来源论文: https://arxiv.org/abs/2603.05349v1 生成时间: Mar 06, 2026 14:08

利用刘维尔递归提升量子计算机上的格林函数计算与基态能量估计精度：深度算法解析与硬件验证

0. 执行摘要

在强关联电子系统的数值模拟中，格林函数（Green’s Function）是连接理论模型与实验观测的核心桥梁。然而，在近、中期量子（NISQ）设备上，传统的格林函数计算方法往往受限于极深的量子线路（如基于时间演化的方法）或复杂的辅助比特控制操作。J. Leblanc 等人在其最新工作中提出了一种基于**刘维尔递归（Liouvillian Recursion）**的量子-经典混合算法。该算法的独特之处在于：它仅需对近似基态进行查询访问，无需复杂的受控演化，通过递归测量生成的观测算符序列，即可在频率域内直接构建格林函数的连分数表示。更重要的是，通过 Galitskii-Migdal 公式，该方法能利用计算出的格林函数反向优化基态能量估计，其精度超越了直接测量 Hamiltonian 期望值的传统方法。在 IBM Quebec 156 量子比特处理器上的实验表明，该算法对噪声具有极强的鲁棒性，且展现出相对于计算精度的多项式复杂度。这一进展为动力学平均场理论（DMFT）在量子计算机上的落地提供了切实可行的杂质求解器方案。

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

如何在量子计算机上高效、精确地提取强关联系统的动力学性质？传统的变分量子特征值求解器（VQE）主要关注静态基态能量，而物理学家更关心响应函数。现有的格林函数量子算法面临以下瓶颈：

  1. 线路深度问题：基于 $e^{-iHt}$ 的时间演化算法需要 Trotter 分解，导致线路深度随时间演化迅速增长，超出 NISQ 设备的相干时间。
  2. 硬件开销问题：Lehmann 表示法相关的子空间对角化法虽然减少了深度，但往往需要大量的测量或非正交基的处理。
  3. 对基态制备的依赖：大多数算法假设拥有完美的基态，但在实际中，基态制备本身就是一个巨大的挑战。

1.2 理论基础：刘维尔算符与算符希尔伯特空间

本研究的核心理论是将经典的 Lanczos 方法推广到算符希尔伯特空间（Hilbert space of operators）。在这一空间中，算符本身被视为向量，其内积定义为反对称子（anticommutator）的期望值：

$$\langle\{A, B\}\rangle = \langle g | AB + BA | g \rangle$$

其中 $|g\rangle$ 是系统的近似基态。

刘维尔算符 $\mathcal{L}$ 定义为与 Hamiltonian 的对易子操作：

$$\mathcal{L}(f) = [H, f]$$

格林函数在频率域 $\omega$ 的递归表示可以通过构造一组正交的算符基 $\{f_{k,r}\}$ 来实现。这些基通过类似 Lanczos 的三项递归关系生成：

$$\beta_{k+1,r}f_{k+1,r} = [H, f_{k,r}] - \alpha_{k,r}f_{k,r} - \beta_{k,r}f_{k-1,r}$$

1.3 技术难点：频率域的连分数构建

对于对角项格林函数 $G_{rr}(\omega)$，算法将其表示为连分数形式：

$$G_{rr}^{(k)}(\omega) = \frac{1}{\omega - \alpha_{0,r} - \frac{\beta_{1,r}^2}{\omega - \alpha_{1,r} - \dots}}$$

这种表示法能够极其高效地捕捉能谱的矩（moments）。非对角项 $G_{rr'}(\omega)$ 则通过一种正交多项式分解技术（由 Foley 等人提出）进行处理，避免了传统方法中复杂的矩阵连分数计算。

1.4 方法细节：量子-经典混合流程

该算法是一个典型的混合流程：

  1. 量子端：制备近似基态 $|g\rangle$，并测量由经典端生成的 Pauli 算符序列的期望值，从而获得递归系数 $\alpha_k$ 和 $\beta_k$。
  2. 经典端：执行算符代数运算，计算 $[H, f_{k,r}]$，将其分解为 Pauli 串，并处理测量结果以驱动下一轮递归。同时，利用得到的系数构建格林函数并执行 Galitskii-Migdal 积分以计算能量。

2. 关键 Benchmark 体系、计算数据与性能分析

2.1 体系选择：四点一维 Fermi-Hubbard 模型

研究者选择了四位点（4-site）的一维链式 Fermi-Hubbard 模型作为基准。该模型包含 8 个量子比特（每个位点两个自旋轨道），Hamiltonian 定义为：

$$H = -t \sum_{i\sigma} (c_{i\sigma}^\dagger c_{i+1,\sigma} + h.c.) + U \sum_i n_{i\uparrow} n_{i\downarrow}$$

在 $U=4t$ 且半满载（half-filling）的条件下，该系统具有显著的电子关联效应。

2.2 基态制备多样性

为了测试算法对基态缺陷的鲁棒性，研究者通过 VQE 制备了三种不同质量的基态：

  • 高保真度 (F=0.999)：36 层深度线路。
  • 中保真度 (F=0.963)：15 层深度线路。
  • 低保真度 (F=0.768)：浅层随机参数线路。

2.3 关键实验数据

  1. 格林函数收敛性：在 $k=6$ 次迭代时，频率域光谱函数 $-\text{Im} G_{00}(\omega)$ 已经与 $k=30$ 的精确解高度吻合。即便是使用保真度仅为 0.768 的极差基态，前几次迭代得到的格林函数峰值位置依然惊人地准确。
  2. 能量估计提升：
    • 对于保真度 0.963 的基态，其直接测量得到的能量期望值 $\langle H \rangle$ 偏差较大（受硬件噪声影响）。
    • 利用迭代得到的格林函数代入 Galitskii-Migdal 公式：$E = \frac{1}{2} \text{Tr} \oint \frac{d\omega}{2\pi i} f(\omega)(\omega + H_0)G(\omega)$。
    • 实验结果显示，即便是偶数次迭代（如 $k=4, 6, 8$），通过格林函数估算的能量显著优于 $\langle H \rangle$，更接近真实基态能量 $E_0 = -9.9531$。
  3. 噪声鲁棒性：硬件运行结果（IBM Quebec）在误差缓释（TREX, ZNE）的加持下，几乎完美复现了精确模拟的曲线，证明了该递归算法在 NISQ 时代具有天然的容错能力。

2.4 计算复杂度：指数增长与指数收敛的博弈

论文详细讨论了 Pauli 算符数量随迭代次数 $k$ 的增长。理论上算符数量呈指数增长，但由于算符空间的有限性以及大量的对易抵消，实际增长速度慢于理论上限。更关键的是，格林函数的准确度（以 Wasserstein 距离衡量）随 $k$ 指数级下降。这意味着，为了达到特定的精度 $\epsilon$，所需的总计算代价呈现多项式级 $O(1/\epsilon^4)$，而非指数级，这为量子优势提供了可能。

3. 代码实现细节、复现指南与软件包

3.1 核心算法实现逻辑

复现该算法需要构建一个混合循环，其核心数据结构是 Pauli 算符的线性组合。

  • 算符表示：使用 qiskit.quantum_info.SparsePauliOp。递归过程中的 $[H, f_k]$ 会导致算符项数激增，需要及时剔除权重极小的 Pauli 项（pruning）以维持经典计算的可行性。
  • 量子测量：调用 Qiskit Runtime 的 Estimator 接口。由于每次迭代产生的新算符基 $f_{k+1}$ 依赖于之前的测量值 $\alpha_k, \beta_k$，因此不能一次性提交所有作业，必须采用 Session 模式。误差缓释技术（如 resilience_level=2）是必不可少的。

3.2 复现步骤建议

  1. Hamiltonian 定义：利用 JordanWignerMapper 将费米子算符映射到 Pauli 算符。
  2. VQE 预训练：使用 RealAmplitudes 拟合 Ansatz 得到近似基态线路参数。
  3. 递归循环：
    • 初始化 $f_0 = c_0$ (映射后的 Pauli 串)。
    • 在经典端计算算符对易子。
    • 将生成的算符通过 Estimator 在硬件上获取期望值。
    • 更新连分数系数。
  4. 后处理：将 $\alpha_k, \beta_k$ 带入连分数公式，使用复频率 $\omega + i\eta$ 进行展宽，得到光谱图。

3.3 推荐软件包与资源

  • Qiskit Runtime：处理量子硬件访问与误差缓释。 Github Repo
  • Algolab 资源：作者所属的 Algolab（Université de Sherbrooke）经常发布相关的教程，建议关注其 官方 GitHub。
  • 参考实现：虽然本论文代码未完全开源，但可以参考 Irmejs and Santos 在 Quantum 9, 1639 (2025) 中的相关实现思路。

4. 关键引用文献与局限性评论

4.1 关键引用文献

  1. [18] Irmejs and Santos (2025)：证明了刘维尔递归对格林函数计算的指数级收敛性，本工作在其基础上引入了全格林函数计算及能量估计优化。
  2. [22] Foley (2024)：详细阐述了非对角格林函数的正交多项式分解理论，是本文 off-diagonal 计算的技术基石。
  3. [29] Galitskii and Migdal (1958)：提供了从格林函数推导多体系统总能量的经典公式。
  4. [15] Gauthier et al. (2024)：提供了另一种基于子空间扩张的格林函数计算视角。

4.2 局限性评论

尽管该算法表现出色，但作为技术作者，我认为以下几点需要审慎对待：

  • 算符爆炸问题：虽然文章提到在 8 比特系统下算符增长可控，但在更大的系统（如 20+ 比特）中，$[H, f]$ 的 Pauli 项数可能会迅速达到经典存储极限。虽然收敛快，但单次迭代的经典预处理代价不可忽视。
  • 采样开销：随着 $k$ 的增加，观测算符变得越来越复杂（Pauli 串变长，项数变多），为了维持相同的精度，所需的 Shot 数会显著增加。论文中的 $O(1/\epsilon^4)$ 复杂度是一个实证结论，缺乏针对通用系统的严格解析上限证明。
  • 极低保真度下的失效点：虽然对 $F=0.768$ 的状态有效，但如果基态制备极差（如处于对称性错误的扇区），递归算法可能无法纠正基础的拓扑或对称性偏差。

5. 其他补充：Wasserstein 距离的妙用与 DMFT 前景

5.1 为什么选择 Wasserstein 距离？

在衡量格林函数准确度时，传统的均方误差（MSE）或 KL 散度在处理谱峰位移时非常迟钝（如果两个窄峰不重叠，MSE 始终很大）。本研究采用了 Wasserstein 距离（Earth-Mover’s Distance），它衡量的是将一个分布变换为另一个分布所需的最小“搬运代价”。这能更物理地反映能谱在频率轴上的漂移情况，是评估量子化学模拟准确性的一个非常有前途的指标。

5.2 迈向 DMFT 杂质求解器

这项工作的长远价值在于 DMFT（动力学平均场理论）。在 DMFT 循环中，最耗时的步骤是求解杂质格林函数。传统的经典算法（如 ED 或 CTQMC）要么受系统尺寸限制，要么受正负号问题困扰。刘维尔递归法无需时间演化，天然适配 NISQ 设备，如果能结合高效的近似基态制备（如硬件高效的 Ansatz），它有望成为第一个在大尺寸强关联材料模拟中展现量子优越性的杂质求解器。

5.3 结论

J. Leblanc 等人的工作不仅是一种计算格林函数的新工具，更提供了一种“以动态促静态”的新思路——通过动力学递归修正静态能量估计。在当前量子硬件噪声依然显著的背景下，这种具有内在鲁棒性的混合算法无疑是量子化学计算领域的重要里程碑。