来源论文: https://arxiv.org/abs/2602.20108v1 生成时间: Feb 25, 2026 05:13

执行摘要

在量子计算与量子信息的交叉前沿，组合优化问题的求解效率往往取决于量子退火（Quantum Annealing, QA）路径上的最小能量间隙（Minimum Energy Gap, $\Delta$）。根据绝热定理，为了避免非绝热跃迁，退火时间必须与 $1/\Delta^2$ 成比例缩放。因此，理解 $\Delta$ 随系统规模 $N$ 的变化趋势是评估量子硬件性能的核心挑战。

本文基于 L. Brodoloni 等人的最新研究成果，深入探讨了两类典型的量子自旋玻璃模型：二维 Edwards-Anderson (2D-EA) 模型和全连通的 Sherrington-Kirkpatrick (SK) 模型。通过引入一种新颖的、无偏的投影量子蒙特卡罗 (PQMC) 能隙估计器，并辅助以高精度的稀疏矩阵特征值求解器，研究揭示了一个关键的物理事实：2D-EA 模型在连续高斯分布耦合下依然表现出极具挑战性的超代数（super-algebraic）缩放，而具有高连通性的 SK 模型则遵循较为温和的幂律缩放（$\Delta \propto N^{-1/3}$）。这一发现不仅澄清了自旋玻璃能隙分布的普适性问题，也为基于全连通架构的量子退火器（如基于全对全连通性的离子阱或超导量子比特阵列）提供了坚实的理论支撑。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题：能隙缩放的物理本质

自旋玻璃（Spin Glasses）因其高度非平凸的能量景观（Energy Landscape）和复杂的无序耦合，被认为是量子退火器测试的最难基准。物理学界的长期争论焦点在于：能隙 $\Delta$ 是随 $N$ 呈指数级减小（暗示求解为指数复杂度），还是遵循某种复杂的非多项式规律？

以往的研究主要集中在二进制耦合（$J_{ij} = \pm J$）上，但在现实的组合优化问题（如投资组合优化或数值划分问题）中，耦合通常是连续的。本文的核心问题是：当耦合分布从二进制变为高斯分布时，2D-EA 模型的能隙缩放特性是否会发生定性改变？同时，全连通性（All-to-all connectivity）如何从根本上改变量子相变点附近的能隙行为？

1.2 理论基础：横场伊辛模型与对称性分离

研究对象是经典的横场伊辛 Hamilton 量（Transverse-Field Ising Model, TFIM）：

$$\hat{H} = -\Gamma \sum_{i=1}^N \sigma_i^x - \sum_{\langle i,j \rangle} J_{ij} \sigma_i^z \sigma_j^z$$

其中 $\Gamma$ 代表横场强度，控制着量子涨落。该系统的关键对称性是宇称（Parity）算符 $\hat{P} = \prod_{i=1}^N \sigma_i^x$。Hamilton 量与 $\hat{P}$ 对易，这意味着本征态可以被划分为偶宇称空间（Even sector）和奇宇称空间（Odd sector）。

  • 基态 $|\psi_0\rangle$ 总是位于偶空间，其能量为 $E_{e,0}$。
  • 第一激发态可能位于奇空间（能量 $E_{o,0}$）或偶空间（能量 $E_{e,1}$）。

对于自旋玻璃，研究表明在量子临界点附近，最小能隙通常由奇宇称空间的最低态与基态之差定义，即 $\Delta = E_{o,0} - E_{e,0}$。

1.3 技术难点：量子蒙特卡罗的“能隙估计”难题

在传统的路径积分蒙特卡罗（PIMC）中，获取激发态能隙通常需要分析虚时相关函数的衰减。然而，这面临着严重的信号衰减和噪声干扰问题，尤其是在能隙极小的情况下。此外，传统的估计器往往依赖于引导波函数（Guiding wave function）的选择，容易引入系统偏差（Bias）。

1.4 方法细节：无偏 PQMC 估计器

本文采用连续时间投影量子蒙特卡罗（PQMC）算法。其核心思想是通过虚时演化算符 $e^{-\tau \hat{H}}$ 从初态中投影出基态成分。为了提高收敛性，使用了重要性采样，采样分布由 $f(\mathbf{x}, \tau) = \psi_g(\mathbf{x})\psi(\mathbf{x}, \tau)$ 定义，其中 $\psi_g$ 是引导函数。

研究者推导出的能隙估计器基于算符 $\hat{O}$ 的虚时相关函数：

$$C(\tau) = \langle \hat{O}(0) \hat{O}(-\tau) \rangle = \sum_{\mathbf{x}} O(\mathbf{x}) O(\mathbf{x}_0) f(\mathbf{x}, \tau)$$

如果选择一个奇宇称算符（如单个自旋算符 $\sigma_i^z$），那么只有奇空间的态会对相关函数产生贡献。在长虚时极限下：

$$C(\tau) \propto e^{-(E_{o,0} - E_{0})\tau} = e^{-\Delta_o \tau}$$

通过对 $\ln C(\tau)$ 进行线性拟合，可以直接提取奇能隙 $\Delta_o$。该估计器的优越性在于它是“纯”的（Pure Estimator），即即使 $\psi_g$ 不够精确，长虚时下的指数衰减率依然指向真实的能隙。

2. 关键 Benchmark 体系、计算数据与性能分析

2.1 2D-EA 模型：高斯无序下的“胖尾”分布

研究首先在临界点 $\Gamma = 1.98$ 处分析了 2D-EA 模型。通过对比 $L=4$ 到 $L=11$（$N$ 达 121）的系统：

  • 数据观察：逆能隙 $\eta = 1/\Delta$ 的累积分布函数 $1 - F(\eta)$ 显示，随着系统尺寸增大，分布的斜率显著减小。这意味着出现“极小能隙”（Large $\eta$）的概率在显著增加。
  • Hill 估计量分析：研究使用了 Hill 估计量来量化尾部指数 $\alpha$。结果表明，当采样比例 $\kappa$ 较小时，$\alpha$ 会随着 $L$ 的增大而下降，并最终跨越 $\alpha = 1$ 的阈值。在 $\alpha < 1$ 时，逆能隙的均值 $["\eta"]$ 发散；在 $\alpha < 2$ 时，其方差发散。
  • 结论：高斯无序并没有消除超代数缩放。2D 结构的稀疏性导致了量子相变点附近的这种极端能隙行为，这对量子退火而言是一个负面信号。

2.2 SK 模型：全连通性的救赎

在 $N=16$ 到 $N=125$ 的 SK 模型中，情况发生了逆转：

  • 能隙缩放规律：通过 PQMC 数据拟合，发现平均能隙满足 $\langle \Delta \rangle = C/N^\theta$，其中 $\theta \simeq 0.32(1)$，非常接近 $1/3$。这与某些平均场理论的预测一致。
  • 分布稳定性：与 2D-EA 不同，SK 模型的尾部指数 $\alpha$ 在大 $N$ 极限下保持在 2 以上。这意味着逆能隙的均值和方差都是良定义的，不会出现导致退火彻底失败的极端异常值。
  • 性能亮点：在临界点 $\Gamma \simeq 1.5$ 处，即便系统规模增大，能隙的减小速度也相对可控。这表明对于具有密集连接的问题，量子退火可能具有比传统观点更优的扩展性。

2.3 性能数据对比表

特性2D-EA 模型SK 模型
连通性稀疏 (4 邻域)全连通 (All-to-all)
临界横场 $\Gamma_c$1.981.5
平均能隙缩放超代数 (Super-algebraic)幂律 ($\sim N^{-1/3}$)
逆能隙方差无穷大 (大 N 极限下)有限
退火预期效率低 (受极端小能隙限制)较高 (缩放平稳)

3. 代码实现细节、复现指南与开源链接

3.1 核心算法实现：PQMC + NQS

本工作的实现结合了现代深度学习技术与传统的量子蒙特卡罗：

  1. 引导函数 (Guiding Function)：采用了神经网络量子态 (NQS) 中的受限玻尔兹曼机 (RBM)。利用 NetKet 库进行变分能量最小化，预先优化 $\psi_g(\mathbf{x})$。对于 $N$ 个自旋，隐藏层神经元数 $N_h$ 通常设为 $N$。
  2. 虚时演化：采用连续时间（Continuous-time）算法，消除了 Trotter 离散化误差。这是通过在自旋翻转事件之间对算符进行随机采样实现的。
  3. 计算硬件：为了处理大尺寸的精确对角化（用于 Benchmark），使用了 Cupy 库在 NVIDIA GPU 上进行稀疏矩阵运算。

3.2 软件包推荐

  • NetKet 3：用于构建和优化 RBM 引导函数。GitHub Repo
  • QuSpin：用于构建 TFIM Hamilton 量并进行对称性分析。GitHub Repo
  • CuPy：加速 Lanczos 精确对角化过程。Official Site

3.3 复现指南：提取能隙的步骤

  1. 初始化：使用 QuSpin 生成特定随机分布 $J_{ij}$ 的 Hamilton 量。
  2. 预训练：在指定的 $\Gamma$ 处，用 NetKet 训练一个 RBM，使其尽量接近基态 $|\psi_0\rangle$。
  3. PQMC 运行：加载 RBM 权重作为引导波函数，运行 PQMC 采样。记录虚时相关函数 $C(\tau)$。
  4. 自动窗口拟合：
    • 设定起始虚时 $\tau_{min}$ 以消除高能激发态影响。
    • 设定截止虚时 $\tau_{max}$，此时信号噪声比 $\langle C \rangle / \sigma_C$ 降至约 8。
    • 在该区间内执行指数拟合，提取斜率 $\Delta$。

4. 关键引用文献与局限性评论

4.1 关键引用

  1. Bernaschi et al., Nature 631, 749 (2024)：提出了 2D-EA 二进制耦合下的超代数缩放，是本研究的直接对比对象。
  2. Albash & Lidar, Rev. Mod. Phys. 90, 015002 (2018)：关于量子退火基本理论的权威综述。
  3. Carleo & Troyer, Science 355, 602 (2017)：NQS 的奠基性工作，为 PQMC 引导函数提供了思路。

4.2 工作局限性评论

尽管本文提供了坚实的数值证据，但仍存在以下局限性：

  • 临界点精度：自旋玻璃的临界横场 $\Gamma_c$ 往往存在数值争议。虽然本文采用了文献中的最佳估计值，但 $\Gamma$ 的微小偏差可能影响缩放指数的精确度。
  • 模型单一性：研究仅讨论了纯横场。在实际量子退火中，纵场或非线性退火路径可能引入不同的物理现象（如一级相变导致的能隙指数级减小）。
  • 系统规模限制：虽然 $N=125$ 对自旋玻璃来说已是长足进步，但相对于真实优化问题的数千个变量，依然处于小尺寸范围。在更大规模下，SK 模型的幂律缩放是否会发生交叉（Crossover）仍是未知数。

5. 补充解析：从物理模型到真实世界的映射

5.1 连通性的物理图像：平均场理论的胜利

为什么 SK 模型比 2D-EA 表现得更好？从物理图像上看，2D-EA 受限于局部的拓扑结构，自旋翻转导致的激发很容易被“困”在局部区域。而在 SK 模型中，每一个自旋都与其他所有自旋直接通信。这种“无限维度”的特性使得系统的关联长度在相变点发散得更加均匀，从而抑制了导致极小能隙的极端局部涨落。

5.2 对量子硬件开发的启示

这一结论对量子硬件设计具有重要的指导意义：

  1. 架构优先：如果目标是解决难优化问题，那么在硬件层面上实现全连通（或高度连通）比增加量子比特数量但维持稀疏连接更重要。D-Wave 等机器采用的 Pegasus 或 Zephyr 拓扑结构正是在增加连通性。
  2. 鲁棒性：高斯分布耦合下的普适性结果意味着，硬件制造过程中不可避免的耦合误差（Couplings noise）可能并不会改变能隙缩放的定性类别。

5.3 未来研究方向：非平稳量子退火

未来的研究可以进一步探索：

  • 非经典路径：引入非对角算符或非线性退火协议，是否能进一步缓解 2D 系统的能隙坍缩？
  • 有限温度效应：在真实实验中，退火并非在绝对零度进行。逆能隙分布的胖尾在有限温度下如何演化，是连接理论与实验的关键桥梁。

通过 PQMC 这一强力工具，我们正逐渐揭开量子自旋玻璃的神秘面纱，为通往实用化量子计算铺平道路。