来源论文: https://arxiv.org/abs/2603.06529v1 生成时间: Mar 09, 2026 06:09

0. 执行摘要

费米-哈伯德模型（Fermi-Hubbard Model）是理解高温超导电性等强关联电子体系的核心理论模型。然而，由于指数级增长的希尔伯特空间以及量子蒙特卡洛（QMC）中的“负符号问题”，经典计算方法在处理高维、大尺度体系时面临严峻挑战。本文深度解析了由 Kübra Yeter-Aydeniz 和 Nora Bauer（MITRE Corporation）发表的最新研究成果。该工作提出了一种创新的方法：利用里德堡原子（Rydberg Atom）处理器的模拟演化能力制备海森堡模型基态，并结合采样量子对角化（Sample-Based Quantum Diagonalization, SQD）技术，成功在高达 56 个轨道的体系中计算了费米-哈伯德模型的基态能量和化学势。这是目前在量子硬件上实现的规模最大的费米-哈伯德基态计算。研究结果表明，利用量子硬件制备的非平凡态进行采样，比随机采样具有显著的收敛优势，甚至在样本量少 10 倍的情况下仍能获得更优的精度。该工作为利用近邻量子硬件探索超导相图提供了坚实的方法论基础。

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

费米-哈伯德模型在二维及更高维度下的基态性质（特别是是否真正支持 d-wave 超导）一直是凝聚态物理的未解之谜。虽然经典算法如 DMRG 在一维体系表现优异，但在高维体系中计算成本激增。量子计算被认为是解决这一问题的终极方案，但在当前的“嘈杂中等规模量子”（NISQ）时代，直接模拟费米子体系需要复杂的费米子-自旋映射（如 Jordan-Wigner 变换），这会消耗大量昂贵的量子门资源。本文的核心问题是：如何利用现有的模拟型（Analog）里德堡原子硬件，结合高效的后处理算法，绕过复杂的量子门操作，实现大规模费米-哈伯德模型的基态求解？

1.2 理论基础：从哈伯德到海森堡的摄动映射

研究的理论基石是费米-哈伯德模型在强相互作用极限（Large-$U$ limit）下的有效描述。费米-哈伯德哈密顿量定义为：

$$H = \sum_{\langle i,j \rangle, \sigma} t_{ij} c_{i\sigma}^\dagger c_{j\sigma} + U \sum_i n_{i\uparrow} n_{i\downarrow}$$

当 $U \gg t$ 时，体系进入莫特绝缘体（Mott Insulator）态，每个格点倾向于被单个电子占据。利用二阶摄动理论，可以得到其有效哈密顿量 $H_{eff}$：

$$H_{eff} = P_0 \left( \sum_{\langle kl \rangle} \frac{|t_{kl}|^2 (2\mathbf{S}_l \cdot \mathbf{S}_k - 1/2)}{U} \right) P_0$$

这在形式上等价于海森堡（Heisenberg）自旋模型。通过这种映射，我们可以将复杂的费米子问题转化为自旋问题。作者进一步扩展了这一理论，通过自旋非对称的哈伯德模型（$t_{\uparrow} \neq t_{\downarrow}$）来对应各向异性的 XXZ 模型，并引入了次近邻（NNN）相互作用项，这对于研究超导电性至关重要。

1.3 技术难点

  1. 硬件约束：里德堡原子阵列（如 QuEra 的 Aquila 处理器）原生支持的是 Ising 型相互作用，而不是完全的海森堡相互作用。如何通过时间相关的激光控制（Rabi 频率 $\Omega(t)$、频率失谐 $\Delta(t)$）来制备接近海森堡基态的量子态是一大挑战。
  2. 采样效率：在巨大的希尔伯特空间中，随机采样（Random Sampling）效率极低，无法捕捉到基态的关键构型。
  3. 算法融合：如何将模拟型量子演化（Analog evolution）与变分量子虚时演化（VQITE）以及离散的采样对角化（SQD）算法有机结合，形成闭环工作流。

1.4 方法细节：VQITE + SQD 混合架构

作者采用了两阶段策略：

第一阶段：模拟型 VQITE 基态制备 在里德堡原子硬件上，通过优化激光脉冲参数 $(\Omega_{max}, \Delta_{start}, \Delta_{end}, \phi, t_{max})$ 来执行变分量子虚时演化（VQITE）。其核心是利用 McLachlan 变分原理，通过最小化状态演化轨迹与 QITE 路径的距离：

$$\delta \left\| \left( \frac{\partial}{\partial \tau} + H - E_\tau \right) |\phi(\tau)\rangle \right\| = 0$$

作者发现这些超参数具有良好的规模可缩放性（Scalability），在小规模体系上优化的参数可以直接外推至 56 个轨道的大体系。

第二阶段：采样量子对角化（SQD） 从量子硬件制备的态 $|\Psi\rangle$ 中进行基矢采样，获取比特串集合 $\mathcal{X} = \{ \mathbf{x} | \mathbf{x} \sim P_{\Psi}(\mathbf{x}) \}$。这些比特串代表了费米子在 Fock 空间中的占据模式。随后，在这些采样构型构成的子空间 $S^{(k)}$ 中，通过经典计算机对原始费米-哈伯德哈密顿量进行投影和对角化：

$$\hat{H}_{S^{(k)}} = \hat{P}_{S^{(k)}} \hat{H} \hat{P}_{S^{(k)}}$$

通过迭代更新占据数 $n_{p\sigma}$ 并重新恢复构型，直到能量收敛。这种方法结合了量子硬件的“强关联态搜索能力”和经典计算机的“精确矩阵对角化能力”。

2. 关键 benchmark 体系，计算所得数据，性能数据

2.1 体系描述

研究测试了多种规模的体系：

  • L=16, 20 轨道的模拟测试：用于验证 VQITE 的收敛性以及 SQD 相对随机采样的优势。
  • 24 至 56 轨道的硬件实验：在 QuEra Aquila（模拟型）和 IBM Quantum ibm-pittsburgh（门型）上同步进行，旨在展示量子优势和硬件鲁棒性。
  • 参数设置：$U=10$, $t_{\uparrow}=1$, $t_{\downarrow}=0.25$。这种非对称跳跃项使得模型更易于在当前硬件上制备。

2.2 关键计算数据

  1. 基态能量收敛（图 5）：对于 20 轨道的哈伯德模型，在 half-filling 条件下，随着 SQD 迭代次数的增加，能量迅速下降并逼近精确基态能量（GSE）。在子空间维度仅为 2000 左右时（远小于希尔伯特空间的 $2^{20}$），误差已降至极小。
  2. 采样增益（图 6）：通过对比发现，基于 VQITE 制备态的采样误差（$\Delta E$）在相同子空间分数下远低于随机采样。这意味着量子硬件成功定位了希尔伯特空间中最重要的基矢区域。
  3. 化学势 $\mu$（图 7 & 图 9）：在 L=16 的体系中，VQITE 采样的化学势计算结果显著优于随机采样。在 L=12 的硬件实验中，虽然存在硬件噪声，但 VQITE 采样结果仍能捕捉到化学势随体系规模的变化趋势，与 DMRG 参考值高度吻合。

2.3 性能数据：56 轨道里程碑

在 56 轨道（56 个超导量子比特或里德堡原子）的实验中：

  • Aquila 表现：1000 次采样（Shots）产生的能量估计显著低于同等样本量的随机采样。
  • 对比数据：在 56 轨道规模下，VQITE 采样的结果不仅优于 1,000 次随机采样，甚至优于 10,000 次随机采样（图 8）。这证明了量子预处理带来的 10倍以上采样效率提升。
  • 门型硬件对比：在 IBM 156-qubit 机器上运行的门型 VQE-SQD 结果与 Aquila 的模拟型结果相当，证明了该方法在不同量子架构下的通用性。

3.1 软件栈组成

该研究主要依赖于 Qiskit 生态系统以及专门开发的插件：

  1. Qiskit Addon: SQD：这是核心算法实现。该插件提供了处理采样比特串、投影哈密顿量以及执行 Davidson 迭代对角化的接口。
  2. ffsim：用于高效模拟费米子电路。它在经典端处理费米子算符的映射和演化速度极快，是目前费米子量子模拟的首选加速库。
  3. TeNPy：用于产生基准参考值的 Tensor Network Python 库，执行 DMRG 计算。
  4. Amazon Braket SDK：用于调用 QuEra Aquila 里德堡原子处理器。

3.2 复现指南

若要在 Aquila 上复现该工作，需遵循以下步骤：

  • 步骤 1：定义脉冲序列。使用逻辑函数定义 $\Omega(t)$ 和 $\Delta(t)$。根据论文图 4 中的外推参数：$\Omega_{max} \approx 10.43$ MHz, $\Delta_{start} \approx -11.84$ MHz, $\Delta_{end} \approx 12.16$ MHz。
  • 步骤 2：提交作业。通过 Amazon Braket 将任务提交至 Aquila 处理器，排列原子为一维链（距离约 $4-6 \mu m$ 以控制交互）。
  • 步骤 3：数据提取。读取 shots 产生的比特串。注意需要根据映射协议（图 1）将单链的自旋读数解析为双链费米子占据模式（例如：测得 101，则 spin-up 占据为 101，spin-down 自动补齐为 010 以满足强 $U$ 约束）。
  • 步骤 4：运行 SQD。将比特串输入 qiskit-addon-sqd。需要定义费米子哈密顿量算符（可以使用 qiskit_nature 定义），随后调用 SQD.run()。

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

  • [21] Motta et al. (Nature Physics, 2020): 提出了量子虚时演化（QITE）的原始理论，是 VQITE 的基石。
  • [24] Robledo-Moreno et al. (Science Advances, 2025): 首次正式提出并演示了采样量子对角化（SQD）算法在量子化学中的应用。
  • [14] Wurtz et al. (arXiv:2306.11727): 详细描述了 QuEra Aquila 处理器的硬件特性和控制协议。
  • [16] Nishimoto et al. (Phys. Rev. B, 2008): 提供了一维哈伯德模型 NNN 项的相图参考。

4.2 局限性评论

作为一名技术作者，我认为该工作虽然在规模上取得了突破，但仍存在以下局限：

  1. Large-U 依赖性：算法核心依赖于哈伯德到海森堡的二阶摄动映射。这意味着当 $U/t$ 较小时（即中等关联强度），该映射失效，量子态制备的“引导”作用将大打折扣。
  2. 各向异性限制：由于里德堡原子原生相互作用的限制，作者只能处理 $J_{xy}/J_z \leq 0.5$ 的情况。然而，许多有趣的超导相出现在各向同性（$J_{xy}=J_z$）点附近，硬件限制使得实验仍处于超导相的边缘。
  3. 一维局限性：实验主要针对一维链。虽然通过 SQD 可以引入 NNN 项，但真正的挑战在于二维晶格。二维体系中的“负符号问题”最严重，也是量子优势最能体现的地方。目前里德堡原子在二维排布上的自旋相互作用映射更为复杂，尚待突破。
  4. 噪声敏感度：虽然 SQD 有一定的抗噪能力，但从图 9 可以看出，化学势的实验值标准差仍然较大，这说明在更大规模的体系中，读取误差校正（Readout Error Mitigation）将变得至关重要。

5. 其他补充：量子模拟的未来路径

5.1 模拟与门型的融合

本文最显著的意义在于展示了模拟型量子模拟器（Analog Simulator）与数字后处理（Digital Post-processing）的完美结合。长期以来，社区在“模拟演化”还是“门型电路”之间存在争论。本文证明，利用模拟硬件的高连通性和自然演化来产生高质量的采样基矢（Ansatz），再通过数字对角化进行微调，是实现“量子 utility”的最短路径。

5.2 迈向二维与掺杂（Doping）

未来的研究重点必然是掺杂费米-哈伯德模型。通过改变采样构型中的总粒子数，可以探索不同掺杂浓度下的物理。SQD 算法天生支持这种灵活性，因为它只需要调整投影算符 $\hat{P}_{S}$ 对应的粒子扇区。如果能结合里德堡原子的二维可编程重构能力，我们或许能在未来 2-3 年内看到在 100 轨道以上的二维哈伯德模型中观察到稳健的超导配对关联。

5.3 结论

MITRE 的这项工作不仅打破了计算规模的记录，更重要的是提供了一套标准化的工作流：量子预制态 + 采样投影 + 经典对角化。对于从事量子化学模拟的科研人员来说，这标志着我们从“展示算法可行性”阶段正式跨入了“利用量子硬件解决实际大规模物理问题”的新阶段。