来源论文: https://arxiv.org/abs/2603.03496v1 生成时间: Mar 04, 2026 23:58

量子计算挑战经典稀疏基态求解器：IBM Heron 处理器上的 SKQD 算法深度解析

0. 执行摘要

在量子化学和凝聚态物理领域，寻找高维哈密顿量的基态能量是最核心的挑战之一。虽然量子计算被寄予厚望，但如何在当前的“含噪声中型量子（NISQ）”时代证明其相对于经典算法的优越性仍是一个未解之梦。近日，IBM 研究团队在 arXiv 发表了一项里程碑式的工作：《Observation of Improved Accuracy over Classical Sparse Ground-State Solvers using a Quantum Computer》。

该工作不仅在 IBM Heron R3 处理器（156 位量子比特）上成功演示了 基于采样的 Krylov 量子对角化（SKQD） 算法，更重要的是，他们构建了一类特殊的“稀疏基态”哈密顿量，这类问题在理论上是经典算法极其难以处理的。通过在 49 个量子比特上的实验，研究人员证明了 SKQD 能够找到经典选择配置相互作用（Selected Configuration Interaction, SCI）方法（如 CIPSI, HCI, ASCI 等）无法触达的精确基态能量。这一成果标志着量子对角化方法在向真实量子优势迈进的过程中取得了重大突破。

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：量子对角化的优势何在？

量子多体系统的哈密顿量矩阵维度随系统尺寸呈指数级增长。经典的精确对角化（Exact Diagonalization），如 Lanczos 方法，受限于“维度灾难”。为了应对这一挑战，量子化学界发展了**选择配置相互作用（SCI）**算法。SCI 的核心逻辑是：基态虽然在全 Hilbert 空间是稠密的，但在某个适当的计算基（Configuration）下可能是稀疏的。SCI 通过迭代地向基组中添加重要的配置来逼近基态。然而，SCI 严重依赖于基于一阶微扰论的选择准则，当系统存在强关联或特定的能级交叉时，这类启发式搜索极易陷入局部最优或漏掉关键配置。

本文提出的问题是：是否存在一类稀疏基态问题，量子算法可以高效采样其支撑集，而所有主流的经典 SCI 启发式方法都会失败？

1.2 理论基础：SKQD 算法与 Krylov 子空间

SKQD 算法是 Krylov 量子对角化（KQD）与量子选择配置相互作用（QSCI）的混合体。其核心理论基于 Krylov 子空间 的快速收敛性。对于哈密顿量 $H$ 和初始导引态 $|x_0\rangle$，Krylov 空间定义为 $\mathcal{K}_d(H, |x_0\rangle) = \text{span}\{|x_0\rangle, H|x_0\rangle, ..., H^{d-1}|x_0\rangle\}$。由于 $H^k$ 的操作在量子硬件上难以直接实现，SKQD 采用随时间演化的状态 $|\phi_k\rangle = e^{-i k \Delta t H}|x_0\rangle$ 作为基向量。

SKQD 的算法步骤（Algorithm 1）：

  1. 量子采样： 在量子处理器上制备一系列演化态 $|\phi_k\rangle$，并在计算基下进行测量采样，获得配置集合 $B$。
  2. 经典对角化： 将哈密顿量 $H$ 投影到由 $B$ 构成的稀疏子空间中，得到 $H_B$。
  3. 求解： 在经典计算机上求解 $H_B$ 的最小特征值。这种方法保证了能量的变分性（Variationality）和可验证性。

1.3 技术难点：如何“困住”经典算法？

为了展示量子算法的优越性，作者设计了一个“引导稀疏基态问题（Guided Sparse Ground State Problem）”。该哈密顿量具有以下特性：

  • 能级交叉（Level Crossing）： 在配置空间的扩展过程中，基态的特性会发生突变。经典 SCI 依赖于 $f(x) = \frac{\langle x|H|\psi_{prev}\rangle}{\langle x|H|x\rangle - E_{prev}}$ 这种基于当前近似态的选择函数。如果当前子空间（Partial ground state）与真正的全基态支撑集之间存在“微扰隔绝”，SCI 就会因为分子分母均为零而停止扩展基组。
  • 稀疏性保障： 哈密顿量被构造为多个“补丁（Patches）”的乘积态。每个补丁内含复杂的关联，但全局基态保持稀疏，确保其在多项式规模的基组下可解。

1.4 方法细节：哈密顿量构造（Algorithm 2 & 3）

作者利用一种“分而治之”的策略构造哈密顿量。首先定义局部补丁哈密顿量 $H_P$，其基态为 $|\psi_0\rangle$。然后通过受控的耦合项 $H_{coupling}$ 将补丁连接起来。特别地，他们引入了单比特和双比特项，使得系统在演化过程中能产生长程相关。关键点在于，他们选择了一个特定的 $8 \times 8$ 矩阵作为局部块，该矩阵在扩展到最后两个配置时会发生能级交叉，从而令基于微扰的经典选择逻辑失效。

2. 关键 Benchmark 体系与数据分析

2.1 实验体系配置

  • 硬件平台： IBM Heron r3 处理器 (ibm_boston)，具有 156 个固定频率 Transmon 量子比特，Heavy-Hex 晶格拓扑。
  • 算例规模： 49 个量子比特。哈密顿量由 3 个补丁（每个 16 比特）加 1 个填充比特组成。总共有 419 个 Pauli 项。
  • 基态稀疏度： 基态支撑集大小为 $8^3 = 512$ 个配置。相比于 $2^{49}$ 的全空间，这是一个极度稀疏的问题。

2.2 关键性能数据 (Figure 5 & 12)

实验对比了四种主流 SCI 方法：CIPSI, HCI, ASCI, TrimCI。

  • SCI 的失败： 如图 5 所示，CIPSI 和 HCI 在子空间维度达到约 $10^5$ 之前就停止了收敛，能量误差停留在 $10^{-1}$ 量级。即使将选择阈值 $\epsilon$ 降低到 $10^{-17}$（机器精度边缘），它们也无法找到那 512 个关键配置中的最后几个，因为微扰准则在能级交叉点失效了。
  • SKQD 的胜利： 量子算法在 Krylov 维度 $d=17$ 时成功覆盖了所有 512 个配置。实验得到的能量误差直接下降到 $10^{-4}$ 以下（仅受限于经典对角化的数值精度）。
  • 采样效率： 实验共采集了 1.33 亿个样本。在 49 比特的巨大空间中，采样 512 个特定配置的成功率极高，证明了量子演化轨迹确实能穿透经典启发式算法的障碍。

2.3 经典对手的补充 (Figure 6)

为了公平起见，作者还测试了 DMRG（密度矩阵重整化群）。DMRG 在键维（Bond Dimension）为 200 时可以轻松解出此问题。这说明虽然 SKQD 击败了 SCI，但尚未在所有经典算法面前获得“绝对优势”。然而，作者指出，对于不具备一维或准一维结构的更复杂系统，DMRG 的成本会随键维呈立方增长，而 SKQD 的逻辑依然适用。

3. 代码实现细节与复现指南

该研究充分利用了 IBM Quantum 的软件生态系统。以下是实现该实验的关键组件和流程：

3.1 关键软件包

  1. Rustiq： 用于哈密顿量模拟电路的合成。它能将 Pauli 算子组合高效地转化为 Trotter 步电路（论文附录 B.1）。
  2. Qiskit Addon SQD： 实现了采样基对角化的核心逻辑。这是复现 SKQD 算法的直接入口。
  3. Approximate Quantum Compilation (AQC)： 面对深层 Trotter 电路带来的噪声问题，作者使用了 AQC 技术将 1-20 步演化压缩为固定深度（CZ 深度为 24）的电路，大幅提升了采样保真度。
  4. Block2： 用于执行经典 DMRG 基准测试的开源包。

3.2 复现步骤建议

  1. 环境准备： 安装 Python 环境并获取 qiskit-addon-sqd 库。同时需要 Julia 环境运行 TensorNetworkQuantumSimulator.jl 进行前期仿真。
  2. 哈密顿量制备： 从作者提供的 GitHub Repo 下载 49Q 哈密顿量的 Pauli 描述文件。
  3. 电路生成： 使用 rustiq 编译器对哈密顿量进行 Trotter 分解。注意：49 比特的 Heavy-Hex 映射需要精确处理以减少交叉门（Cross-talk）。
  4. 采样与过滤： 在量子后端运行电路并收集 bitstrings。应用论文提到的“连接性过滤（Connectivity Filter）”：剔除那些与已发现配置集不通过哈密顿量项相连的孤立采样点，这能显著降低背景噪声干扰。
  5. 经典子空间求解： 将过滤后的配置集输入经典对角化器（如 SciPy 的稀疏特征值求解器）。

4. 关键引用文献与局限性评论

4.1 关键文献引用

  • [3] CIPSI (Huron et al., 1973): 经典微扰选择方法的奠基石。
  • [15] Parrish & McMahon (2019): 首次提出使用量子计算机合成 Krylov 空间的思路。
  • [30] Yu et al. (2025): SKQD 算法的理论框架及其系统收敛性证明。
  • [32] White (1992): DMRG 算法，本文最强力的经典竞争对手。
  • [76] Martiel (2025): Rustiq 编译器，解决了大规模算符到电路的转换难题。

4.2 局限性评论

尽管这是一项令人振奋的工作，但作为一名技术作者，我认为有必要指出其局限性：

  1. 哈密顿量的“人工痕迹”： 实验所用的哈密顿量是针对性设计的（Synthetic）。其设计的初衷就是为了让经典 SCI 失败，这在科学发现上是严谨的，但对于真实的催化剂分子或材料模型，SKQD 是否依然能大幅度领先 SCI 尚存疑问。
  2. 对导引态（Guiding State）的依赖： SKQD 需要一个与基态有非零重叠的 $|x_0\rangle$。在极端强关联系统中，寻找这样一个初始态本身可能就是一个难题。
  3. DMRG 的阴影： 在 2D 体系上，DMRG 或张量网络方法依然表现强劲。要实现真正“无可争议”的量子优势，可能需要构造具有更高纠缠熵、更高维度的稀疏基态问题。

5. 补充：量子计算与经典算法的博弈论视角

这项工作最深刻的意义在于它重新定义了“量子优势”的战场。过去，我们往往追求在全 Hilbert 空间进行采样（如 Boson Sampling），但由于无法验证，其科学价值受到质疑。而 SKQD 运行在配置空间，其结果是经典可验证的。这种“ unconditional and classically verifiable quantum advantage”是目前最务实的路线。

此外，论文中提到的 噪声鲁棒性 值得关注。实验发现，即便量子电路由于噪声导致保真度极低（Figure 9 底部），只要它能以非零概率采样到那些关键的配置，经典对角化就能修复这些错误。这体现了量子采样与经典后处理结合的巨大潜力。

总结： IBM 的这项研究证明了量子硬件不再只是“玩具”，它已经具备了在特定计算任务上击败针对性调优的经典启发式算法的能力。对于量子化学家而言，这意味着未来我们可以将量子计算机作为配置生成器，而将经典计算机作为精密求解器，通过这种“混合”模式，共同攻克费米子符号问题等终极挑战。