来源论文: https://arxiv.org/abs/2605.25089v1 生成时间: May 31, 2026 10:16

开放量子系统新突破：单入性张量网络状态的耗散制备算法深度解析

0. 执行摘要

在量子计算与量子化学模拟的交叉领域，高精度、强关联量子多体态的制备一直是制约算法实用化的关键瓶颈。传统的幺正（Unitary）状态制备方法（如变分量子特征求解器 VQE 或绝热状态准备）在面对二维及更高维度的强关联体系时，往往面临 barren plateaus（贫瘠高原）、局部极小值以及对系统噪声极其敏感等严峻挑战。相比之下，基于开放量子系统理论的**耗散状态制备（Dissipative State Preparation）**提供了一种极具吸引力的替代方案。它通过主动引入与环境的局部耦合（即工程化耗散），将目标量子态构建为某一动力学半群（如 Lindbladian）的唯一稳态，从而实现天然的抗噪性和对初始状态的无记忆收敛。

近期，来自马克斯·普朗克量子光学研究所（MPQ）的 Drishti Baruah、Georgios Styliaris、J. Ignacio Cirac 与 Rahul Trivedi 在其最新研究《Dissipative preparation of injective tensor network states》中，取得了突破性进展。该工作系统性地构建了用于制备**单入性张量网络态（Injective Tensor Network States, TNS）**的几何局部耗散过程，涵盖了连续时间 Lindblad 演化和离散时间量子通道（Quantum Channel）两种架构。其核心学术贡献在于：

1. 对数级时间复杂度：证明了对于所有一维单入性矩阵乘积态（Injective MPS），通过有限的位点阻断（Blocking/Coarse-graining）技术，算法均能在对数时间 $O(\log(N/\epsilon))$ 内以误差 $\epsilon$ 完成目标态的制备。相比于此前最先进的耗散制备方案（其混合时间为 $O(N^{\log N})$），实现了指数级加速。
2. 高维空间突破：对于二维及更高维度的投影纠缠对态（PEPS），当张量满足“高单入性（Highly Injective）”条件时，证明了所构建的耗散过程是快速混合（Rapid-mixing）的，制备时间同样仅呈对数级 $O(\log(N/\epsilon))$ 增长。这比现有的晶格上幺正方法实现了多项式级加速，在一般有界度图（Bounded-degree graphs）上则实现了指数级加速。
3. 鲁棒性保证：由于该动力学具有快速混合特征，算法对局部可观测量的测量和噪声展现出极强的自适应与容错能力。

本博客将面向从事量子化学模拟、量子多体物理以及量子算法开发的科研工作者，对该论文的核心科学问题、数学原理、技术难点、基准测试及代码实现进行全方位的深度解析。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题与量子化学背景

在量子化学计算中，分子的电子相关性（Electron Correlation）往往集中在活性空间内。为了描述这些强关联电子行为，密度矩阵重整化群（DMRG）方法所采用的矩阵乘积态（MPS）以及高维的 PEPS 成为了现代非微扰量子化学的支柱性波函数表示法。然而，当我们将这些高效的经典张量网络表示搬上量子计算机时，如何将量子比特初始化为特定的 MPS 或 PEPS 却极其困难。幺正量子线路需要极深的门深度，且容易在演化中引入不可控的系统误差。

耗散状态制备的本质是设计一个物理环境，使得该环境自发地将系统“冷却”到目标量子态上。这种动力学过程可以由主方程写为：

其中 $\mathcal{L}$ 是 Lindblad 超算符（Parent Lindbladian）。本研究致力于解决的核心科学问题是：如何针对给定的任意单入性张量网络态，构造出几何局部的 $\mathcal{L}$，并严格证明其混合时间（Mixing Time）仅随系统尺寸 $N$ 呈对数级扩展？

1.2 理论基础：单入性（Injectivity）与父哈密顿量（Parent Hamiltonian）

张量网络态的单入性是本工作的数学基石。以投影纠缠对态（PEPS）为例，定义在无向图 $\mathcal{G}=(\mathcal{V}, \mathcal{E})$ 上的 PEPS 可以通过在每条边 $e=(i, j)$ 上放置一个虚拟的最大纠缠态 $|\phi_0\rangle_e \in \mathbb{C}^D \otimes \mathbb{C}^D$（其中 $D$ 为键维数），然后在每个顶点 $i$ 上作用一个局部线性映射 $A_i: (\mathbb{C}^D)^{\otimes |\mathcal{N}_i|} \to \mathbb{C}^d$（其中 $d$ 为物理维度，$\mathcal{N}_i$ 为邻域）来生成。最终的物理态写为：

如果所有的映射 $A_i$ 都是单射（即存在左逆 $A_i^{-1}$，使得 $A_i^{-1} A_i = I$），则称该 PEPS 为单入性 PEPS。单入性保证了边界虚拟层上的任意操作都可以通过物理层上的局域操作来唯一恢复。对于单入性 PEPS，我们可以定义其父哈密顿量（Parent Hamiltonian）：

其中，每一个局部项 $h_{i,j}$ 是一个半正定投影算符，其核空间（Kernel）恰好包含目标态 $|\psi\rangle$，即 $h_{i,j} |\psi\rangle = 0$。因此，$|\psi\rangle$ 是该无基态能量挫折哈密顿量（Frustration-free Hamiltonian）的唯一零能量基态。

1.3 技术难点之一：父 Lindbladian 的构造

为了使系统收敛到 $|\psi\rangle$，Lindbladian 必须对两类过程进行编码：

1. 系统内各局域块的相干校正：保证物理态不逃逸出张量网络态所定义的局部物理子空间 $S_i = \text{Im}(A_i)$。
2. 虚拟纠缠链的制备：在边 $e=(i, j)$ 上恢复最大纠缠 $|\phi_0\rangle$。

作者巧妙地将 Lindbladian 拆分为单点项与两点项的加和：

其中：

• 单位点校正项 $\mathcal{L}_i$：作用于节点 $i$，其作用是将游离在有效物理子空间 $S_i$ 之外的布居数强制驱回 $S_i$ 内。利用正交投影算符 $P_{S_i}$ 和余投影 $P^{\perp}_{S_i} = I - P_{S_i}$，其形式为： $$\mathcal{L}_i(\cdot) = \frac{1}{\text{dim}(S_i)} P_{S_i} \text{Tr}_i (P^{\perp}_{S_i} (\cdot)) - \frac{1}{2} \{ P^{\perp}_{S_i}, \cdot \}$$
• 双位点父项 $\mathcal{L}_e$：对于每条边 $e=(i, j)$，定义跃迁跳跃算符（Jump Operators）$L_{\alpha, e}$，其物理图景是首先通过 $A_i^{-1}$ 和 $A_j^{-1}$ 将物理层状态回溯至虚拟层，然后将虚拟层上的状态投影到非目标态 $|\phi_\alpha\rangle$（其中 $\alpha = 1, \dots, D^2-1$ 为正交于 $|\phi_0\rangle$ 的基底），最后重新应用张量映射 $A_i, A_j$。跳跃算符数学表达为： $$L_{\alpha, e} = (A_i \otimes A_j) P_{|\phi_\alpha\rangle} (A_i^{-1} \otimes A_j^{-1})$$ 其对应的耗散超算符为： $$\mathcal{L}_e(\cdot) = \sum_{\alpha=1}^{D^2-1} \left( L_{\alpha, e} (\cdot) L_{\alpha, e}^\dagger - \frac{1}{2} \{ L_{\alpha, e}^\dagger L_{\alpha, e}, \cdot \} \right)$$

1.4 技术难点之二：稳态唯一性与无虚拟特征值的证明 (Theorem 1)

设计出 $\mathcal{L}$ 后，首要任务是严格证明其稳态的唯一性，并且排除任何阻碍收敛的长程振荡行为（即不存在除 $0$ 之外的纯虚数特征值）。

证明逻辑： 作者在附录中首先提出了一个极具普适性的引理（Lemma 1 & Lemma 2）：考虑形如 $L_{\alpha, i} = X |0\rangle_i \langle\alpha| X^{-1}$ 的跳跃算符组成的动力学（其中 $X$ 可逆）。由于这些算符是幂零（Nilpotent）且彼此对易的，利用代数扩张和不变子空间分析，证明了该半群仅有唯一的稳态 $\rho_{\infty} \propto |\psi\rangle\langle\psi|$。之后，通过将物理子空间内的稳态方程投影至虚拟空间，将全局张量网络算符 $X = \bigotimes_{i} A_i$ 代入，无缝地将本方案的 $\mathcal{L}$ 映射至该引理中，完美完成了稳态唯一性的严谨证明。

1.5 技术难点之三：快速混合与能谱间隙分析 (Theorem 2 & 5)

这是整篇论文最具挑战性的理论推导。要证明混合时间为对数级，等价于证明 Lindbladian 的能谱间隙（Spectral Gap）存在一个不随系统尺寸 $N$ 衰减的下界。由于传统的马尔可夫半群非自伴，经典的 Martingale 方法无法直接应用。作者另辟蹊径，利用能量衰减分析法完成了证明：

1. 引入非 isometry 量化参数 $\delta$： $$\delta = \min_{i \in \mathcal{V}} \| A_i^\dagger A_i - I \|$$ 当 $\delta = 0$ 时，所有局域张量均为完美等距算符（Isometry），此时父哈密顿量具有完美的局域投影性质。
2. 分析父哈密顿量 $H$ 的能量期望值衰减： 在海森堡图像下，分析 $\frac{d}{dt} \langle h_{i,j}(t) \rangle$ 的演化。利用复杂的有界扰动理论，作者将耗散超算符对局部哈密顿量项的作用分为对角衰减项（Diagonal Dissipation）和非对角干涉项（Off-diagonal Interference）。分别给出了极强的解析界限（Lemma 7 & Lemma 8）：

• 对角项提供了负反馈，驱动能量流失： $$\text{Tr}(\mathcal{L}_{(i,j)}^\dagger (h_{i,j}) \rho) \le -\left( 1 - 8\delta - \frac{40\delta}{1-8\delta} \right) \langle h_{i,j} \rangle$$
• 非对角项虽然可能由于邻近耦合导致局部能量上升，但其作用受 $\delta$ 严格抑制： $$\text{Tr}(\mathcal{L}_{(a,i)}^\dagger (h_{i,j}) \rho) \le \mathcal{O}(\delta) \langle h_{i,j} \rangle + \mathcal{O}(\delta) \langle h_{a,i} \rangle$$

3. 全局求和与阈值定理： 通过将所有边求和，只要控制 $\delta < \delta_{th} = \mathcal{O}(1/d_0)$（其中 $d_0$ 为图的最大度数），全局父哈密顿量的能量便能以常数速率指数衰减： $$\frac{d}{dt} \langle H(t) \rangle \le - \Theta(1) \langle H(t) \rangle$$ 由于父哈密顿量本身具有均匀能谱间隙 $\Delta_H > 0$（由 Martingale 方法在近等距极限下保证），根据不等式 $\langle \psi | \rho | \psi \rangle \ge 1 - \langle H \rangle / \Delta_H$，最终严格导出了迹距离收敛的对数时间尺度： $$t_{\text{mix}} = \mathcal{O}\left( \log(N / \epsilon) \right)$$

对于一维 MPS，作者在第三节证明，任意单入性 MPS 经过有限到位点的阻断（Coarse-graining）后，其等效非等距参数 $\delta$ 将以指数速率衰减至低于阈值 $\delta_{th}$。这就保障了对于任何一维单入性 MPS，该算法皆具有无条件的对数时间复杂度（Theorem 3）。

2. 关键 Benchmark 体系与性能数据

为了验证超越“高单入性”解析边界限制下的算法表现，作者设计并模拟了一个具有挑战性的物理基准体系。

2.1 物理模型构建

设计一个单参数的一维平移对称性 MPS，定义在周期性边界条件（PBC）下，其局部张量定义为（物理维度 $d=2$，键维数 $D=2$）：

其中参数 $g \in (-1, 1)$。该 MPS 对应于一个随 $g$ 变化的强关联一维自旋链哈密顿量：

其中：

体系的关键物理特性：

• 量子相变点：在 $g = 0$ 处，该系统具有一个二阶量子相变，对应于系统向 GHZ 样临界态（非单入性）的转变。这可以通过磁化强度期望值 $\langle \sigma^x \rangle$ 在 $g=0$ 处的突变（非解析性）清晰反映（见论文中 Fig. 2b）。
• 单入性失效分析：当 $g \neq 0$ 时，该 MPS 在对任意相邻 2 位点进行阻断（$l=2$）后是单入的。但在 $g=0$ 处，双位点阻断后的张量 $A^{i_1, i_2} = A^{i_1} A^{i_2}$ 的最小奇异值陡降至 0（见论文中 Fig. 2c），此时单入性彻底失效。

2.2 性能数据与图表深度剖析

通过经典数值模拟（将初始态设为最大混合态 $\rho(0) = I / 2^N$），作者精确量化了离散时间量子通道 $\mathcal{E}$ 在应用 $T$ 步后的 Uhlmann 保真度 $F(T) = \langle \psi | \rho(T) | \psi \rangle$ 演化：

1. 保真度随时间步数 $T$ 的收敛（Fig. 2d）：
   • 固定系统尺寸 $N = 50$，阻断尺寸 $l = 2$。
   • 对于不同的耦合常数 $g$（$g = 0.1, 0.15, 0.2, 0.25, 0.3$），保真度均呈现指数级收敛至 1。
   • 当 $g$ 越接近相变点 $g=0$ 时，收敛速度越慢。例如，当 $g=0.3$ 时，在 $T \approx 100$ 步时即可达到 $99.9\%$ 保真度；而当 $g=0.1$（强非等距，条件数约为 20）时，需要 $T \approx 300$ 步。
2. 混合时间 $T_{\text{mix}}$ 随系统尺寸 $N$ 的缩放关系（Fig. 2e）：
   • 绘制了保真度达到 $99.9\%$ 所需的时间步数 $T_{\text{mix}}$ 与系统比特数 $N$（从 10 扩展至 50）的关系曲线。
   • 极其关键的发现：对于所有不同的 $g$ 值，曲线在半对数坐标系下均展现出完美的线性，无可辩驳地证实了 $T_{\text{mix}} \propto \log N$ 的渐进缩放规律。
   • 即使当 $g=0.1$ 严重违反了定理 5 的保守解析阈值条件时，对数缩放仍然保持良好。这表明该算法的实际应用范围远远宽于当前的理论证明边界。
3. 阻断尺寸 $l$ 的优化效应（Fig. 2f）：
   • 固定系统尺寸 $N = 60$，耦合常数 $g = 0.3$。
   • 改变阻断尺寸 $l$（从 $l=2$ 一步步提高到 $l=10$）。
   • 结果表明，增加阻断尺寸 $l$ 可以显著缩短混合时间。例如，从 $l=2$ 提高到 $l=5$，达到 $99.9\%$ 保真度所需的时间步数直接减少了一半以上（由约 $50$ 步降至 $20$ 步以下）。这是因为较大的 $l$ 使得粗粒化后的局部张量迅速逼近完美 Isometry，从而急剧减小了非等距扰动误差 $\delta$。

3. 代码实现细节与复现指南

为了帮助读者将这一前沿算法应用到实际的量子化学波函数准备工作中，我们在本节提供了一个基于 Python 和知名张量网络及量子动力学库 QuTiP 与 TensorNetwork 的复现设计。该指南详细说明了如何一步步在经典计算机上模拟离散时间量子通道过程。

3.1 核心复现步骤流程

1. 定义局部张量与阻断： 输入原始张量 $A^0, A^1$，通过对 $l$ 个相邻位点的物理和虚拟指标进行收缩与重组，构建粗粒化后的阻断张量 $A^{l}$。计算其左伪逆 $(A^l)^{-1}$。
2. 构建局部投影算符： 计算单节点有效物理子空间的投影 $P_{S_i} = A^l (A^l)^\dagger$，以及其余投影 $P^\perp_{S_i}$。
3. 生成跳跃算符与有效哈密顿量： 基于式 (4b)，结合选定的虚拟层正交基底 $|\phi_\alpha\rangle$，计算双节点跳跃算符 $L_{\alpha, (i, j)}$。随后计算有效哈密顿量 $Heff,e = \frac{1}{2}\sum_{\alpha} L_{\alpha,e}^\dagger L_{\alpha,e}$。
4. 构造离散 Kraus 算符： 选择符合阈值条件 (113) 的步长参数 $\Gamma$，按照下式构建两通道 Kraus 算符集： $$K_{\alpha, e} = \sqrt{\Gamma} L_{\alpha, e} \quad (\alpha > 0), \qquad K_{0, e} = (I - 2\Gamma Heff,e)^{1/2}$$
5. 并行信道分层应用（图着色）： 对于一维链，将边集 $E$ 划分为偶数边集 $E_1$ 和奇数边集 $E_2$。分别并行应用对应的双位点信道 $\mathcal{E}_e$，然后以等概率 $1/2$ 随机选取一分层进行演化（随机混合信道演化）。

3.2 概念验证代码（Python + NumPy/QuTiP 架构）

import numpy as np
import qutip as qt
from scipy.linalg import sqrtm

class DissipativePreparator:
    def __init__(self, g, N, block_size=2, gamma=0.1):
        self.g = g
        self.N = N  # 物理位点数（阻断后的宏观位点）
        self.l = block_size
        self.gamma = gamma
        self.d = 2**self.l  # 阻断后的物理维度
        self.D = 2          # 键维度
        
        # 1. 构造阻断后的张量 A_l (维度为 d x D x D)
        self.A = self._construct_blocked_tensor()
        
        # 2. 计算左逆以及子空间投影
        self.A_flat = self.A.reshape(self.d, self.D * self.D)
        self.A_inv_flat = np.linalg.pinv(self.A_flat)
        
        self.P_S = self.A_flat @ self.A_inv_flat
        self.P_S_perp = np.eye(self.d) - self.P_S

    def _construct_blocked_tensor(self):
        # 简化的张量阻断逻辑：构造 A0, A1
        A0 = np.array([[1.0, self.g], [0.0, 0.0]]) / np.sqrt(1 + self.g**2)
        A1 = np.array([[0.0, 0.0], [1.0, 1.0]]) / np.sqrt(1 + self.g**2)
        tensors = [A0, A1]
        
        # 进行两节点阻断合成
        A_blocked = np.zeros((4, 2, 2))
        idx = 0
        for i in range(2):
            for j in range(2):
                A_blocked[idx] = tensors[i] @ tensors[j]
                idx += 1
        return A_blocked

    def get_single_site_channel(self):
        # 构造单点校正信道 E_i 的超算符
        # E_i(rho) = P_S * rho * P_S + (P_S / dim(S)) * Tr(P_S_perp * rho)
        P_S_qt = qt.Qobj(self.P_S)
        P_S_perp_qt = qt.Qobj(self.P_S_perp)
        dim_S = np.trace(self.P_S)
        
        def channel(rho):
            part1 = P_S_qt * rho * P_S_qt
            part2 = (P_S_qt / dim_S) * (P_S_perp_qt * rho).tr()
            return part1 + part2
        return channel

    def get_two_site_kraus(self):
        # 构造双节点 Kraus 算符
        # 生成基底 |phi_alpha> (D^2 x D^2)
        phi_0 = np.array([1, 0, 0, 1]) / np.sqrt(2) # 最大纠缠态
        # 构造与其正交的基底
        phi_ortho = [
            np.array([1, 0, 0, -1]) / np.sqrt(2),
            np.array([0, 1, 0, 0]),
            np.array([0, 0, 1, 0])
        ]
        
        Kraus_ops = []
        # 构造 L_alpha 并转换为 2 节点物理层算符 (d^2 x d^2)
        L_sum_dagger_L = np.zeros((self.d**2, self.d**2), dtype=complex)
        
        # A_i x A_j
        A_tensor = np.kron(self.A_flat, self.A_flat) # (d^2 x D^4)
        A_inv_tensor = np.kron(self.A_inv_flat, self.A_inv_flat) # (D^4 x d^2)
        
        for alpha, phi_a in enumerate(phi_ortho):
            # 虚拟层投影算符
            P_v = np.outer(phi_a, phi_a)
            # 物理层 L_alpha
            L_alpha = A_tensor @ np.kron(P_v, np.eye(1)) @ A_inv_tensor # 简化映射
            L_alpha = L_alpha[:self.d**2, :self.d**2]
            
            Kraus_ops.append(np.sqrt(self.gamma) * L_alpha)
            L_sum_dagger_L += L_alpha.conj().T @ L_alpha
            
        # 计算 K_0
        Heff = 0.5 * L_sum_dagger_L
        K_0 = sqrtm(np.eye(self.d**2) - 2 * self.gamma * Heff)
        Kraus_ops.insert(0, K_0)
        
        return [qt.Qobj(K, dims=[[self.d, self.d], [self.d, self.d]]) for K in Kraus_ops]

    def apply_two_site_channel(self, rho, kraus_ops, site_i, site_j):
        # 将两点 Kraus 作用在全局密度矩阵的指定位点上
        # 利用 qutip 的 mesolve 或直接进行算符重组作用
        # 这里展示原理级计算：
        return sum([k * rho * k.dag() for k in kraus_ops])

3.3 开源相关推荐

在实际的量子硬件或分布式模拟中，建议结合使用以下开源软件包：

• ITensors.jl / ITensors-py：用于进行高效的经典张量网络（MPS/PEPS）收缩与阻断计算。
• QuTiP (Quantum Toolbox in Python)：用于开放量子系统主方程和量子信道的全状态数值求解。
• Qiskit (OpenQASM 3.0)：可在真实超导量子芯片上利用中途测量（Mid-circuit measurement）与动态重置（Reset）功能，原生复现该离散时间耗散过程。

4. 关键引用文献与局限性评论

4.1 关键参考文献

1. [5] J. I. Cirac, D. Pérez-García, N. Schuch, and F. Verstraete, Matrix product states and projected entangled pair states: Concepts, symmetries, theorems, Rev. Mod. Phys. 93, 045003 (2021).
   • 贡献：提供了张量网络态（特别是 PEPS）的基础理论框架和单入性分类方法。
2. [17] F. Verstraete, M. M. Wolf, and J. I. Cirac, Quantum computation and quantum-state engineering driven by dissipation, Nature Phys. 5, 633 (2009).
   • 贡献：开创了耗散状态准备的学术先河，本工作是一维/二维单入性态在此方向的直接突破。
3. [26] T. S. Cubitt, A. Lucia, S. Michalakis, and D. Perez-Garcia, Stability of local quantum dissipative systems, Comm. Math. Phys. 337, 1275 (2015).
   • 贡献：证明了局部快速混合耗散系统的稳定性，为本方案的抗噪鲁棒性提供了数学支撑。
4. [36] N. Schuch, D. Pérez-García, and I. Cirac, Classifying quantum phases using matrix product states and projected entangled pair states, Phys. Rev. B 84, 165139 (2011).
   • 贡献：给出了高度单入性 PEPS 的能谱间隙下界分析，是定理 2 证明的重要技术跳板。

4.2 局限性与严厉学术评论

尽管本工作在理论上取得了令人瞩目的指数加速，但在将其推向实用化（特别是量子化学计算）的过程中，仍存在以下显著的局限性：

• 1D 阻断尺寸的系统不相关性 vs. 实际开销： 虽然定理 3 证明了一维任意单入性 MPS 都可以通过“与系统尺寸无关（System-size independent）”的阻断尺寸 $l$ 来满足快速混合条件。然而，当系统接近临界点时，其相关长度 $\xi$ 剧增。为了使非等距参数 $\delta$ 降到阈值 $\delta_{th}$ 以下，所需的物理阻断尺寸 $l$ 将呈 $\mathcal{O}(\log(\delta^{-1})) = \mathcal{O}(\xi)$ 增长。这意味着我们必须将数个相邻物理位点合并。合并后的物理局部维度 $d' = 2^l$ 呈指数增加。这直接导致耗散信道 $\mathcal{E}_e$ 的 Kraus 算符维度爆炸，在数字量子芯片上合成这些高维局域信道所需的辅助比特（Ancilla Qubits）和双比特门数量将变得极其巨大，极易抵消算法的理论优势。
• 二维 PEPS 强单入性假设的严苛限制： 对于二维 PEPS，定理 2 与定理 5 的对数时间混合证明高度依赖于张量满足“强单入性（Highly Injective）”，即 $\delta \le \delta_{th} = \mathcal{O}(1/d_0)$。然而，许多具有强化学关联或拓扑物理特性的高维 PEPS 并不天然满足此条件。在二维及更高维度中，是否存在像一维那样可以通过局部有限阻断无条件达到强单入性的普适方案，目前在物理学界尚无定论。对于非强单入性的 PEPS，其混合时间可能退化。甚至在某些拓扑有序态（如 Toric Code 或 RVB 态）中，由于非单入性，该耗散机制甚至可能无法产生唯一的稳态。
• 硬件实现中的非局域反馈控制要求： 在离散时间量子通道模式下，为了在数字量子计算机上实施两点信道 $\mathcal{E}_e$，需要用到 mid-circuit measurement。虽然这是局部的，但为了确保不发生逻辑退相干，量子纠错码的实时反馈控制网络必须与耗散层紧密配合。这对当前“嘈杂中型量子”（NISQ）时代的硬件延迟提出了极高要求。

5. 其他必要补充：量子化学视角与对比分析

5.1 为什么量子化学家必须关注耗散状态制备？

在利用量子处理器解决化学问题（例如固氮酶中的 FeMo 活性中心等多过渡金属簇电子结构）时，状态初始化（State Preparation）是量子相位估计算法（QPE）正常工作的先决条件。QPE 的成功概率直接取决于初始化状态 $|\Phi_{\text{init}}\rangle$ 与真实基态 $|\Phi_0\rangle$ 的重叠度（Overlap）：

传统的幺正制备法在面临高度纠缠的强关联波函数时，极易陷入 barren plateaus。而耗散状态制备的巨大优势在于，它利用吸引子（Attractor）动力学，在整个希尔伯特空间中构建了一条通往目标态的“单向漏斗”。即使制备过程中发生了局部的门误差或环境扰动，动力学过程也会自动将其修正，重新将布居数推回目标波函数。这极大放宽了对硬件相干时间的苛刻要求。

5.2 主流状态制备方法学大比拼

为了让读者更直观地理解本工作在方法学上的突破，我们将其与现有的几类主流状态制备方案进行了系统性对比：

5.3 总结与展望

Drishti Baruah 等人的这项工作，不仅在数理物理上打通了单入性张量网络态耗散制备的快速混合证明，也为量子模拟器的波函数工程提供了极具实用价值的工具。未来的研究方向将聚焦于如何将这一耗散框架推广至费米子张量网络态（Fermionic TNS），以实现对真实化学分子体系（含有自旋-轨道耦合及库仑排斥）在量子计算机上的直接、高效、高鲁棒性初始化。这对于早日实现量子化学在实际工业催化及新药研发中的“量子霸权”具有不可估量的推动作用。