来源论文: https://arxiv.org/abs/2208.00948 生成时间: Feb 28, 2026 22:26

0. 执行摘要

本研究提出了一种创新的混合量子-经典算法家族——选择性量子Krylov加速（sQKFF）算法，旨在克服噪声中尺度量子（NISQ）设备上变分量子算法（VQA）的固有挑战，并实现超越当前量子硬件相干时间的长时间量子动力学模拟。sQKFF算法通过利用多参考量子Krylov子空间方法，将量子计算机用于高效制备和测量实时演化的Krylov基态，同时将复杂的线性代数求解任务卸载给经典计算机。其核心优势在于，该方法避免了VQA中常见的“贫瘠高原”和非凸优化问题，通过系统性地增加参考态数量来平衡量子电路深度与经典后处理复杂度，从而在有限量子资源下提升模拟的准确性和时间跨度。研究人员通过数值实验验证了sQKFF算法在计算量子化学体系（如H2O、BeH2分子和H6氢链）的自相关函数和偶极矩关联函数方面的有效性，并展示了其对高斯噪声的鲁棒性，为近中期量子模拟的实际应用开辟了新途径。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题

量子模拟是量子计算最有前景的应用之一，对高能物理、宇宙学、凝聚态物理、原子物理和量子化学等领域具有深远影响。然而，当前噪声中尺度量子（NISQ）设备（如IBM Quantum Experience、Google Sycamore等）的局限性，特别是相干时间短和量子门操作的错误率高，使得执行长时间的精确量子动力学模拟成为一个巨大的挑战。传统的基于变分量子电路（VQC）的变分量子算法（VQAs）虽然在NISQ时代得到了广泛关注，但它们面临着诸多困境，如：

  1. 贫瘠高原（Barren Plateaus）：当VQC的参数数量增加时，目标函数的梯度指数级衰减，导致优化器难以找到有效解，陷入训练停滞。[19, 20, 21, 22, 23]
  2. 非凸优化景观：VQA的目标函数通常具有高度非凸的性质，存在大量局部最小值，使得全局优化变得极其困难。[19]
  3. 高测量开销：VQA通常需要大量的量子测量来估计期望值和梯度，导致长时间运行和高计算成本。[9, 10]
  4. 电路深度限制：NISQ设备的量子门操作数量有限，限制了VQC的深度，从而限制了其表达能力和模拟时间。

因此，核心科学问题是如何在NISQ设备的有限相干时间和高噪声的约束下，实现超越相干时间的、高精度的长时间量子动力学模拟，并有效克服VQA的上述挑战。这篇论文旨在通过量子Krylov子空间方法来解决这一关键问题，实现“快进”量子模拟，即用较短的量子时间演化来预测更长的物理时间演化。

1.2 理论基础

本文提出的选择性量子Krylov加速（sQKFF）算法建立在以下几个关键理论支柱之上：

1.2.1 量子子空间对角化（Quantum Subspace Diagonalization, QSD）

QSD方法作为传统参数化量子电路方法（VQA）的替代方案而兴起。[24, 25, 26, 27, 28, 29] 与VQA将变分波函数定义为参数化量子电路的输出来源不同，QSD方法将变分波函数表示为一组非正交量子态的线性组合：

$|\psi(t)\rangle \approx |\psi_K(t)\rangle = \sum_{k=1}^{D} c_k(t)|\phi_k\rangle$

其中，$D$ 是子空间的维度，$|\phi_k\rangle$ 是独立在量子计算机上制备的非正交基态。这种表述将变分问题转化为一个凸优化问题，从而自然地避免了VQA中“贫瘠高原”和非凸性问题。对于量子动力学模拟，基态 $|\phi_k\rangle$ 将被选择为时间演化后的Krylov基态。

1.2.2 Krylov子空间方法

Krylov子空间方法是数值线性代数中的一种经典技术，用于求解大型稀疏线性方程组或特征值问题。其核心思想是通过重复应用一个算符（例如哈密顿量$H$）到一个初始向量来构造一个子空间，即Krylov子空间：

$K_M = \text{span}\{|\psi_0\rangle, H|\psi_0\rangle, H^2|\psi_0\rangle, ..., H^{M-1}|\psi_0\rangle\}$

在量子动力学模拟中，该论文采用了实时演化的Krylov基态。对于每个参考态 $|r\rangle$，第$n$个演化步长的Krylov基态被定义为：

$|\Phi_{nr}\rangle = e^{-i\hat{H}n\tau} |r\rangle$

其中，$\hat{H}$ 是哈密顿量，$\tau$ 是时间步长，$n$ 是时间步数。通过这种方式，这些基态构成了描述系统时间演化的Krylov子空间。这种方法的优势在于，Krylov子空间能够有效地捕获系统在特定时间演化路径上的动力学信息。

1.2.3 量子子空间薛定谔方程

将波函数近似表达式 $|\psi(t)\rangle \approx |\psi_K(t)\rangle = \sum_{n=0}^{M-1} \sum_{r=1}^{R} C_{nr}(t)|\Phi_{nr}\rangle$ 代入含时薛定谔方程 $i\hbar \partial_t |\psi(t)\rangle = \hat{H} |\psi(t)\rangle$（其中$\hbar = 1$），并从左侧乘以基态 $\langle\Phi_{n'r'}|$，可以得到一个矩阵形式的方程，即量子子空间薛定谔方程：

$i \mathbf{S} \frac{d\mathbf{c}(t)}{dt} = \mathbf{H} \mathbf{c}(t)$

其中，$\mathbf{c}(t)$ 是一个维度为 $RM \times 1$ 的时间依赖展开系数列向量，$M$ 是单参考Krylov子空间维度，$R$ 是参考态的总数。$\mathbf{H}$ 和 $\mathbf{S}$ 是 $RM \times RM$ 的子空间矩阵，其元素定义为：

$[\mathbf{H}]_{n'r',nr} = \langle\Phi_{n'r'}|\hat{H}|\Phi_{nr}\rangle$ $[\mathbf{S}]_{n'r',nr} = \langle\Phi_{n'r'}|\Phi_{nr}\rangle$

通过在经典计算机上求解这个线性微分方程组，可以得到系数 $\mathbf{c}(t)$。其形式解为：

$\mathbf{c}(t) = e^{-i\mathbf{S}^{-1}\mathbf{H}t} \mathbf{c}(0)$

其中，$\mathbf{c}(0)$ 是初始时刻的系数向量，由 $c_k(0) = \mathbf{S}^{-1}\mathbf{d}(0)$ 给出，$\mathbf{d}(0)$ 的元素是 $\langle\Phi_k|\psi(0)\rangle$。这个形式解允许我们计算任意时间 $t$ 的系数，从而实现**“快进”预测**，远超量子硬件的相干时间。

1.3 技术难点

  1. Krylov基态的制备 ($e^{-i\hat{H}n\tau}|r\rangle$)：这需要在量子计算机上实现哈密顿量的时间演化。对于任意哈密顿量，这通常通过Trotter化或其他更高级的量子模拟技术（如量子信号处理）来实现，这会引入电路深度，并受到Trotter误差的影响。
  2. 子空间矩阵H和S元素的估计：计算 $\langle\Phi_{n'r'}|\hat{H}|\Phi_{nr}\rangle$ 和 $\langle\Phi_{n'r'}|\Phi_{nr}\rangle$ 需要在量子计算机上执行复杂的测量。传统上，这可以通过Hadamard测试实现，但Hadamard测试本身引入了额外的门操作和测量开销，并且对噪声敏感。本研究采用了作者团队先前的多保真度估计（MFE）协议[31]，该协议旨在避免Hadamard测试，并利用超紧凑波函数表示，从而降低电路深度和噪声影响。
  3. 重叠矩阵S的条件数问题：由于Krylov基态是相互演化而来的，它们之间可能存在线性相关性，导致重叠矩阵 $\mathbf{S}$ 变得病态（ill-conditioned），即其条件数非常大。这使得直接计算 $\mathbf{S}^{-1}$ 不稳定且容易引入数值误差。论文中建议使用**奇异值分解（SVD）**来处理这个问题，通过设定一个阈值 $\epsilon$（例如，$10^{-9}$），将所有小于该阈值的奇异值视为零，从而构建一个正则化的逆矩阵 $\mathbf{S}^{-1}$（参见附录A）。
  4. 多参考态的选择：最初只使用一个参考态（R=1）的sQKFF算法在预测长时间动力学方面表现不佳。为了实现高保真度、长时间的模拟，必须引入多参考态。然而，如何系统且高效地选择这些额外的参考态是一个关键挑战，直接影响算法的收敛速度和效率。
  5. 经典后处理的计算开销：随着参考态数量 $R$ 和Krylov子空间维度 $M$ 的增加，子空间矩阵的维度达到 $RM \times RM$，经典计算机需要处理的矩阵求逆、矩阵指数化等计算成本会迅速增加。需要在量子复杂度和经典复杂度之间进行权衡。
  6. 噪声鲁棒性：NISQ设备固有噪声的存在意味着算法必须对测量误差具有一定的鲁棒性。尽管SVD正则化有助于处理数值不稳定性，但算法对实际量子硬件噪声的敏感性仍需详细研究。

1.4 方法细节：选择性量子Krylov加速（sQKFF）算法

本文提出的**选择性量子Krylov加速（sQKFF）**算法（如图1所示）旨在系统地解决上述挑战，特别是通过引入多参考态选择过程来提高长时间模拟的保真度。算法流程如下：

  1. 初始化参考态池 $R^{(0)}$：算法开始时，参考态池中只包含用户提供的初始量子态 $|\psi(0)\rangle$，即 $R=1$。

  2. 估计矩阵元素H和S：

    • 利用当前的参考态池中的 $|r\rangle$ 和Krylov子空间维度 $M$，在量子计算机上制备所有的Krylov基态 $|\Phi_{nr}\rangle = e^{-i\hat{H}n\tau} |r\rangle$。这需要执行量子时间演化操作（通常通过Trotter化实现）。
    • 使用量子计算机（通过多保真度估计MFE协议[31]或Hadamard测试）来估计子空间矩阵 $\mathbf{H}$ 和 $\mathbf{S}$ 的所有元素：$[\mathbf{H}]_{n'r',nr} = \langle\Phi_{n'r'}|\hat{H}|\Phi_{nr}\rangle$ 和 $[\mathbf{S}]_{n'r',nr} = \langle\Phi_{n'r'}|\Phi_{nr}\rangle$。

  3. 在经典计算机上求解投影薛定谔方程：将估计得到的 $\mathbf{H}$ 和 $\mathbf{S}$ 矩阵传输到经典计算机。经典计算机通过求解 $i \mathbf{S} \frac{d\mathbf{c}(t)}{dt} = \mathbf{H} \mathbf{c}(t)$ 来获得时间演化系数 $\mathbf{c}(t)$。这通常涉及计算 $\mathbf{S}^{-1}$（使用SVD进行正则化）和矩阵指数 $e^{-i\mathbf{S}^{-1}\mathbf{H}t}$。数值解可以通过线性多步法或Runge-Kutta方法获得[36]。

  4. 评估停止准则：检查是否满足预设的停止条件。停止准则通常包括一个最大物理时间 $T_{max}$ 和一个可接受的误差容限 $\epsilon$。如果对于 $t < T_{max}$，增加更多参考态导致动态属性的变化不超过 $\epsilon$，则算法终止。

  5. 多参考选择过程（如果未停止）：

    • 制备Krylov子空间态：在量子计算机上制备从初始参考态 $|\psi(0)\rangle$ 演化而来的第 $M-1$ 步Krylov子空间态 $|\Phi_{M-1,1}\rangle = e^{-i\hat{H}(M-1)\tau} |\psi(0)\rangle$。
    • 采样测量：对 $|\Phi_{M-1,1}\rangle$ 执行基于Pauli-Z基的采样测量。这会得到一系列比特串 $x$。
    • 选择新参考态：统计每个比特串 $x$ 的观测频率 $n_x/K$（其中 $K$ 是总采样数）。选择具有最大观测转移概率 $p(x) = |\langle x|e^{-i\hat{H}(M-1)\tau}|\psi(0)\rangle|^2$ 的比特串，并将其作为新的参考态添加到参考态池 $R^{(R+1)}$ 中。参考态数量 $R$ 增加。
    • 经典后处理（可选，用于对称性）：为了确保新添加的参考态能够保持底层哈密顿量的对称性，可以构造一个包含这些采样比特串的单独子空间哈密顿量，并在经典计算机上对其进行对角化。由此得到的特征向量可以提供比特串的幅值，同时确保所有哈密顿量对称性得以保留。
    • 重复：返回步骤2，重复上述过程，直到满足停止准则。

量子-经典复杂度权衡：sQKFF算法提供了一种受控的量子-经典复杂度权衡机制。量子复杂性主要由Krylov子空间维度 $M$ 决定，因为它与时间演化电路的深度相关。经典复杂性则与参考态数量 $R$ 有关，因为它决定了子空间矩阵的尺寸（$RM \times RM$），进而影响经典线性代数计算的成本。通过调整 $M$ 和 $R$，研究人员可以根据量子硬件的限制（如电路深度）和可用的经典计算资源，灵活地优化模拟的精度和效率。

2. 关键 benchmark 体系，计算所得数据，性能数据

本研究通过数值实验验证了sQKFF算法在预测量子化学体系时间依赖性可观测量方面的性能和鲁棒性。实验主要聚焦于自相关函数和两时间偶极矩关联函数的计算。

2.1 时间依赖性可观测量的计算

在sQKFF算法中，一旦通过求解量子子空间薛定谔方程获得时间演化系数 $\mathbf{c}(t)$，就可以计算多种时间依赖性可观测量：

  1. 自相关函数 $C(t) = \langle\psi(0)|\psi(t)\rangle$： 这是最直接且不需额外量子计算机调用的时间依赖性可观测量。其近似表达式为 $C(t) = \mathbf{d}^{\dagger}(0) \cdot \mathbf{c}(t)$，其中 $\mathbf{d}(0)$ 包含了初始态与Krylov基态的重叠，$\mathbf{c}(t)$ 由sQKFF算法直接给出。

  2. 时间依赖性局域和全局可观测量 $O(t) = \langle\psi(t)|\hat{O}|\psi(t)\rangle$： 对于一般的可观测量 $\hat{O}$，其表达式为 $O(t) = \sum_{k',k} C_{k'}^*(t)C_k(t) \langle\Phi_{k'}|\hat{O}|\Phi_k\rangle$。这需要额外在量子计算机上测量矩阵元素 $\langle\Phi_{k'}|\hat{O}|\Phi_k\rangle$。如果 $\hat{O}$ 可以表示为Pauli算符的线性组合，那么最坏情况下，这可能需要 $O(L_{\hat{O}} (RM)^2)$ 次额外的量子计算机调用，其中 $L_{\hat{O}}$ 是 $\hat{O}$ 中的Pauli项数。

  3. 两时间关联函数 $\langle A(t+\tau)B(t) \rangle$： 这类关联函数常用于计算双粒子关联函数、格林函数和偶极矩关联函数，对光谱学至关重要。其一般形式为 $\langle\psi(t+\tau)|\hat{A}e^{-i\hat{H}\tau}\hat{B}|\psi(t)\rangle = \sum_{k',k} C_{k'}^*(t+\tau)C_k(t) \langle\Phi_{k'}|\hat{A}e^{-i\hat{H}\tau}\hat{B}|\Phi_k\rangle$。原则上，这需要运行两次sQKFF算法。然而，对于偶极矩关联函数 $\langle\mu_{\xi}(t+\tau)\mu_{\xi}(t)\rangle = \langle\Psi_G|\mu_{\xi}(t+\tau)\mu_{\xi}(t)|\Psi_G\rangle$，如果采用近似 $|\psi(t)\rangle \approx e^{-iE_G t}|\Psi_G\rangle$（其中$E_G$是基态能量），则只需一次sQKFF运行即可预测 $|\mu_{\xi}(\tau)\rangle = e^{-i\hat{H}\tau}\mu_{\xi}|\Psi_G\rangle$ 的演化。

2.2 关键 Benchmark 体系

研究中选取了以下典型的量子化学哈密顿量作为基准体系：

  • H2O 分子：固定键角 $104.45^\circ$。
  • BeH2 分子。
  • 线性氢链 (H6)。

所有体系的键长均设为 $1.85 \text{ Å}$。哈密顿量、基组和活性空间的详细选择参照了作者团队之前的研究[31]。时间步长 $\tau$ 统一设置为 $0.1$ 原子单位。

2.3 计算所得数据与性能分析

2.3.1 自相关函数预测 (图2)

图2展示了H2O、BeH2和H6体系的自相关函数预测结果。其中，Krylov子空间维度 $M$ 对于H2O和BeH2设为6，对于H6设为10。SVD正则化阈值 $\epsilon = 10^{-9}$。

  • 单参考态 (R=1)：图2的顶部几行中的红线表示单参考态 (R=1) sQKFF的预测结果。可以看出，对于所有体系，单参考态方法只能在极短的时间内（通常几个时间步长）与真实的自相关函数（黑线）保持一致。随后，由于子空间无法充分捕获长期动力学，预测迅速偏离真实轨迹，导致保真度迅速下降。

  • 多参考态的引入 (R>1)：随着参考态数量 $R$ 的增加，sQKFF的预测结果（红线）与真实结果（黑线）的对齐程度显著提高，并且能够更长时间地保持高保真度。例如，对于H2O，当R增加到16时，自相关函数在长时间内仍能保持高保真度。对于BeH2，R=8时表现良好。对于H6，R=30时，模拟时间跨度明显延长，保真度显著提升。

  • 保真度 (1-F) 分析：图2的底部一行显示了不同 $R$ 值下的波函数保真度随时间步长的变化。保真度定义为 $F(t) = |\langle\psi(t)|\psi_K(t)\rangle|^2$。R=1时，失真度（1-F）迅速增加，表明预测的准确性很差。而增加 $R$ 值能够系统性地降低失真度，并延长高保真度（例如，90%保真度阈值）的维持时间，从而证明了多参考态策略在实现超越相干时间的长时间模拟方面的有效性。

2.3.2 量子-经典复杂度权衡 (图3)

图3展示了H2O体系在不同Krylov子空间维度 $M$ 和参考态数量 $R$ 下的波函数保真度。该图直观地说明了sQKFF算法的关键优势：

  • 灵活的资源分配：高保真度（>90%）的量子动力学模拟可以通过两种方式实现：增加Krylov子空间维度 $M$（对应于更深的量子电路和更高的量子复杂度），或者增加参考态数量 $R$（对应于更高的经典后处理复杂度）。

  • NISQ背景下的重要性：对于受限于电路深度的NISQ设备，这一权衡尤为重要。研究人员可以将原本需要深层量子电路（大 $M$）才能实现的高保真度模拟，通过分配更多的经典计算资源（大 $R$）来完成，从而在当前硬件限制下实现更长时间、更高精度的模拟。

2.3.3 噪声鲁棒性分析 (图4)

图4研究了H2O、BeH2和H6体系在存在噪声情况下的sQKFF算法的性能。在哈密顿量 $\mathbf{H}$ 和重叠矩阵 $\mathbf{S}$ 的所有矩阵元素中加入了零均值、标准差为 $\sigma = \{10^{-3}, 10^{-5}, 10^{-7}, 10^{-9}\}$ 的复高斯噪声。SVD阈值 $\epsilon$ 也根据噪声水平进行了调整。

  • 显著鲁棒性：即使在相当大的噪声水平（例如 $\sigma = 10^{-3}$）下，算法在长时间内仍能保持接近90%的保真度。这表明sQKFF算法对测量噪声具有较强的鲁棒性，这对于在实际NISQ设备上运行至关重要。

2.3.4 偶极矩关联函数与吸收光谱预测 (图5)

图5展示了线性H6氢链的偶极矩关联函数和振子强度吸收光谱的预测结果。Krylov子空间维度 $M=6$，时间步长 $\tau=0.1$ 原子单位。

  • 偶极矩传播波函数保真度 (图5a)：与自相关函数类似，增加参考态数量 $R$ 能够显著提高偶极矩传播波函数 $|\mu(t)\rangle = e^{-i\hat{H}t}\hat{\mu}|\Psi_G\rangle$ 的保真度，使其在更长时间内与真实演化保持一致。

  • 振子强度吸收光谱 (图5b)：吸收光谱是偶极矩关联函数的傅里叶变换（加入了线宽 $\gamma = 1.5 \times 10^{-2}$ 以确保光谱稳定）。

    • 单参考态 (R=1)：仅能准确预测第一个跃迁峰，但对更高能量的跃迁峰预测失败。
    • 多参考态 (R=11, 21, 31)：随着 $R$ 的增加，预测的吸收光谱（红线）与真实光谱（黑线）在多个峰值上更紧密地对齐，仅在高能量区域存在微小偏差。

总结：数值实验充分证明了sQKFF算法在预测各种时间依赖性可观测量方面的有效性。多参考态策略是实现高保真度、长时间模拟的关键，而量子-经典复杂度权衡则为NISQ设备上的实际应用提供了灵活性。此外，算法对噪声的鲁棒性进一步增强了其在当前量子硬件上的可行性。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

尽管论文并未直接提供一个公开的开源代码库链接，但从其方法描述和引用的参考文献中，我们可以推断出sQKFF算法的实现细节以及复现该工作的概念性指南。这类算法的实现通常涉及混合量子-经典编程范式，结合量子计算框架和高性能科学计算库。

3.1 总体实现工作流

一个完整的sQKFF实现将遵循以下主要步骤：

  1. 哈密顿量构建与表示：

    • 量子化学哈密顿量：首先，需要为目标分子体系（如H2O、BeH2、H6）构建电子哈密顿量。这通常通过标准的量子化学软件包完成，例如论文中提及的PySCF [48]。该哈密顿量会在选定的基组和活性空间下进行计算。
    • Pauli字符串映射：将费米子哈密顿量通过Jordan-Wigner、Bravyi-Kitaev或类似的映射，转换为Pauli字符串算符的线性组合（$\hat{H} = \sum_i h_i \hat{P}_i$），这是量子计算机能直接操作的形式。

  2. 初始态制备：

    • 基态/Hartree-Fock态：对于自相关函数，初始态 $|\psi(0)\rangle$ 通常是体系的Hartree-Fock态（可以在经典计算机上直接计算得到），然后在量子计算机上制备。对于偶极矩关联函数，初始态通常是体系的基态 $|\Psi_G\rangle$，这本身就需要通过其他量子算法（如VQE或QSD的基态版本[25, 27, 30, 31]）预先计算并制备。
    • 量子电路实现：将经典计算得到的初始态编码为量子态，通过一系列量子门（例如，门或变分参数化电路）在量子计算机上进行制备。

  3. Krylov基态生成：

    • 时间演化算符：对于每个参考态 $|r\rangle$ 和每个时间步 $n$，需要生成时间演化态 $|\Phi_{nr}\rangle = e^{-i\hat{H}n\tau} |r\rangle$。这是算法的核心量子计算部分。
    • 量子电路实现：时间演化算符 $e^{-i\hat{H}n\tau}$ 通常通过Trotter化（例如，一阶或高阶Trotter分解）近似实现为一系列量子门操作。对于更复杂的哈密顿量，可能需要更先进的量子模拟技术（如量子信号处理或基于Qubitization的方法）来构造相应的量子电路。这些电路的深度直接决定了量子计算的复杂度 $M$。

  4. 子空间矩阵元素H和S的估计：

    • MFE协议/Hadamard测试：为了获得 $\langle\Phi_{n'r'}|\hat{H}|\Phi_{nr}\rangle$ 和 $\langle\Phi_{n'r'}|\Phi_{nr}\rangle$，需要在量子计算机上制备叠加态或利用特定的测量方案。论文中提到了其团队的多保真度估计（MFE）协议[31]，该协议旨在避免Hadamard测试，通过在不同的Pauli基下进行测量来估计矩阵元素，并结合超紧凑波函数表示，从而减少所需的量子资源。
    • Pauli测量：根据MFE协议，这通常涉及对制备的量子态进行一系列Pauli测量，并将测量结果（比特串）的期望值组合起来，以估计矩阵元素。
    • 采样次数：每个矩阵元素的估计都需要大量的测量采样来降低统计误差（shot noise）。

  5. 经典线性代数求解：

    • 矩阵SVD：一旦在量子计算机上获得了 $\mathbf{H}$ 和 $\mathbf{S}$ 矩阵的元素，就将其传输到经典计算机。经典计算的第一步是对重叠矩阵 $\mathbf{S}$ 进行奇异值分解（SVD），即 $\mathbf{S} = \mathbf{U} \mathbf{D} \mathbf{V}^{\dagger}$。这是为了处理 $\mathbf{S}$ 可能存在的病态问题。
    • 正则化求逆：根据附录A的描述，通过设定一个阈值 $\epsilon$（例如，$10^{-9}$），将对角矩阵 $\mathbf{D}$ 中小于 $\epsilon$ 的奇异值对应的逆设为零，从而计算正则化的 $\mathbf{S}^{-1} = \mathbf{V} \mathbf{D}^{-1} \mathbf{U}^{\dagger}$。
    • 矩阵指数计算：利用经典线性代数库计算矩阵指数 $e^{-i\mathbf{S}^{-1}\mathbf{H}t}$。这可以使用Pade近似或其他数值方法实现。
    • 系数c(t)的求解：最终通过 $\mathbf{c}(t) = e^{-i\mathbf{S}^{-1}\mathbf{H}t} \mathbf{c}(0)$ 得到时间演化系数。对于初始系数 $\mathbf{c}(0)$，需要计算 $\mathbf{c}(0) = \mathbf{S}^{-1}\mathbf{d}(0)$，其中 $\mathbf{d}(0)$ 包含了初始态与Krylov基态的重叠 $\langle\Phi_k|\psi(0)\rangle$。

  6. 参考态选择机制（迭代过程）：

    • 制备M-1步Krylov态：如果未满足停止条件，在量子计算机上制备 $|\Phi_{M-1,1}\rangle = e^{-i\hat{H}(M-1)\tau}|\psi(0)\rangle$。
    • Z基测量：对该态进行Pauli-Z基测量，获得一系列比特串。
    • 概率统计与选择：在经典计算机上统计比特串的出现频率，选取出现频率最高的比特串作为新的参考态添加到参考态池中。这个过程是算法的关键迭代部分，使得算法能够自适应地扩展子空间。
    • 对称性处理（可选）：通过对采样比特串构建一个小型的子空间哈密顿量并进行对角化，可以确保新的参考态尊重体系的对称性。

  7. 可观测量计算：

    • 根据 $\mathbf{c}(t)$ 和相应的矩阵元素（例如，对于自相关函数，仅需 $\mathbf{d}(0)$；对于其他可观测量，可能需要额外的 $\langle\Phi_{k'}|\hat{O}|\Phi_k\rangle$ 估计）在经典计算机上计算所需的时间依赖性可观测量（如自相关函数、偶极矩关联函数等）。

3.2 复现指南（概念性）

要复现这篇论文的工作，研究人员需要一个混合量子-经典计算环境，并按照上述工作流进行实现：

  1. 环境配置：

    • Python：作为主要的编程语言。
    • 数值计算库：NumPy 和 SciPy 用于高性能数组操作、线性代数（SVD、矩阵求逆、矩阵指数）和数值微分方程求解。
    • 量子化学软件包：PySCF [48] 或 OpenFermion 用于构建分子哈密顿量、基组计算、费米子-Pauli映射，以及计算偶极矩积分。
    • 量子计算框架：选择一个主流的量子计算SDK，如 Qiskit (IBM), Cirq (Google), PennyLane (Xanadu) 或 Tequila (FSU)。这些框架提供了构建量子电路、执行时间演化（Trotter化）、运行模拟器以及在实际硬件（如果可用）上进行测量的功能。

  2. 哈密顿量和初始态定义：

    • 使用 PySCF 定义H2O、BeH2、H6分子的几何结构、基组和活性空间。
    • 将 PySCF 生成的费米子哈密顿量和偶极矩算符转换为Pauli字符串，并用所选量子框架的表示形式存储。
    • 生成Hartree-Fock态（或通过VQE/QSD预先计算基态）的量子电路。

  3. sQKFF主循环实现：

    • 外层循环：管理参考态池的迭代增长，直到满足停止条件。
    • 内层循环：处理时间演化步长 $n$ 和Krylov子空间维度 $M$。
    • 量子函数：编写函数来制备Krylov基态 $|\Phi_{nr}\rangle = e^{-i\hat{H}n\tau} |r\rangle$。这需要构建Trotter化电路或更复杂的时间演化电路。编写函数来执行MFE协议以估计 $\mathbf{H}$ 和 $\mathbf{S}$ 矩阵元素（或简化为传统的Pauli期望值测量）。
    • 经典函数：编写函数来执行SVD、矩阵求逆、矩阵指数化以及薛定谔方程的数值求解。实现参考态选择的逻辑（即采样比特串并选择高概率者）。

  4. 可观测量计算函数：

    • 实现计算自相关函数、偶极矩关联函数及其傅里叶变换（吸收光谱）的函数。

  5. 运行与数据分析：

    • 在不同参数（$M$, $R$）下运行模拟。
    • 为验证噪声鲁棒性，可在经典部分为矩阵元素添加高斯噪声。
    • 收集保真度、相关函数等数据，并使用 Matplotlib 或 Plotly 进行可视化，与论文中的图表进行比较。

论文中明确提及的软件包包括：

  • PySCF [48]：这是一个广泛使用的开源量子化学软件包，用于执行从头算量子化学计算，例如Hartree-Fock、DFT、耦合簇等，并能生成哈密顿量、积分和偶极矩算符。它在量子化学领域是实现本工作中哈密顿量构建和基态初始化的关键工具。

论文中没有提供任何直接的开源代码库链接。这在学术界是常见的，代码可能尚未公开，或者集成在作者实验室的内部框架中。鉴于作者来自阿贡国家实验室和佛罗里达州立大学，其工作可能基于内部开发的研究代码库。若要查找相关代码，建议关注作者未来的出版物，或者查看其机构的开源项目页面。

虽然没有直接提供代码，但从论文细节来看，任何实现都将大量依赖于Python及其科学计算生态系统，特别是 NumPy（用于线性代数）、SciPy（用于更高级的数值方法，如SVD和矩阵指数化）以及一个量子计算SDK（如 Qiskit 或 Cirq，用于量子电路构建和模拟）。

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键引用文献及其重要性

本研究建立在量子信息科学和量子化学的现有工作之上，并对其进行了扩展。以下是一些关键引用文献，它们为本文提供了理论基础、方法启发或相关背景：

  1. [35] Lim et al. (2021) - “Fast-forwarding with nisq processors without feedback loop”：这篇论文被明确指出是本研究的基石之一。Lim等人的工作首次提出了使用量子子空间对角化（QSD）方法来解决量子动力学模拟问题，特别是采用累积K-矩态作为非正交基。本研究在此基础上进一步引入了多参考态策略和更精细的参考态选择机制，以提高长时间模拟的保真度。

  2. [27] Stair et al. (2020) - “A multireference quantum krylov algorithm for strongly correlated electrons”：这篇文献是多参考量子Krylov算法的先驱性工作，但其主要聚焦于解决强关联电子体系的基态和激发态能量估计问题。本研究将其多参考态的思想扩展到了量子动力学模拟领域，为sQKFF的多参考策略提供了重要思路。

  3. [31] Cortes & Gray (2022) - “Quantum Krylov subspace algorithms for ground-and excited-state energy estimation”：这篇是本研究作者团队的另一项重要工作，详细介绍了用于估计哈密顿量和重叠矩阵元素的多保真度估计（MFE）协议。sQKFF算法直接引用了MFE协议来避免传统Hadamard测试的复杂性与噪声敏感性，并利用超紧凑波函数表示，从而降低了量子测量的开销。

  4. [30] Klymko et al. (2022) - “Real-time evolution for ultracompact Hamiltonian eigenstates on quantum hardware”：这篇文献探讨了超紧凑哈密顿量本征态的实时演化，并提到了在构建子空间矩阵时使用奇异值分解（SVD）进行正则化处理，以解决重叠矩阵 $\mathbf{S}$ 的病态问题。这一技术对sQKFF算法的数值稳定性至关重要。

  5. [19-23] (关于VQA局限性的文献)：这些文献（如Barren Plateaus现象）揭示了变分量子算法在优化过程中面临的挑战，包括非凸性优化景观和梯度消失问题。这些工作的存在为QSD作为VQA的替代方案提供了强有力的动机，突显了sQKFF避免这些陷阱的优势。

  6. [34] Park and Light (1986) - “Unitary quantum time evolution by iterative lanczos reduction”：这篇经典计算机科学的开创性工作展示了迭代Lanczos方法在处理量子动力学中的应用。它表明了QSD方法在动力学模拟中的经典根源，为量子领域的Krylov方法应用奠定了基础。

  7. [36] Butcher (2016) - “Numerical methods for ordinary differential equations”：这是一本关于常微分方程数值方法的经典教材，对于在经典计算机上高效求解量子子空间薛定谔方程（一个线性微分方程组）具有指导意义，尤其是在选择合适的数值积分方法（如Runge-Kutta）方面。

  8. [37, 38] Trefethen & Bau, Businger & Golub (SVD)：这些是数值线性代数领域的标准教科书和经典算法论文，详细介绍了奇异值分解（SVD）的理论和应用，SVD在处理sQKFF算法中可能出现的病态重叠矩阵 $\mathbf{S}$ 时至关重要。

  9. [39-44] (各种关联函数及其重要性)：这些文献强调了自相关函数和两时间关联函数在量子化学、凝聚态物理和光谱学中的重要性，为sQKFF算法选择这些可观测量作为基准测试提供了背景和意义。

  10. [48] PySCF：这是一个广泛使用的开源量子化学软件包，用于执行从头算计算，为本研究中哈密顿量的构建和偶极矩积分的计算提供了工具。

4.2 对这项工作局限性的评论

尽管sQKFF算法在解决NISQ设备上的长时间量子动力学模拟方面取得了显著进展，但论文中也坦诚或间接指出了该方法当前版本的一些局限性，以及未来研究的方向：

  1. 理想化量子电路假设和噪声效应：数值模拟假设量子时间演化电路是理想的。然而，在实际NISQ硬件上，Trotter误差（来自哈密顿量分解的近似）、测量散粒噪声（有限采样次数导致）以及硬件固有噪声（如退相干、门误差）将不可避免地影响结果的精度。论文在总结部分明确指出：“进一步工作应详细阐述Trotter误差、散粒噪声和其他实际硬件缺陷的影响。” 尽管论文通过加入高斯噪声进行了鲁棒性测试，但这仍是一种简化模型，实际硬件噪声的复杂性远超于此。

  2. 参考态选择过程的效率和收敛性：当前提出的基于比特串采样的方法（选择高概率比特串作为新参考态）虽然简单，但在处理大型系统时可能效率不高。论文指出：“即使对于这些适度规模的体系，选择单个比特串作为参考态导致了相对缓慢的收敛。” 这意味着对于更复杂的系统，可能需要更智能、更自适应的参考态选择策略（例如，利用物理直觉、机器学习或信息论方法）来加速收敛，并确保所选基态的代表性。

  3. 子空间维度RM的扩展性限制：尽管sQKFF在量子和经典复杂度之间提供了权衡，但为了达到高保真度，所需的总子空间维度 $RM$ 可能仍然非常大，尤其对于复杂系统。这将导致经典计算机上矩阵操作（如SVD、矩阵指数化）的计算成本（$O((RM)^3)$ 甚至更高）迅速增加，可能成为新的瓶颈。论文提到：“所提出算法的子空间维度相对较大，与化学体系固有的对称投影子空间相比。” 这暗示了在保证精度的情况下，如何有效地控制 $RM$ 的增长仍需进一步研究。

  4. 初始态制备的挑战：对于需要基态作为初始态的模拟（如偶极矩关联函数），如何高效、高保真地在NISQ设备上制备基态本身就是一个难题。这可能需要预先运行VQE或其他QSD基态算法[25, 26, 30, 31]，从而增加了总体的计算成本和复杂性。

  5. 对含时哈密顿量的适用性：当前的工作主要针对时间独立的哈密顿量。将sQKFF扩展到时间依赖的哈密顿量将需要新的理论和算法发展，因为时间演化算符 $e^{-i\hat{H}(t)t}$ 将变得更加复杂。

  6. 通用可观测量的测量开销：虽然自相关函数无需额外量子调用，但对于一般的时间依赖性可观测量 $\hat{O}(t) = \langle\psi(t)|\hat{O}|\psi(t)\rangle$，仍需要大量的量子测量来估计 $\langle\Phi_{k'}|\hat{O}|\Phi_k\rangle$ 矩阵元素，其开销可能高达 $O(L_{\hat{O}} (RM)^2)$，这可能是一个限制。

  7. SVD正则化阈值 $\epsilon$ 的选择：SVD正则化中阈值 $\epsilon$ 的选择对数值稳定性和最终结果的保真度至关重要。论文虽然提及了一般使用的默认值，但指出“应针对不同参考态数量和Krylov子空间维度进行优化”。这意味着 $\epsilon$ 是一个需要仔细调优的超参数，其优化过程可能耗时。

  8. 缺乏实际量子硬件实现：论文中的所有结果均基于数值模拟。尽管这是验证新算法的必要步骤，但最终的实际性能、鲁棒性以及真实硬件上的挑战，仍需通过在实际量子设备上进行实现和基准测试来全面评估。

这些局限性指明了sQKFF算法未来研究和改进的重要方向，但它们并不减损这项工作在NISQ时代量子动力学模拟领域所取得的突破性贡献。

5. 其他必要的补充

5.1 意义与影响

本研究提出的sQKFF算法在量子模拟领域具有深远的意义和潜在影响，尤其是在NISQ时代：

  1. 突破NISQ设备相干时间限制：最核心的贡献在于，sQKFF能够实现超越当前量子硬件相干时间的长时间量子动力学模拟。传统的量子模拟方法受限于硬件的有限相干时间，难以探索长时间尺度的物理现象。sQKFF通过将时间演化问题转化为经典矩阵指数化，有效地“快进”了时间，极大地扩展了NISQ设备的应用范围。

  2. 克服VQA的内在挑战：sQKFF算法基于量子子空间对角化（QSD）范式，其将变分问题转化为凸优化问题。这使其能够避免VQA面临的“贫瘠高原”和非凸优化景观等根本性难题。这意味着优化过程更加稳定和可预测，从而提高了算法的可靠性和效率。

  3. 灵活的量子-经典复杂度权衡：算法提供了一个独特的机制，允许研究人员根据可用的量子硬件和经典计算资源，平衡量子电路深度（Krylov子空间维度 $M$）与经典后处理计算量（参考态数量 $R$）。在量子门深度受限的NISQ时代，这一权衡至关重要，它使得用户可以在不增加量子电路深度的前提下，通过增加经典计算来提高模拟精度和时间跨度。

  4. 广泛的适用性：sQKFF算法不仅适用于计算自相关函数，还能有效预测复杂的两时间偶极矩关联函数，进而可用于计算吸收光谱等关键量子化学性质。这表明了该方法在量子化学、材料科学和凝聚态物理等领域中，研究各种时间依赖性现象（如化学反应动力学、激子输运、分子光谱）的巨大潜力。

  5. 噪声鲁棒性：通过数值实验证明，sQKFF算法对高斯噪声具有显著的鲁棒性。这一特性对于在实际NISQ硬件上运行算法至关重要，因为实际设备总是存在各种噪声，算法的噪声容忍度直接决定了其可用性。

  6. “黑箱”特性：对于一些复杂的体系，sQKFF算法的“黑箱”特性意味着它不需要事先知道体系的激发态能量等先验信息。这对于探索未知物理系统或没有良好理论模型的系统尤其有用。

5.2 与其他方法的比较

为了更好地理解sQKFF的独特优势，将其与现有的一些量子模拟和量子计算方法进行比较是必要的：

  1. 与变分快进（VFF）算法 [16] 的比较：VFF算法也旨在实现超越相干时间的长时间动力学模拟，但它仍然基于参数化量子电路和VQA优化框架。这意味着VFF会继承VQA的所有缺点，如贫瘠高原、非凸优化和高梯度估计成本。sQKFF通过QSD框架，根本上避免了这些优化挑战，从而在理论上提供了一条更稳定的路径。

  2. 与传统经典Krylov方法（如Lanczos或Chebyshev）的比较：经典Krylov方法在处理大型稀疏矩阵问题上非常高效，并且在量子动力学模拟中已有悠久历史[34]。然而，它们的适用性最终受限于希尔伯特空间的指数级维度。sQKFF作为一种混合量子-经典方法，利用量子计算机来制备和测量投影Krylov子空间中的矩阵元素，从而有望处理经典计算机无法直接处理的指数级大希尔伯特空间问题。它在量子层面生成基态，在经典层面处理矩阵代数。

  3. 与全量子相位估计算法（QPE）的比较：QPE是理论上能够实现高精度量子模拟的黄金标准算法，但在当前NISQ设备上，它需要极深的电路和高错误率容忍度，因此并不实用。sQKFF则专为NISQ设备设计，通过牺牲一些理论上的普适性来适应当前硬件的限制。

  4. 与QSD基态/激发态能量估计方法 [25, 26, 30, 31] 的比较：本工作是QSD范式从静态（特征值问题）向动态（时间演化问题）的自然扩展。sQKFF集成了此前QSD工作中开发的MFE协议和SVD正则化技术，表明了QSD作为一种统一范式解决量子计算中不同问题的潜力。

  5. 与Trotter化时间演化 [1-6] 的比较：直接的Trotter化时间演化将量子态随时间步长在量子计算机上逐步演化，其模拟时间严格受限于相干时间。sQKFF通过经典矩阵指数化实现“快进”，突破了这一限制，虽然量子计算机仍用于制备Krylov基态。

5.3 未来展望与研究方向

本研究为NISQ时代的长时间量子动力学模拟开辟了新路径，但仍有许多重要的未来研究方向可以进一步提升sQKFF算法的性能和普适性：

  1. 更高效的参考态选择策略：当前基于采样概率的启发式方法虽然有效，但可能不够高效或不够普适。未来的研究可以探索更高级的参考态选择方法，例如：

    • 基于信息论的方法：利用纠缠熵、互信息或其他量子信息量来指导参考态的选择。
    • 机器学习辅助选择：利用强化学习或其他ML技术，学习如何最优地扩展参考态池。
    • 物理直觉引导：针对特定物理问题，利用已知的物理对称性或关键构型来预选参考态。

  2. 更全面的噪声缓解与错误纠正：尽管论文研究了噪声鲁棒性，但实际硬件上的噪声模型远比高斯噪声复杂。未来的工作应系统地整合量子错误缓解（QEM）技术，如零噪声外推、准概率解译等，以更有效地处理实际硬件中的退相干、门误差和交叉污染等问题。同时，还需要更详细地分析Trotter误差和散粒噪声对算法精度的具体影响，并开发相应的优化策略。

  3. 可扩展性分析与硬件基准测试：对sQKFF算法在不同系统规模（量子比特数）下的量子和经典资源需求进行更严格的理论和数值扩展性分析。最重要的是，需要在实际NISQ量子硬件上实现并基准测试sQKFF算法，以验证其在真实环境中的性能，识别并解决实际硬件带来的新挑战，并与模拟器结果进行对比。

  4. 泛化至含时哈密顿量：将sQKFF算法推广到含时哈密顿量是一个重要的研究方向。这将需要开发新的理论框架和量子电路构建方法，以有效地处理哈密顿量随时间变化的情况，从而能够模拟更多复杂的非平衡动力学。

  5. 优化Krylov基态的制备：Krylov基态 $e^{-i\hat{H}n\tau} |r\rangle$ 的制备是算法中量子电路深度贡献最大的部分。未来的研究可以探索更先进的量子模拟技术，例如量子信号处理（QSP）或Qubitization，以更低的门深度和更高的精度实现时间演化算符，从而减少量子计算的负担。

  6. 系统性地利用对称性：更深入地研究如何系统地识别和利用问题固有的对称性，将其整合到参考态的选择过程和子空间哈密顿量的构建中。这可以有效减小有效子空间的大小，从而降低量子和经典的计算成本。

  7. 高保真初始态的更有效制备：对于依赖于高精度初始态（如基态）的动力学模拟，需要进一步研究和开发更高效、更可靠的NISQ兼容基态制备方法。这可能涉及改进现有的VQE或QSD基态算法，或探索新的混合方法。

5.4 总结

总而言之，Cristian L. Cortes等人的工作提出了一种强有力的、为NISQ时代量身定制的混合量子-经典算法——选择性量子Krylov加速（sQKFF）。该算法成功地将量子子空间对角化与多参考Krylov方法相结合，为克服变分量子算法的局限性、实现超越相干时间的长时间量子动力学模拟提供了一条有前景的路径。通过数值实验，论文不仅验证了sQKFF在量子化学关联函数计算方面的准确性，还展示了其对噪声的鲁棒性和灵活的复杂度权衡能力。尽管仍存在一些挑战，但sQKFF算法无疑是量子模拟领域向前迈出的重要一步，为量子化学、材料科学等领域的实际应用奠定了基础，并指明了未来研究的广阔前景。