《SCIENCE ADVANCES》：High-precision and low-depth quantum algorithm design for eigenstate problems
编辑推荐：
本文针对量子多体系统本征态性质与能量高精度估计的难题，提出了一种基于随机化复合线性组合单元（RLCU）的全新量子算法。该研究通过构建高斯谱滤波器，并利用随机采样技术结合复合LCU分解，实现了对目标哈密顿量本征态上可观测量期望值的高效、高精度量子估计。结果表明，该方法在近邻（NN）量子架构下，其电路深度和门复杂度相较于传统量子相位估计（QPE）和量子信号处理（QSP）等方法具有显著优势，为在含噪中等规模量子（NISQ）和早期容错量子（FTQC）设备上求解复杂物理和化学系统的基态和低激发态性质提供了可行路径。
在量子计算领域，精确求解多体量子系统的基态和低激发态性质，例如能量和各类可观测量，是理解材料行为、模拟化学反应过程等诸多科学问题的核心。传统经典计算方法在处理此类问题时，常因系统希尔伯特空间随粒子数指数增长而遭遇“维度灾难”。量子计算机理论上虽能有效模拟量子系统，但实现高精度的本征态性质估计仍面临巨大挑战。现有的主流方法，如基于量子相位估计（QPE）的算法，通常需要复杂的受控操作和巨大的量子资源，对当前量子设备的噪声和深度极为敏感。而另一类有前景的方法，如量子信号处理（QSP）及其变体，虽然能实现近乎最优的查询复杂度，但其实现通常依赖于对哈密顿量进行块编码（Block Encoding）和复杂的受控操作，在实际量子硬件，特别是受限连通性的近邻架构上，会引入显著的额外开销。因此，发展一种既能保持高精度，又能在现有或近未来量子设备上高效实现的量子算法，成为该领域一个紧迫而重要的研究方向。
发表在《科学进展》（Science Advances）上的这项研究，针对上述挑战，提出了一种名为“随机化复合线性组合单元”（RLCU）的全栈式量子算法新框架。该工作的核心目标是解决两个关键问题：一是如何高精度地估计一个未知量子态（通常是哈密顿量H的近似本征态）在某个可观测量O下的期望值（即<ψ|o|ψ>）；二是如何高精度地估计哈密顿量H本身的特定本征值E_j。
为了攻克这些难题，研究人员巧妙地构建了一个高斯型谱滤波器g_τ(H - ω)。这个滤波器的功能是，当参数τ足够大且频率ω被设置为目标本征能E_j时，它能够指数地抑制初始态中所有非目标本征态（特别是激发态）的成分，从而将初始态|ψ_0>投影到目标本征态|u_j>附近。研究的关键创新在于实现这个非幺正的谱滤波器的方式。他们没有采用需要复杂受控操作和大量量子资源的相干实现方式，而是引入了一种随机采样策略。具体而言，他们将滤波器g_τ(H - ω)表达为一系列实数时间演化算子e^{-i t H}的线性组合（LCU），即g_τ(H - ω) = ∫ p(t) e^{i t ω} e^{-i t H} dt。其中，p(t)是一个高斯概率分布。通过从该分布中随机采样时间参数t，并运行相应的量子电路来模拟e^{-i t H}，再对测量结果进行经典的统计平均，即可无偏地估计出滤波后的量子态性质。为了进一步降低电路深度并适应近邻连接的限制，研究者没有直接实现完整的e^{-i t H}，而是将其分解为ν个短时间演化段。对每一段演化，他们采用了高阶Trotter-Suzuki公式S来近似主项，并首次将Trotter误差项V也明确地分解为LCU形式（即复合LCU）。通过随机采样这些LCU分量，并巧妙地利用哈密顿量项之间的对易关系，他们最终将整个滤波操作转化为一系列可在近邻架构上高效实现的量子电路序列，其中每个基本单元主要是泡利旋转门和SWAP门。
本研究采用的关键技术方法主要包括：1）利用高斯谱滤波器进行本征态滤波和能量搜索；2）基于随机采样的线性组合单元（LCU）框架来非相干地实现非幺正操作；3）复合LCU分解技术，将时间演化算符进一步分解为Trotter公式和Trotter误差补偿项的线性组合；4）针对海森堡模型和量子化学（如P450分子）等具体哈密顿量，设计了适用于线性近邻连接架构的量子电路编译方案，包括使用辅助量子比特和无辅助量子比特的测量策略。
理论分析：算法复杂度与优势
理论研究证明，该RLCU算法在估计精度ε、系统尺寸n、哈密顿量范数λ、能隙Δ等关键参数上均表现出优越的缩放行为。对于本征态性质估计问题，其门复杂度为O((Δ^(-1) ln(ε^(-1)))^(1 + 1/(4k+1)))，其中k是所采用的Trotter公式的阶数。对于本征能量估计问题，总门复杂度为O(κ^(- (1 + 1/(4k+1))) ln(1/?))，其中κ是能量估计误差，?是失败概率，该复杂度已接近海森堡极限。特别值得注意的是，对于像海森堡模型这样的局域晶格模型，该算法在NN架构下的电路深度可低至O(n^(2/(4k+1)))，这相比需要全局连通性的QSP类方法具有明显优势。文章还对具体的门数量进行了估算，例如对于20个量子比特的海森堡模型，在目标精度下仅需约10^4个CNOT门和10^6个T门。
在IBM量子设备上的实验验证
为了验证算法的可行性，研究团队在IBM的量子处理器上实现了对12量子比特各向异性海森堡模型低能级（基态和第一激发态）能量的估计实验。实验采用了无辅助量子比特的测量方案，成功运行了包含多达2000个CNOT门和20000个单量子比特门的深电路。实验结果令人鼓舞，即使在当前含噪设备上，未经误差缓解，对基态和第一激发态能量的估计误差也分别控制在了0.001和0.005以内（以耦合强度J为单位），显著优于传统方法的预期，这凸显了该算法对噪声具有一定的内在鲁棒性。
讨论与展望
本研究提出的RLCU框架为在NISQ和早期FTQC时代进行高精度量子多体系统模拟提供了新的思路。与QPE和QSP等方案相比，该方法通过牺牲部分相干性（引入随机采样）换取了电路深度和硬件兼容性的显著提升。其“全栈式”的设计理念，从高层算法构造到底层电路编译都充分考虑了实际硬件的约束。当然，该方法也面临一些固有挑战，例如其成功率依赖于初始态与目标本征态的重叠η，且对能隙极小的系统可能效率不高。未来的工作可以探索将该框架与变分量子算法、开放系统模拟或更高级的哈密顿量模拟技术相结合，以进一步拓展其应用范围和效率。总之，这项研究为实现量子计算在量子化学、凝聚态物理等领域的近期应用迈出了坚实的一步。
