来源论文: https://arxiv.org/abs/2604.05038v1 生成时间: Apr 08, 2026 06:19

探索里德堡原子阵列中的量子混沌：基于模拟量子计算的随机 OTOC 测量深度解析

0. 执行摘要

量子多体系统中的信息传播与混沌动力学是现代物理学的核心前沿。**离时序相关函数（Out-of-Time-Order Correlators, OTOCs）**作为探测量子扰动和信息“置乱”（scrambling）的有力工具，在理论上具有重要地位。然而，在模拟量子计算机（Analog Quantum Computers）上直接测量 OTOC 面临着一个根本性的技术障碍：它通常需要算符的时间反演演化（Backward Time Evolution），这在大多数模拟硬件（如中性原子阵列）中由于硬件约束几乎无法实现。

近日，由 Goksu Can Toga 等研究人员发表的论文《Information Propagation in Rydberg Arrays via Analog OTOC Calculations》提出并实现了一种创新的随机测量协议（Randomized Measurement Protocol）。该研究利用 QuEra Computing 的 Aquila 模拟中性原子量子计算平台，通过一系列优化的全局随机淬火（Global Randomized Quenches）来模拟酉 2-设计（Unitary 2-design）的特性，从而在不需要时间反演的情况下提取无限温度下的 OTOC。研究不仅在 1D 里德堡链中清晰地观测到了信息传播的“光锥”（Lightcone），还通过与张量网络（MPS）和态矢量模拟的对比，揭示了硬件噪声在近似随机酉算符方面的意外积极作用。这项工作确立了在模拟量子模拟器上进行全模拟随机 OTOC 测量的首个范例，为探索复杂多体系统中的量子混沌开辟了可扩展的路径。

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：量子置乱与 OTOC

在经典动力学中，混沌表现为对初始条件的指数级敏感性（李雅普诺夫指数）。在量子力学中，这种敏感性通过两个最初对易的算符 $W$ 和 $V$ 随时间演化后的对易子平方来衡量：

$$ C(t) = \langle [W(t), V]^\dagger [W(t), V] \rangle $$

展开后，其中最具物理意义的部分即为 OTOC：

$$ O(t) = \langle W(t) V^\dagger W(t) V \rangle $$

这里 $W(t) = e^{iHt} W e^{-iHt}$。OTOC 描述了算符 $V$ 的扰动如何通过多体相互作用传播并扩散到算符 $W$ 的空间。对于混沌系统，OTOC 会在早期呈指数下降。然而，其测量公式中涉及 $e^{iHt}$（前向演化）和 $e^{-iHt}$（后向演化）的交替，这在数字化量子计算机上可以通过增加电路深度实现，但在模拟系统中，哈密顿量 $H$ 通常由物理相互作用（如范德华力）决定，无法简单地通过符号取反来实现反向演化。

1.2 理论基础：随机测量协议与酉 2-设计

为了克服时间反演的难题，本研究采用了基于统计相关性的方法。其核心理论基础是：无限温度下的 OTOC 可以通过对一组随机酉算符 $U$ 演化后的测量值进行统计平均来获得。

公式如下：

$$ O(t) = \overline{\langle W(t) \rangle_U \langle V^\dagger W(t) V \rangle_U} $$

其中，上划线表示对采样自酉 2-设计的算符集合 $U$ 进行系综平均。所谓酉 2-设计，是指一个随机算符分布，其前二阶矩与哈尔测度（Haar measure）完全一致。这意味着我们不需要执行 $e^{-iHt}$，而是通过制备一系列随机状态（通过随机淬火 $U$），分别测量有无扰动 $V$ 后的演化结果，并计算它们的统计相关性。

1.3 技术难点：模拟硬件上的随机化实现

在数字化量子计算机中，实现随机酉算符相对简单（通过随机门序列）。但在 Aquila 这种模拟里德堡原子平台上，存在以下难点：

控制局限性：目前的硬件主要支持全局控制，难以对单个原子进行独立的复杂逻辑门操作。
相干时间限制：里德堡原子的相干时间有限（约 4.0 $\mu$s），且转换速率（Slew rates）有限，限制了随机脉冲的数量。
近似 2-设计：如何仅利用全局参数（如 Rabi 频率 $\Omega$、失谐 $\Delta$）的随机序列，高效地逼近酉 2-设计的性质？

1.4 方法细节：全局随机淬火协议

研究人员设计了一个“两步走”的协议：

态准备与随机淬火：
- 将所有原子初始化为基态 $|0\rangle$。
- 施加 $N_{quench}$ 次全局随机淬火。每次淬火由随机幅度的 Rabi 脉冲组成，持续时间 $t_{quench} = 0.1 \mu$s。这些脉冲在布洛赫球上将状态随机化。
前向演化与相关性提取：
- 路径 A：随机淬火后，直接进行哈密顿演化 $H_{Ryd}$ 时间 $t$，然后测量里德堡密度 $n$，得到 $\langle W(t) \rangle$。
- 路径 B：随机淬火后，先施加一个局部扰动 $V$（通过在特定位置施加局部失谐脉冲），再进行相同的演化和测量，得到 $\langle V^\dagger W(t) V \rangle$。
- 计算：通过多次采样 $U$，计算两个观测值的乘积平均。根据理论，当 $t=0$ 时，两者高度相关；随着信息置乱，相关性逐渐消失，$O(t)$ 随之衰减。

2. 关键 benchmark 体系，计算所得数据，性能数据

2.1 Benchmark 体系：1D 里德堡原子链

研究选用了 $N=11$ 个原子的 1D 链作为基准体系。原子间距 $a$ 设定在 $8.4 - 9.5 \mu$m 之间。系统的哈密顿量为：

$$ H_R = \sum_j \frac{\Omega_j(t)}{2} X_j - \sum_j \Delta_j(t) n_j + \sum_{j 其中 $V_{jk} = C_6 / r_{jk}^6$ 是范德华相互作用。通过调整 $\Omega$ 和 $\Delta$，系统可以在里德堡阻挫（Rydberg Blockade）区域和非简并区域之间切换。

2.2 2-设计验证数据（Figure 3）

研究首先验证了随机淬火逼近酉设计的效率。通过定义二阶矩 $M_2(U) = \sum P_U(s)^2$ 并与哈尔平均值 $M_2^{Haar}$ 对比。数据表明：

随着淬火次数 $N_{quench}$ 的增加，$M_2$ 迅速接近哈尔极限。
在 $N_{quench} = 4$ 到 $5$ 时，差异减小到 $10^{-5}$ 量级，证明了全局随机脉冲足以在短时间内产生所需的随机性。

2.3 硬件测量结果与模拟对比（Figure 4 & 5）

研究对比了 Hardware (Aquila)、Simulator (Bloqade) 和 MPS (Matrix Product State) 三种方法：

信息光锥：在热图中清晰地展示了扰动从 Site 8 向其他位点传播的过程。信息传播速度（斜率）高度一致：
- $m_{Simulator} = 0.32 \pm 0.02$
- $m_{Hardware} = 0.31 \pm 0.03$
- $m_{MPS} = 0.33 \pm 0.01$
噪声的影响：一个非常有趣的发现是，在 Site 8（扰动点），无噪声模拟器由于酉性约束，OTOC 会在后期出现非物理的反弹；而硬件数据由于存在退相干和去极化噪声，反而更好地模拟了“无限温度”下的随机衰减，使其与 MPS 理论值吻合度更高。

2.4 采样性能与 Shot Cost

测量 OTOC 的精度 $\epsilon$ 与采样次数 $N_{total}$ 的关系遵循 $\epsilon \sim 2^{N_{total}}$。对于 11 个原子的系统，为了获得可靠的统计平均，实验使用了数千次随机采样。虽然 shot count 是主要的实验开销，但由于 Aquila 的高重复频率，这种测量在当前硬件水平下是完全可行的。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

3.1 实验平台：QuEra Aquila

本研究的核心计算在 QuEra 的 Aquila 平台上完成。Aquila 是一个基于中性铷原子的模拟量子计算设备，支持通过亚马逊 AWS Braket 或 QuEra 直接访问。其特点是原子阵列布局高度可调。

3.2 模拟与后处理工具

Bloqade (Julia/Python):
- 用途：用于模拟里德堡原子的演化过程（态矢量模拟）。
- 链接：https://github.com/QuEraComputing/Bloqade.jl
- 复现提示：利用 PiecewiseLinear 定义随机脉冲序列，并使用其内置的模拟引擎计算 $\langle n_i(t) \rangle$。
ITensor (C++/Julia):
- 用途：进行矩阵乘积态（MPS）张量网络计算，作为无限温度下的理论基准。
- 链接：https://github.com/ITensor/ITensors.jl
- 复现提示：采用 TDVP 或 TEBD 算法处理 1D 链的演化，计算四点相关函数。
QuTiP (Python):
- 用途：进行包含噪声（退相干、去极化）的 Lindblad 主方程模拟，以解释硬件实验中的噪声行为。
- 链接：https://qutip.org/

3.3 算法实现逻辑 (Algorithm 1)

复现该协议的伪代码逻辑如下：

# 伪代码：随机 OTOC 测量流程
def measure_otoc(num_unitaries, num_shots, time_t):
    otoc_sum = 0
    for u in range(num_unitaries):
        # 生成随机淬火脉冲序列
        quench_pulses = generate_random_quenches(N_quench=4)
        
        # 路径 1: 测量 W(t)
        results_w = run_on_hardware(
            init_state=|0...0>,
            apply=quench_pulses,
            evolve_time=time_t,
            measure="density"
        )
        W_t_u = np.mean(results_w)

        # 路径 2: 测量 V_dagger W(t) V
        results_v_w_v = run_on_hardware(
            init_state=|0...0>,
            apply=quench_pulses,
            apply_local_perturbation=V, # 局部失谐脉冲
            evolve_time=time_t,
            measure="density"
        )
        VWV_t_u = np.mean(results_v_w_v)

        otoc_sum += W_t_u * VWV_t_u
        
    return otoc_sum / num_unitaries

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

[1, 2] Maldacena & Stanford (2016): 确立了 OTOC 作为量子混沌和置乱度量的理论框架。
[28] Vermersch et al. (2019): 首次提出了利用随机测量和统计相关性获取 OTOC 的协议，是本研究的直接理论来源。
[33, 34] Elben et al. (2018): 论证了随机淬火序列可以有效地近似酉 $n$-设计。
[37] Wurtz et al. (2023): 详细描述了 Aquila 硬件的参数限制和性能指标。
[52] Lieb & Robinson (1972): 提供了非相对论量子系统中信息传播速度上限（光锥）的理论证明。

4.2 工作局限性评论

指数级的测量代价：虽然避开了时间反演，但该协议的采样次数（Shot cost）随原子数量 $N$ 呈指数增加（$2^N$ 缩放）。这意味着该方法在当前硬件上可能难以直接扩展到 $N > 20$ 的系统，除非结合更先进的统计采样技术。
局限于“无限温度”：随机测量协议天然模拟的是哈尔测度下的平均，即无限温度极限。对于低温下的超导或量子相变附近的 OTOC 行为，该协议需要重大的修改（如采样 Gibbs 态）。
硬件控制精度：如论文图 6 所示，当哈密顿参数偏离最优点时，光锥的清晰度下降，这表明实验结果对淬火脉冲的优化（Optimization）有极强的依赖性。手动调整这些参数对于大规模系统是不现实的，未来需要自动化的机器学习辅助优化。
1D 局限性：虽然研究展示了 1D 链，但在 2D 布局（Aquila 支持 2D）下的信息传播会更加复杂。2D 情况下算符的增长（Operator growth）动力学是否能保持同样的逼近效率尚待验证。

5. 其他必要补充：对量子化学科研的启示

尽管本文主要侧重于多体物理，但其方法论对量子化学研究具有重要的参考价值：

5.1 分子动力学中的能量转移

在研究光合作用复合体或激子（Exciton）在分子链中的迁移时，量子置乱起着关键作用。通过里德堡原子模拟分子骨架，利用本协议测量 OTOC，可以直观地观察到激发能在分子间扩散的“速度限制”及其相干性损失过程。这比传统的密度泛阵（DFT）动力学更能捕捉到长程量子关联的影响。

5.2 哈密顿量学习（Hamiltonian Learning）

论文提到的“通过 OTOC 诊断哈密顿量”是一个极具潜力的方向。在合成复杂的催化剂模型时，如果我们能通过随机测量确定系统的置乱速率，就能反推分子间相互作用强度的分布。这为验证量子化学模拟器的准确性提供了一种“非破坏性”的诊断手段。

5.3 强化学习脉冲优化

论文在结论中提到，未来将引入**强化学习（RL）**方案。对于化学家而言，这意味着我们可以利用 RL 自动寻找最优的激光脉冲，以最少的相干损耗探测特定分子轨道的量子特征。这种“算法-硬件协同设计”的思路是模拟量子计算迈向实用化的必经之路。

5.4 总结

这项工作不仅仅是一次成功的物理实验，它证明了即便在硬件受限的“嘈杂中尺度量子（NISQ）”时代，通过巧妙的统计协议，我们依然能够提取出深层的、具有多体本质的动力学信息。对于致力于量子模拟的科研人员来说，这种“以统计相关性代替复杂算符演化”的思维转变，极大地拓宽了实验设计的想象空间。