示了SKQD算法的可验证性和变分性: 论文强调了SKQD算法的两大优势：其输出的能量是变分上界（保证优于真实值），并且其结果可以由第三方使用经典计算机高效验证。这使得基于SKQD的量子优势是“无条件的”和“经典可验证的”。

4. 研究方法 (Methodology)

1. 问题构造: 作者将一个49量子比特的系统划分为三个“补丁”（patch）。在每个补丁内部，他们设计了一个特殊的哈密顿量，使得其局部基态（支撑在8个组态上）具有一种“能级交叉”特性——即只有找到全部8个组态才能正确描述基态，而经典微扰方法只能找到前两个，从而被卡住。最后，通过耦合项连接这些补丁。
2. 量子求解: 在IBM Heron R3量子处理器上运行SKQD算法。他们生成了不同时间步长的量子时间演化电路，并用两种技术优化：用Rustiq软件编译Trotter步，并用“近似量子编译（AQC）”将深电路压缩成浅层电路。总共采集了约1.33亿次采样数据。
3. 经典对抗: 作者运行了多种经典算法作为对比，包括：
   • SCI方法: CIPSI, HCI, ASCI, TrimCI。
   • 定制迭代求解器: 截断Arnoldi方法和“对角排序”方法——这些方法是为破解他们构造的问题而专门设计的。
   • 张量网络方法: 密度矩阵重整化群（DMRG）。
4. 后处理: 收集到采样数据后，经典计算机先过滤掉未被哈密顿量相互连接的孤立组态，然后在剩下的约1030万个组态构成的子空间中对角化哈密顿量，得到能量估计。

5. 实验结果与结论 (Results and Conclusion)

• 量子算法 (SKQD) 成功: 在使用了17个Krylov态（即初始态加上16个时间步）后，SKQD算法成功找到了49量子比特哈密顿量的精确基态能量。
• 主流SCI方法失败: CIPSI、HCI、ASCI和TrimCI等经典SCI方法，即使遍历了所有可能的超参数，也全部无法达到与SKQD相当甚至更低的能量，所有结果的能量误差都比量子结果高。
• “聪明”的经典算法可以求解: 截断Arnoldi方法、对角排序法和DMRG等更通用或特制的经典算法也能找到精确基态。这说明本实验尚未实现通用的、压倒性的量子优势，但成功展示了SKQD相对于特定经典启发式方法的优越性。
• 结论与展望: 这项工作解决了“基于采样的量子对角化方法能否超越标准SCI启发式算法”这一问题，答案是肯定的。未来的挑战在于，将这种“反经典”特性推广至更具物理意义的问题（如凝聚态或化学模型），并最终实现对包括DMRG在内的通用经典算法的优势。

6. 论文标签 (Tags)

量子算法, 编译与优化, 模拟

📄 点击此处展开/折叠原文 PDF

原文链接： Observation of Improved Accuracy over Classical Sparse Ground-State Solvers using a Quantum Computer