来源论文: https://arxiv.org/abs/2604.17630v1 生成时间: Apr 21, 2026 10:13

随机子系统下降法 (RSD)：量子计算费米子映射优化的大规模可扩展框架

0. 执行摘要

在量子模拟领域，将费米子算符转换为量子比特算符（Fermion-to-Qubit Mapping）是连接理论物理模型与量子硬件的桥梁。传统的映射方法（如 Jordan-Wigner 或 Bravyi-Kitaev）虽然在数学上严谨，但在处理大规模复杂体系时，往往会产生较高的 Pauli 权重（Pauli Weight），这直接导致了 Trotter 演化步骤中电路深度的激增和测量噪声的放大。以往的优化尝试（如基于模拟退火的全局搜索）在面对超过 100 个模式的大规模体系时，往往会陷入“维度灾难”，计算耗时甚至高达数天。

由 Gengzhi Yang 和 Xiaodi Wu 等人提出的 Randomized Subsystem Descent (RSD) 框架，为这一难题提供了创新的解决方案。RSD 借鉴了经典优化中的随机块坐标下降（Block Coordinate Descent, BCD）思想，通过迭代采样可处理的局部算符子系统进行局部优化，随后将其 reintegrate 回全局算符。该方法不仅在小体系上能够完美复现已知最优解，更在 16x16 的 Hubbard 模型及含有 54 个模式、18 万个 Pauli 算符项的复杂分子体系（如 CO2）中展现了卓越的扩展性和优化效率。实验数据表明，RSD 相比传统映射方法可降低 30% 以上的 Pauli 权重，且计算开销极低，是未来容错量子计算前期哈密顿量预处理的重要工具。

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：权重的代价

在量子化学模拟（如 VQE 或量子相位估计）中，费米子哈密顿量 $H_f$ 必须映射为量子比特哈密顿量 $H_q = \sum c_j P_j$。其中 $P_j$ 是 $n$ 位 Pauli 字符串。Pauli 权重 (Pauli Weight, PW) 被定义为算符中非恒等算符（X, Y, Z）的数量。权重越高，意味着在量子硬件上实现该算符所需的 CNOT 门越多，电路深度越深，受退相干影响越严重。因此，如何找到一种映射 $\phi$，使得 $PW(\phi(H_f))$ 最小化，是提高量子模拟效率的核心问题。

1.2 理论基础：Clifford 变换与坐标下降

RSD 的核心理论基于两个支柱：

  1. Clifford 变换的保性：Clifford 变换作用于 Pauli 字符串后，结果仍为 Pauli 字符串（可能带正负号）。这使得优化过程可以在离散的算符空间内高效进行，无需进行复杂的矩阵乘法，仅需根据预定义的变换表（如论文附录 A 所示）更新 Pauli 索引。
  2. 块坐标下降 (BCD)：对于高维优化问题 $\arg \min_{U} cost(U^\dagger O U)$，直接搜索整个 $U(2^n)$ 空间是计算不可行的。BCD 思想建议每次只更新变量的一个子集。RSD 将其演化为：随机选取 $k$ 个量子比特构成子系统，针对该子系统寻找最优的 $k$ 比特 Clifford 变换。

1.3 技术难点：维度的诅咒与非光滑景观

优化映射本质上是一个离散、非光滑且高度非凸的搜索问题。其技术难点在于：

  • 搜索空间爆炸：$n$ 比特量子系统的 Clifford 群规模随 $n$ 指数级增长。
  • 计算开销：全局模拟退火（Simulated Annealing）需要频繁评估全局哈密顿量的成本函数，当 Pauli 项数达到数十万级时，单次评估的开销即成为瓶颈。
  • 局部最优陷阱：简单的贪婪算法极易陷入局部最优，无法触达更优的算符表示。

1.4 方法细节：RSD 算法流程

RSD 算法的具体步骤如下（参见 Algorithm 1）：

  1. 初始化：从一个经典的映射（如 Jordan-Wigner）开始，生成初始哈密顿量 $H^{(0)}$。
  2. 采样 (Sampling)：根据某种策略（如下文提到的 Hamming 权重采样）从 $n$ 个比特中选取 $k$ 个比特（通常 $k=5 \sim 8$）。
  3. 子系统求解 (Subsystem Solver)：利用深度优先搜索（DFS）或穷举法，在被选取的 $k$ 比特子空间内寻找能够最大限度降低权重的 Clifford 序列（$H, S, CNOT$）。
  4. 算符更新与 reintegration：将子系统优化得到的变换 $V^{(t)}$ 扩展到全空间 $U^{(t)} = V^{(t)} \otimes I$，利用 Clifford 变换规则更新全局哈密顿量中的所有 Pauli 字符串。
  5. 贪婪接受：如果更新后的全局成本函数（总权重或加权权重）降低，则接受更新；否则保留原状态。
  6. 迭代：重复上述过程直至收敛或达到预设迭代次数。

为了增强状态感知能力，作者提出了 Hamming 权重采样策略。定义第 $i$ 个比特的权重 $h_i$ 为所有包含该比特非恒等算符的项数之和。采样概率 $P_i \propto h_i + \epsilon$。这意味着活跃度高、对总权重贡献大的比特更有可能被选中进行优化，从而极大地提高了搜索效率。

2. 关键 Benchmark 体系与性能数据解析

2.1 格点跳跃模型 (Lattice Hopping Models)

作者首先在 1D 和 2D 的跳跃模型上验证了 RSD 的有效性：

  • 1D Chain (N=20)：在近邻跳跃（$r=1$）情况下，RSD 完美找回了理论最优结构，将平均 Pauli 权重从 2.0 (JW) 降低到 1.47。而传统的模拟退火方法仅能降至 1.5，陷入了局部最优。
  • 2D Nearest Neighbor (up to 16x16)：对于 2D 格点，由于空间连通性更复杂，传统映射表现不佳。RSD 在小规模网格下实现了超过 40% 的权重缩减，即使在 256 比特（16x16）的大规模体系下，依然保持了约 20% 的性能提升，且计算时间远低于 SA。

2.2 Hubbard 模型

Hubbard 模型是凝聚态物理的关键。实验显示：

  • 在 $6 \times 6$ 的 Hubbard 模型中，RSD 的表现优于 H+CNOT 模拟退火方法 10% 以上。
  • 随着网格侧长增加到 16，RSD 相比高度优化的 Ternary Tree 映射仍能提供 10% 的额外收益。这证明了 RSD 处理强关联体系哈密顿量项数激增的能力。

2.3 分子电子结构体系 (Molecular Systems)

这是量子化学应用的核心场景。作者测试了从 H2 到 CO2 的一系列分子（采用 STO-3G 和 6-31G 基组）：

  • 大规模体系表现：对于 CO2（54 个模式，182,270 个 Pauli 项），RSD 在仅 2000 次迭代内，就将总权重（PW）从 JW 的 3,234,356 降低到 1,766,760，缩减比例接近 45%。
  • 加权权重 (wPW) 优化：在量子化学中，算符系数 $c_j$ 大小悬殊。RSD 针对 $wPW = \sum |c_j| wt(P_j)$ 进行优化，对于 NaF 分子，实现了约 25% 的加权权重降低。这意味着在使用 qDRIFT 等随机采样算法进行时间演化时，可以显著减少采样次数。
  • 对比优势：RSD 在所有测试用例中均优于最新开发的 HATT (Hamiltonian Adaptive Ternary Tree) 映射。HATT 虽然考虑了哈密顿量结构，但本质上仍是静态构建，而 RSD 通过动态迭代挖掘了更深层的压缩空间。

3. 代码实现细节与复现指南

3.1 软件栈与依赖

复现 RSD 算法建议使用以下 Python 生态系统：

  • 量子框架：Qiskit (用于处理 PauliSumOp 和 Clifford 门操作)。
  • 量子化学后端：PySCF (用于生成分子轨道积分 $h_{ij}, h_{ijkl}$)。
  • 映射工具：Qiskit Nature (提供 JW, BK 等基准映射)。
  • 优化加速：NumPy (用于 Hamming 权重的高效计算)；可选 XGBoost (用于实现论文附录 B 中的 ML 引导采样)。

3.2 核心逻辑实现逻辑

  1. 数据结构：不要存储密集的矩阵！哈密顿量应存储为 list of (Pauli string index, coefficient)。Pauli 字符串可以用两个 bitset（X-bits 和 Z-bits）表示。
  2. Clifford 更新算表：根据附录 A，编写一个函数 update_pauli(pauli_list, gate, qubits)。例如，对第 $i, j$ 位施加 CNOT 门，其逻辑遵循：
    • $I \otimes X \to I \otimes X$
    • $X \otimes I \to X \otimes X$
    • $Z \otimes I \to Z \otimes I$
    • $I \otimes Z \to Z \otimes Z$
  3. 子系统 Solver 细节：
    • 选取 $k=6$ (平衡搜索深度与速度)。
    • 使用 DFS 搜索深度为 $d=4$ 的电路序列。
    • 关键技巧：在子系统中预先计算所有项的局部权重贡献，搜索仅在局部生效，评估局部成本。只有接受后才更新全局。

3.3 开源资源链接（建议参考）

虽然论文本身提供了方法论，但读者可参考以下类似实现的 Repo 进行二次开发：

4. 关键引用文献与局限性评论

4.1 关键引用文献

  1. Jordan & Wigner (1928): 奠定了映射的基础。
  2. Bravyi & Kitaev (2002): 引入了基于对数权重的映射思路。
  3. Yu et al. (2025): 提出基于模拟退火的 Clifford 优化，是 RSD 直接挑战的对象。
  4. Liu et al. (2025, HATT): 提出了适应哈密顿量结构的静态映射。
  5. Beck et al. (BCD 理论): 为 RSD 的随机块坐标下降提供了数学框架。

4.2 局限性评论

作为一名技术作者，我认为 RSD 虽然强大，但仍存在以下局限：

  • 贪婪算法的本性：虽然通过随机子系统避开了维度诅咒，但 RSD 本质上仍是贪婪的。对于某些具有极深局部陷阱的势能面，可能需要引入模拟退火中的“接受劣质解”的概率机制。
  • Clifford 群的限制：目前算法仅限于 Clifford 变换。虽然 Clifford 变换效率极高且保性好，但如果引入非 Clifford 门（如 T 门），理论上可能存在更优的映射，尽管这会失去计算上的简洁性。
  • 初始映射依赖性：实验显示，从不同的初始映射（JW 或 BK）开始，最终收敛的结果仍有细微差异。这意味着算法对初始点的选取并非完全免疫。
  • 大规模体系的迭代次数：对于像 CO2 这样的大体系，2000 次迭代可能远未达到真正的全局收敛（见附录 C），需要更多的计算资源投入。

5. 补充：RSD 在量子计算全流程中的地位与前瞻

5.1 硬件感知优化 (Hardware-Aware Mappings)

RSD 框架的一个巨大潜力在于其成本函数的灵活性。在本文中，优化目标是 Pauli 权重。但在实际量子硬件上，量子比特的连通性是有约束的（如 Heavy-hex 或 Grid 拓扑）。我们可以通过修改成本函数，将“违反硬件连通性的项”赋予极高的权重。这样，RSD 不仅仅是在压缩哈密顿量，而是在进行“硬件感知”的哈密顿量重写。这将极大地减少后续编译阶段的 Swap 门数量。

5.2 机器学习采样器的未来

论文附录 B 展示了使用 XGBoost 预测子系统优化收益的尝试。虽然目前效果有限，但这开辟了一个新方向：利用强化学习 (RL) 来学习采样策略。RL 代理可以观察哈密顿量的当前 Pauli 分布特征，自动判断哪个量子比特子集最具有优化的潜力，从而实现比 Hamming 采样更高效的“精准外科手术”优化。

5.3 跨领域的可移植性

RSD 的思想并不局限于费米子映射。在量子纠错（QEC）的算符提取、量子编译中的算符归约、甚至是在经典量子模拟技术（如张量网络）中，这种“随机子系统局部下降”的策略都具有广泛的借鉴意义。它代表了从“暴力求解全局最优”向“高效迭代局部改良”的范式转变。

5.4 结语

对于量子化学科研人员而言，RSD 提供了一种“开箱即用”且几乎没有规模限制的预处理手段。在 NISQ 时代，每一比特权重的降低都意味着成功模拟可能性的提升。随着该算法进一步集成到主流软件库中，它有望成为量子化学工作流的标准配置。