作者: Huili Zhang, Yibin Guo, Guanglei Xu, Yulong Feng, Jingning Zhang, Hai-feng Yu, S. P. Zhao

1. 核心物理图象

• 任务: 用简略而科学的语言，说明本文章的核心物理图象是什么，做出了哪些贡献

• 目标: 让读者在不了解任何术语的情况下，就能对论文有一个直观的印象。

这篇论文的核心物理图象是：利用一个“助手”量子比特系统，一次性“标记”并计算出目标量子系统（如分子或磁性材料模型）的最低几个能级。 想象一下，你想同时测量一个复杂量子系统的基态和几个低激发态的能量。传统方法需要逐个计算，效率较低。本文展示了一种新方法：通过将几个“助手”比特与目标系统的比特纠缠起来，构建一个更大的复合系统。然后，通过优化一个共享的量子电路参数，可以一次性将这个复合系统演化到包含所有目标低能态的“子空间”中。最后，通过测量和分析，可以同时提取出所有目标能级的能量和对应的量子态。本文的主要贡献是首次在真实的超导量子处理器上实验验证了这种名为“辅助比特纠缠变分量子本征求解器”的新算法，并将其成功应用于计算氢分子和伊辛模型的低能级，展示了其在当前含噪声量子硬件上的可行性。

2. 关键术语解释

• 任务: 从论文中挑选出 1-3 个最核心、最关键的新名词或术语。

• 格式: 对每个术语，用一两句话给出简洁明了的定义，并解释它在这篇论文中的作用。

1. 辅助比特纠缠变分量子本征求解器 (Ancilla-Entangled VQE, AEVQE)： 这是本文实现的核心算法。它在传统变分量子本征求解器的基础上，引入了一组额外的“辅助比特”，并与系统的“物理比特”制备成最大纠缠态。这种纠缠结构使得算法能够同时优化并标记出多个（K个）低能本征态，而不是像传统VQE那样只能寻找基态。

2. 子空间哈密顿量 (Subspace Hamiltonian, H_sub)： 在AEVQE算法优化完成后，系统并未坍缩到某一个特定本征态，而是处于由K个低能态张成的子空间中。H_sub就是目标哈密顿量在这个子空间上的表示（一个K×K的矩阵）。通过对H_sub进行经典对角化，就可以一次性提取出所有K个目标能级的能量和它们之间的变换关系。

3. 对称性验证 (Symmetry Verification)： 这是一种量子误差缓解技术。许多物理系统的哈密顿量具有已知的对称性（如宇称守恒）。通过后处理测量结果，只保留符合正确对称性的数据，可以过滤掉由量子门错误引入的不符合物理规律的部分，从而显著提高计算精度。本文在计算伊辛模型时使用了此技术。

3. 主要贡献 (Key Contributions)

• 任务: 清晰地列出论文的 2-4 个关键创新点或发现。

• 要求: 每个贡献点都应突出其“新颖性”或“优越性”。

1. 首次实验演示：在超导量子云平台（Quafu SQC）上，首次完整实验实现了AEVQE算法，成功同时计算了氢分子的基态与第一激发态势能曲线，以及横向场伊辛模型的多条低能级。
2. 展示了算法提取物理可观测量能力：不仅计算了能级，还利用AEVQE直接制备出的本征态，测量了伊辛模型的平均绝对磁化强度，并观察到了从铁磁相到顺磁相的相变迹象，证明了算法在解决实际物理问题上的实用性。
3. 系统性性能评估与对比：通过数值模拟，深入分析了系统规模、经典优化器选择、超参数等对AEVQE优化效率的影响。并与两种无需辅助比特的算法（加权SSVQE和MCVQE）进行了详细对比，指出AEVQE在优化迭代次数和成功概率上具有一定优势，特别是在计算更多能级时。
4. 为NISQ时代算法应用提供指导：整个工作流程（包括误差缓解、优化器调参等）在公开可用的量子云平台上完成，为其他研究者在现有含噪声硬件上应用变分量子算法解决实际问题提供了宝贵的经验和参考。

4. 研究方法 (Methodology)

• 任务: 简要描述作者是如何实现其目标的。

• 要求: 提及使用了什么关键理论、模型或算法，并与前面的“关键术语解释”相呼应。

作者采用 AEVQE算法 作为核心框架。研究路径如下：

1. 算法实现：如关键术语所述，首先将Na个辅助比特与Na个物理比特初始化成最大纠缠态，构建一个包含K=2^Na个正交初态的复合系统。然后，将一个参数化的量子电路U(θ)作用于所有物理比特上，通过经典优化器（主要使用SPSA）迭代调整参数θ，以最小化一个特定的损失函数（即K个态的能量平均值）。
2. 物理系统建模：将算法应用于两个经典模型：氢分子（使用STO-3G基组下的量子化学哈密顿量）和一维横向场伊辛模型（作为多体物理的典型范例）。
3. 实验与模拟平台：在“百花”超导量子处理器上进行真实实验。同时，使用Qiskit进行包含噪声的数值模拟，以深入探究算法性能的标度律。
4. 误差缓解技术：实验中使用读取误差缓解。针对伊辛模型，利用其宇称对称性，实施了对称性验证，有效提升了结果精度。
5. 性能分析与对比：在优化阶段后，通过测量构建子空间哈密顿量H_sub并对其进行经典对角化，最终得到所有目标能级。作者系统性地分析了影响优化的各种因素，并将AEVQE与主流替代算法进行了全面对比。

5. 实验结果与结论 (Results and Conclusion)

• 任务: 总结论文的关键结论，以及这些结论对领域意味着什么。

• 要求: 明确指出论文留下了哪些开放性问题或对未来研究有何启示。

关键结论：

1. AEVQE算法在当前含噪声的超导量子硬件上是可行且有效的。对于小规模系统（如H2分子、3-5个格点的伊辛模型），能够以可接受的精度同时计算出多个低能级。
2. 算法的精度随系统规模增大而下降，优化难度（所需迭代次数）显著增加，这与其他变分量子算法一样，受到“贫瘠高原”问题的限制。
3. 与加权SSVQE等算法相比，AEVQE在优化阶段通常需要更少的迭代次数和量子电路运行次数（shots），在计算多个能级时显示出一定的效率优势。

对领域的意义： 这项工作将一种有潜力的多能级计算算法从理论推向了实验验证，证明了在NISQ设备上同时探索量子系统低能谱的可能性，为量子化学、凝聚态物理的模拟提供了新工具。

开放性问题与未来启示：

1. 可扩展性挑战：随着目标能级数量（辅助比特数）增加，制备辅助-物理比特纠缠、以及实现最终对角化所需的量子操作会变得复杂。论文建议采用梯子型量子比特排布或引入近似对角化优化来应对。
2. 贫瘠高原问题：如何在大规模系统中有效训练AEVQE（及其他VQA）避免贫瘠高原，仍是需要进一步探索的根本性难题。
3. 硬件与算法协同设计：本研究凸显了算法设计需与硬件特性（如比特连接性、噪声模型）紧密结合。未来需要为AEVQE等算法设计更专用的硬件架构或编译优化方案。

6. 论文标签 (Tags)

• 任务: 从下面的预定义列表中，选择 3-5 个最相关的标签。

• 格式: 以逗号分隔，例如：量子算法, 量子纠错, 物理硬件

量子算法, 物理硬件, 模拟, 编译与优化

📄 点击此处展开/折叠原文 PDF

原文链接： Simultaneous determination of multiple low-lying energy levels on a superconducting quantum processor