合约性幺正与经典阴影层析成像

背景与学术谱系

起源与学术谱系

本文所处理的问题源于量子信息与计算领域快速发展中表征量子态的基本挑战。随着量子设备规模的不断增大，涉及数百甚至上千个量子比特，传统的“全量子态层析成像”方法变得不切实际。这是因为全量子态层析成像需要与系统规模呈指数级增长的测量次数，这对于大规模应用而言，资源消耗巨大且计算成本高昂。

在解决这一问题方面取得的重大突破来自于2018年Aaronson首次提出的“经典阴影层析成像”[12]。该方法显著降低了“样本复杂度”（即所需的测量次数），能够在不完全重构量子态的情况下预测其多种性质。经典阴影层析成像通常涉及对量子态应用随机幺正操作，进行测量，然后利用这些“经典快照”来推断量子态的性质。

尽管经典阴影层析成像取得了显著进展，但一个关键的局限性依然存在：在提取尺寸为$k$的局部算符性质时，将样本复杂度降低到低于$2^k$的尺度仍然困难。先前的方法，特别是那些依赖于随机Clifford旋转的方法，通常只能达到样本复杂度为$2^k$（或在考虑未知算符位置时为$k \times 2^k$）。这种$2^k$的尺度仍然是一个显著的“痛点”，对于较大的$k$，它仍然需要大量的资源，阻碍了复杂量子多体态的高效表征。因此，本文的作者们受到启发，探索在经典阴影层析成像框架内的新策略，以克服$2^k$的瓶颈并实现更高效的尺度。

直观的领域术语

为了帮助零基础的读者理解核心概念，这里将论文中的一些专业术语转化为日常类比：

• 量子态层析成像 (QST): 想象你有一个神秘而复杂的物体，你想了解它的一切——确切的形状、内部结构以及每一个细微之处。QST就像是对该物体进行一次完整的高分辨率3D扫描。它会给你一份完美的蓝图，但对于非常大或复杂的物体来说，这个过程极其耗时且昂贵。
• 经典阴影层析成像: 与其进行完整的3D扫描，不如想象你只需要了解这个神秘物体的一些特定信息，比如它的重量、是否对称，或者它是否漂浮。经典阴影层析成像就像是从不同角度拍摄几张精心挑选的“阴影”或2D照片。你无法仅凭这些照片重构整个物体，但你可以用远少于完整扫描的精力来准确预测它的许多性质。
• 样本复杂度: 这指的是你需要重复一个实验或进行多少次测量才能得到一个可靠的答案。如果你想了解一个城市里人们的平均身高，样本复杂度就是你需要测量的人数。较低的样本复杂度意味着你只需要较少的测量次数就能得到一个好的估计。
• Pauli字符串算符: 将其视为你可以向量子系统提出的一个非常具体的问题。例如，“在某个特定方向上，量子比特1是否向上自旋，量子比特3是否向下自旋？”一个Pauli字符串是应用于系统不同部分的这些简单问题的序列。“字符串的尺寸”表示问题涉及的量子比特数量。
• 合约性幺正 (Contractive Unitary): 这是一种特殊的量子操作，就像一个“数据压缩器”或“简化器”。它的作用是将复杂的Pauli字符串算符变得“更小”或不那么复杂。通过简化这些算符，合约性幺正使得测量量子系统的性质变得更容易、更快速，从而降低了整体样本复杂度。

符号表

符号	描述
$\hat{O}$	Pauli字符串算符（可观测量），其期望值待估计。
$\rho$	系统的量子态。
$k$	局部算符的尺寸 / $\hat{O}$ 作用的子系统的量子比特数。
$N$	量子系统的总量子比特数。
$\hat{U}$	应用于量子态的通用全局幺正操作。
$\hat{U}_{ct}$	针对$k$个量子比特的完整合约性幺正，由双量子比特合约性幺正构成。
$\hat{U}_{ij}$	作用在量子比特$i$和$j$上的双量子比特合约性幺正，定义为 $\exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$。
$\mathcal{E}_U$	幺正集合（例如，随机Clifford，合约性幺正），从中采样或构造$\hat{U}$。
$||\hat{O}||^2_{\mathcal{E}_U}$	可观测量$\hat{O}$在集合$\mathcal{E}_U$上的平均阴影范数平方，直接量化样本复杂度。
$w(\hat{O}_U)_{\mathcal{E}_U}$	演化算符$\hat{O}_U = \hat{U}\hat{O}\hat{U}^\dagger$的Pauli权重，在集合$\mathcal{E}_U$上的平均值。
$\pi(m)_{\mathcal{E}_U}$	演化算符$\hat{O}_U$的尺寸分布，表示$\hat{O}_U$具有尺寸$m$的概率。
$m$	算符尺寸，定义为Pauli字符串中非单位Pauli算符的数量。
$N_{xy}$	Pauli字符串$\hat{O}$中$\hat{X}$和$\hat{Y}$算符的总数。
$\sigma_U(z)$	从单个测量结果$z$重构的密度矩阵的经典快照。
$M$	用于估计期望值的经典快照（测量）数量。
$D[\langle \hat{O} \rangle]$	$\hat{O}$期望值的方差。

问题定义与约束

核心问题表述与困境

输入/当前状态： 当前量子态表征的格局被高效描述复杂量子多体态的挑战所主导。虽然全量子态层析成像需要随着系统规模呈指数级增长的测量次数，这使得其对于大规模量子设备而言不切实际，但经典阴影层析成像提供了一个显著的改进。该技术通过在测量前应用随机Clifford旋转来降低样本复杂度——估计态性质所需的测量次数。然而，尽管取得了这些进展，一个持续的挑战仍然存在：在提取尺寸为$k$的任意非连续局部算符时，将样本复杂度降低到低于$2^k$仍然困难。这种$2^k$的尺度对于涉及大量量子比特的实际应用来说仍然过高。

输出/目标状态： 本文的主要目标是实现估计量子态性质（特别是尺寸为$k$的局部算符）的样本复杂度显著降低。作者旨在将样本复杂度从当前的$2^k$尺度降低到改进的$\sim 1.8^k$。这种降低是通过一种新颖的协议来实现的，该协议策略性地结合了局部随机和全局确定性的幺正操作。

精确缺失环节 / 数学鸿沟： 本文所解决的核心数学鸿沟在于缺乏一个最优的全局幺正操作$\hat{U}$，该操作能够更有效地“收缩”演化后的Pauli字符串算符$\hat{O}_U = \hat{U}\hat{O}\hat{U}^\dagger$的尺寸分布。现有的经典阴影层析成像协议通常依赖于最大化混淆的随机幺正（如随机Clifford门），这会导致阴影范数尺度为$2^k$。本文认为缺失的环节是发现一个确定性的全局幺正，称为“合约性幺正”，它能够比这些纯粹随机的集合更有效地减小算符尺寸。数学上，挑战在于找到一个$\hat{U}$，它能最小化阴影范数 $||\hat{O}||_{\mathcal{E}_U}^2$，该范数直接与演化算符$\hat{O}_U$的算符尺寸分布$\pi(m)$相关，如公式(1)所述：
$$||\hat{O}||_{\mathcal{E}_U}^2 = w(\hat{O}_U)_{\mathcal{E}_U}, \quad w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m}$$
本文的贡献在于找到一个$\hat{U}$，它产生一个尺寸分布$\pi(m)$，该分布优先集中在较小的$m$值上，从而降低阴影范数，进而降低所需的样本复杂度。

痛苦的权衡 / 困境： 长期以来限制经典阴影层析成像研究人员的中心困境在于实现通用、无偏的测量方案与最小化样本复杂度之间的固有权衡。最大化混淆的随机幺正被用来确保所有算符都能在同等条件下进行测量，从而有效地消除了局部基依赖性。虽然这种方法提供了通用性和鲁棒性，但它导致了二项式算符尺寸分布和$2^k$的阴影范数。痛苦的权衡在于，这种“最大化混淆”虽然确保了广泛的适用性，但可能不是最有效的策略来降低所有类型算符（特别是局部Pauli字符串）的样本复杂度。作者的关键见解是，一个混合的随机-确定性协议，包含一个“合约性幺正”，可以规避这种权衡。这种方法比纯粹随机的方法更有效地选择性地收缩算符尺寸，从而在通用性和测量效率之间取得更好的平衡。

约束与失效模式

高效表征量子态的问题，特别是采用提出的合约性幺正方法，受到几个严苛、现实约束的限制：

物理约束：
* 指数资源尺度： 一个根本的物理限制是，全量子态层析成像需要随着系统规模呈指数级增长的测量次数。这使得它对于拥有数百个以上量子比特的量子设备来说不切实际，因此需要经典阴影层析成像等替代方法。
* 硬件可实现性： 所提出的合约性幺正必须在当前和近未来的量子计算平台上实际可实现。作者强调，他们的合约性幺正“完美契合了原子阵列量子计算平台的优势，并且在原子阵列量子处理器中易于实现。”这暗示了对现有硬件能够有效执行的门和操作类型的严格限制。
* 电路复杂度和深度： 为了实际部署，合约性幺正$\hat{U}_{ct}$必须具有较低的电路复杂度。尽管对于一个$k$量子比特系统，它可能涉及$\sim k^2$个门，但论文指出它“仅依赖于确定性的、相互对易的双量子比特门”，并且由于原子阵列平台的并行门能力，可以在“最多$k-1$步物理操作”中实现。对于连接性有限的平台，如超导量子比特，作者表明增加一个辅助量子比特可以将其分解为$k$步局部门操作，从而确保电路深度保持在线性$k$。这些是协议可行性的关键约束。

计算约束：
* 样本复杂度目标： 主要的计算约束是必须将样本复杂度从$2^k$降低到一个更易于管理的尺度，特别是$\sim 1.8^k$。更大的阴影范数直接需要更高数量的经典快照来降低预测方差，从而增加了与数据采集和处理相关的计算成本。
* 经典模拟限制： 对于现代量子平台现在可实现的$k \sim 100$量子比特的量子系统，经典模拟变得“常规模拟不切实际”。这意味着任何提出的量子解决方案都必须足够高效，才能在实际量子硬件上使用，因为经典验证或完全模拟不是可行的选项。

数据驱动约束与失效模式：
* 算符位置的先验知识： 合约性幺正协议的初始表述假设了算符作用位置的先验知识。这是一个显著的数据驱动约束，因为在许多实际应用中（例如，能量估计），这些信息通常是未知的。
* 朴素扩展失败： 将合约性幺正朴素地扩展到没有算符位置先验知识的场景（通过将其应用于整个系统）将适得其反地导致比随机Clifford协议更大的阴影范数（对于$N$个总量子比特为$\sim 2^N$）。这代表了一个关键的失效模式，作者通过“滑动技巧”来解决，以在算符位置未知时保持效率。没有这个技巧，对于一类广泛的问题，合约性幺正的优势将不复存在。
* 非连续局部算符： 该问题专门针对“尺寸为$k$的非连续局部算符”的表征。这意味着解决方案必须稳健且有效，即使对于结构不连续或简单的算符也是如此。

为什么选择这种方法

选择的必然性

本文的作者们在量子信息领域面临一个根本性的障碍：完全表征复杂的量子态，这一过程称为全量子态层析成像，需要与系统规模成指数级增长的测量次数。这种指数级尺度使得它对于我们当前构建的更大规模量子设备来说不切实际。经典阴影层析成像（CST）作为一项重大突破出现，通过在测量前使用随机Clifford旋转，极大地降低了样本复杂度。然而，即使有了这项进展，一个关键的挑战仍然存在：在估计尺寸为$k$的非连续局部算符性质时，将样本复杂度降低到低于$2^k$。

作者们认识到传统“最先进”（SOTA）方法（如标准的随机Clifford协议）不足以应对这一挑战的精确时刻，是当他们识别出这种持续存在的$2^k$尺度时。尽管随机Clifford幺正具有混淆效应，将算符权重分布到许多Pauli字符串上，但由此产生的阴影范数（样本复杂度的度量）仍然按$2^k$尺度增长。这意味着对于较大的$k$，所需的测量次数仍然高得令人望而却步。作者们明确提出了一个问题：“一个具有挑战性的问题是，是否存在其他全局幺正的选择，能够超越最大化混淆的随机幺正，并产生比$\sim 2^k$更小的阴影范数？”这个问题本身就凸显了现有方法的不足以及新方法必要性。“合约性幺正”被构想为对这一问题的直接答案，其设计目的就是更有效地减小算符尺寸，从而实现更低的阴影范数。

比较优势

合约性幺正方法在定性上优于经典阴影层析成像中以前的黄金标准，超越了单纯的数值改进。其主要的结构优势在于其确定性地收缩算符尺寸的能力。与最大化混淆算符的随机Clifford幺正不同，后者会导致一个在$3k/4$附近达到峰值的宽二项式尺寸分布和$2^k$的阴影范数，合约性幺正被设计成能够主动减小某些Pauli字符串算符的尺寸。例如，它可以将四个尺寸为2的Pauli算符转化为尺寸为1的算符。这种有针对性的收缩导致尺寸分布集中在较小的算符尺寸上（例如，$m/k \approx 2/3$对于奇数$N_{XY}$，以及$k$处的delta峰对于偶数$N_{XY}$），根据阴影范数理论，这直接转化为更小的样本复杂度。

这种结构优势是深远的：它将样本复杂度从$\sim 2^k$（对于随机Clifford）降低到$\sim 1.8^k$（或在算符位置未知时为$k \times 1.8^k$）。对于一个具有$k \sim 100$量子比特的系统，这相当于所需样本资源实现了“超过$10^4$倍的改进”。此外，本文强调该方法表现出“对量子噪声的鲁棒性”，即使在嘈杂的环境中也能保持其尺度优势，这是实际量子设备的一个关键定性优势。另一个显著的结构优势是其低电路复杂度；它仅依赖于确定性的、相互对易的双量子比特门，这使其非常适合当前量子硬件。

与约束的对齐

所选择的合约性幺正方法完美地符合高效量子态表征的严格要求。核心问题约束是全量子态层析成像的指数测量成本以及降低估计多体量子态性质样本复杂度的需求。合约性幺正通过实现$\sim 1.8^k$（或$k \times 1.8^k$使用滑动技巧）的样本复杂度尺度，直接解决了这个问题，这比先前方法的$\sim 2^k$尺度有了显著改进。这种“问题严苛要求与解决方案独特属性的结合”在其设计目标中显而易见：即“更有效地减小算符尺寸以提高层析成像效率”。

除了理论效率之外，该方法还与实际硬件约束相符。本文明确指出，合约性幺正“完美契合了原子阵列量子计算平台的优势，并且在原子阵列量子处理器中易于实现。”这是因为它可以利用确定性的、相互对易的双量子比特门来实现，这些门非常适合原子阵列中提供的全连接和并行门操作。即使对于连接性有限的平台，本文也指出，通过增加一个辅助量子比特，合约性幺正可以分解为$k$步局部门操作，从而确保其在不同量子计算架构中的广泛适用性。

替代方案的拒绝

本文通过其定量上的劣势，在实现所需的样本复杂度方面，隐晦但强烈地拒绝了经典阴影层析成像中的其他流行方法。讨论的主要替代方案是全随机Clifford协议，这是之前的SOTA。虽然随机Clifford幺正是在降低层析成像成本方面的一项突破，但它们仍然导致阴影范数按$2^k$尺度增长。作者们的所有动机都源于“不足以”解决提取尺寸为$k$的非连续局部算符且样本复杂度低于此界限的问题。合约性幺正被专门设计为通过优化幺正的确定性部分以比纯粹随机方法更有效地收缩算符尺寸，从而超越这种$2^k$尺度。

同样，本文将“浅电路协议”视为另一种替代方案。然而，表I清楚地显示，对于已知算符位置，浅电路协议产生的样本复杂度为$> 2^k$，对于未知位置则为$k \times 2^k$。这使其效率低于随机Clifford和，至关重要的是，合约性幺正协议。因此，选择这些替代方案是因为它们未能满足实现样本复杂度亚-$2^k$尺度的关键要求，而合约性幺正成功地实现了这一点。本文没有讨论其他机器学习范式，如GANs或Diffusion模型，因为它们在经典阴影的相同背景下不直接适用于量子态层析成像问题。

FIG. 1.

数学与逻辑机制

主方程

本文中支撑效率提升的绝对核心方程是阴影范数的定义，它直接量化了经典阴影层析成像的样本复杂度。作者们的目标是最小化这个量。它被表示为：

$$ ||\hat{O}||^2_{\mathcal{E}_U} = w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m} $$

虽然这个方程定义了目标，但实现该范数减小的机制主要由“合约性幺正”及其对算符尺寸的影响驱动。特定的双量子比特合约性幺正由下式给出：

$$ \hat{U}_{12} = \exp\left(i\frac{\pi}{4} \hat{Z}_1\hat{Z}_2\right) $$

并且其对$k$量子比特Pauli字符串$\hat{O}$在完整合约性幺正$\hat{U}_{ct}$下的算符尺寸的影响由下式描述：

$$ m = \text{Size}(\hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger) = \begin{cases} N_{xy} & \text{if } N_{xy} \in \text{odd}, \\ k & \text{if } N_{xy} \in \text{even}. \end{cases} $$

最后，由此产生的合约性幺正的Pauli权重，它直接关系到阴影范数，由下式给出：

$$ w(\hat{O})_{ct} = \frac{1}{2 \cdot 3^k} \left[ \frac{(-1)^k + 1}{9^k} + \left(\frac{5}{9}\right)^k \right] $$

按项解剖

让我们剖析这些方程以理解它们的组成部分。

对于主方程（阴影范数）：
$$ ||\hat{O}||^2_{\mathcal{E}_U} = w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m} $$

• $||\hat{O}||^2_{\mathcal{E}_U}$: 该项代表可观测量$\hat{O}$在幺正集合$\mathcal{E}_U$上的平均阴影范数平方。

  • 数学定义： 它本质上是用于预测$\hat{O}$期望值的估计量的方差。较小的阴影范数意味着预测方差较低。
  • 物理/逻辑作用： 这是经典阴影层析成像协议的评价指标。它直接量化了样本复杂度——需要多少测量快照才能以一定的精度估计$\hat{O}$。本文的主要目标是减小此值。
  • 为何是平方？ 方差本质上是一个平方量，反映了可能结果的散布程度。

• $w(\hat{O}_U)_{\mathcal{E}_U}$: 这是演化算符$\hat{O}_U$的Pauli权重，在幺正集合$\mathcal{E}_U$上的平均值。

  • 数学定义： 它是算符$\hat{O}$在被集合$\mathcal{E}_U$中的幺正变换后变得“分散”或“混淆”程度的平均度量。
  • 物理/逻辑作用： 该项与阴影范数成正比。减小Pauli权重是降低样本复杂度的机制。作者们找到了比以前的方法使该权重更小的方法。

• $\sum_m$: 这是对所有可能算符尺寸$m$的求和。

  • 数学定义： 一个离散求和。
  • 物理/逻辑作用： 当一个初始的Pauli字符串算符$\hat{O}$被幺正$\hat{U}$演化时，它可以转化为各种尺寸的Pauli字符串的叠加。该求和考虑了所有这些可能演化尺寸的贡献。
  • 为何是求和而不是积分？ 算符尺寸$m$（非单位Pauli算符的数量）是一个离散整数量，因此求和是自然的数学运算。

• $\pi(m)_{\mathcal{E}_U}$: 这是演化算符$\hat{O}_U$的尺寸分布，在幺正集合$\mathcal{E}_U$上的平均值。

  • 数学定义： 它表示演化算符$\hat{O}_U$具有尺寸$m$的概率。对于一个算符$\hat{O}_U = \sum_P c_P P$（其中$P$是Pauli字符串），$\pi(m) = \sum_{\text{Size}(P)=m} |c_P|^2$。
  • 物理/逻辑作用： 该分布告诉我们幺正变换如何影响算符的“复杂度”。如果幺正能够将此分布移向较小的$m$值，它将直接减小阴影范数。这是“合约性幺正”背后的核心思想。

• $3^m$: 该项出现在分母中。

  • 数学定义： 一个指数因子。
  • 物理/逻辑作用： 该因子源于Pauli测量的性质。对于尺寸为$m$的Pauli字符串，有$3^m$种可能的非单位Pauli算符（X、Y、Z）可以作用在这些$m$个量子比特上。该项有效地惩罚了较大的算符尺寸：较大的$m$使得$1/3^m$变小，但如果$\pi(m)$对于大的$m$具有显著性，则对阴影范数的总体贡献仍然可能很大。目标是使$\pi(m)$集中在小的$m$值上。

对于合约性幺正$\hat{U}_{12}$（方程2）：
$$ \hat{U}_{12} = \exp\left(i\frac{\pi}{4} \hat{Z}_1\hat{Z}_2\right) $$

• $\hat{U}_{12}$: 这是双量子比特合约性幺正。

  • 数学定义： 作用在量子比特1和2上的幺正算符。
  • 物理/逻辑作用： 这个特定的门是作者们确定性幺正的基本构建块。它之所以被选中，是因为它与Pauli算符的特定对易关系，这使得它能够“收缩”算符尺寸。它等价于一个受控-Z（CZ）门，但经过局部旋转。

• $\exp(\dots)$: 矩阵指数。

  • 数学定义： 从一个厄米生成元定义一个幺正算符。对于一个厄米算符$H$， $U = \exp(iH)$是幺正的。
  • 物理/逻辑作用： 这是在量子力学中从相互作用哈密顿量或生成元构造量子门的标准方法。

• $i$: 虚数单位。

  • 数学定义： $\sqrt{-1}$。
  • 物理/逻辑作用： 对于确保量子操作的幺正性和量子态的复数性质至关重要。

• $\frac{\pi}{4}$: 一个常数相位因子。

  • 数学定义： 一个特定的角度。
  • 物理/逻辑作用： 这个特定的值决定了双量子比特相互作用的强度和类型。对于$\hat{Z}_1\hat{Z}_2$，$\pi/4$是纠缠门的一个常见选择。

• $\hat{Z}_1$: 作用在量子比特1上的Pauli Z算符。

  • 数学定义： 一个$2 \times 2$矩阵，在计算基中通常是$\begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}$。
  • 物理/逻辑作用： 一个基本单量子比特Pauli算符，代表在Z基中的测量。

• $\hat{Z}_2$: 作用在量子比特2上的Pauli Z算符。

  • 数学定义： 与$\hat{Z}_1$相同，但作用在第二个量子比特上。
  • 物理/逻辑作用： 与$\hat{Z}_1$相同，但作用在不同的量子比特上。

• $\hat{Z}_1\hat{Z}_2$: 在量子比特1和2上Pauli Z算符的张量积。

  • 数学定义： $\hat{Z}_1 \otimes \hat{Z}_2$。
  • 物理/逻辑作用： 代表一个双量子比特相互作用或关联。这种特定的相互作用是在通过它演化其他Pauli算符时实现算符尺寸“收缩”的关键。

对于算符尺寸收缩（方程3）：
$$ m = \text{Size}(\hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger) = \begin{cases} N_{xy} & \text{if } N_{xy} \in \text{odd}, \\ k & \text{if } N_{xy} \in \text{even}. \end{cases} $$

• $m$: 演化算符的新尺寸。

  • 数学定义： 一个非单位Pauli算符数量的整数计数。
  • 物理/逻辑作用： 这是应用合约性幺正的直接结果。目标是使这个$m$尽可能小。

• $\text{Size}(\dots)$: 算符尺寸函数。

  • 数学定义： 一个计算Pauli字符串中非单位Pauli算符数量的函数。
  • 物理/逻辑作用： 这是用于量化算符“分散度”或“复杂度”的度量。

• $\hat{U}_{ct}$: $k$量子比特的完整合约性幺正。

  • 数学定义： 定义为 $\prod_{i
  • 物理/逻辑作用： 这是应用于$k$量子比特子系统的完整确定性幺正操作。它从对易双量子比特门构造的特定方式是其效率的关键。

• $\hat{O}$: 初始Pauli字符串算符。

  • 数学定义： $k$个Pauli算符（X、Y、Z、I）的张量积。
  • 物理/逻辑作用： 这是我们想要估计其期望值的可观测量。它是幺正演化的输入。

• $\hat{U}_{ct}^\dagger$: $\hat{U}_{ct}$的厄米共轭。

  • 数学定义： 幺正算符的逆。
  • 物理/逻辑作用： 算符$\hat{O}$的幺正演化由$\hat{U}\hat{O}\hat{U}^\dagger$给出。

• $N_{xy}$: 初始Pauli字符串中X和Y算符的总数。

  • 数学定义： 一个整数计数。
  • 物理/逻辑作用： 这是初始算符的一个关键属性，它决定了合约性幺正如何作用。$N_{xy}$的奇偶性（奇数或偶数）决定了算符尺寸是收缩还是保持不变。

• $k$: 子系统中的量子比特数。

  • 数学定义： 一个整数。
  • 物理/逻辑作用： 这是算符的初始尺寸，假设它是一个尺寸为$k$的Pauli字符串（即，最初没有单位算符）。

• if $N_{xy} \in \text{odd}$: 这个条件语句描述了收缩过程。

  • 物理/逻辑作用： 如果初始算符具有奇数个X或Y分量，则合约性幺正有效地将所有Z算符转换为单位算符，将算符尺寸从$k$减小到$N_{xy}$。这是减小阴影范数的主要机制。

• if $N_{xy} \in \text{even}$: 这个条件语句描述了没有收缩Z算符的情况。

  • 物理/逻辑作用： 如果初始算符具有偶数个X或Y分量，则Z算符保持为Z，算符尺寸保持为$k$。在这种特定情况下，合约性幺正对Z算符没有帮助，但也不会增加尺寸。

对于合约性幺正的Pauli权重（方程4）：
$$ w(\hat{O})_{ct} = \frac{1}{2 \cdot 3^k} \left[ \frac{(-1)^k + 1}{9^k} + \left(\frac{5}{9}\right)^k \right] $$

• $w(\hat{O})_{ct}$: 演化算符$\hat{O}_{ct}$的Pauli权重，在尺寸为$k$的Pauli算符集合上平均。

  • 数学定义： 这是使用合约性幺正时计算出的平均Pauli权重。它是主方程中$w(\hat{O}_U)_{\mathcal{E}_U}$的一个特定实例。
  • 物理/逻辑作用： 该值直接决定了阴影范数的尺度。作者们表明，该值按$\sim 1.8^k$尺度增长，这比随机Clifford幺正的$\sim 2^k$尺度要好。

• $\frac{1}{2 \cdot 3^k}$: 一个整体尺度因子。

  • 数学定义： 负指数。
  • 物理/逻辑作用： 这是与$k$个量子比特上的Pauli字符串总数相关的归一化因子。

• $\frac{(-1)^k + 1}{9^k}$: 当$N_{xy}$为偶数时，这个项有贡献。

  • 数学定义： 一个依赖于$k$的项。
  • 物理/逻辑作用： 该表达式的这部分解释了初始算符中X和Y分量数量（$N_{xy}$）为偶数的Pauli权重贡献。在这种情况下，Z算符不收缩，算符尺寸保持为$k$。

• $\left(\frac{5}{9}\right)^k$: 当$N_{xy}$为奇数时，这个项有贡献。

  • 数学定义： 一个依赖于$k$的项。
  • 物理/逻辑作用： 这是提供改进尺度的关键项。它解释了$N_{xy}$为奇数的初始算符的贡献，导致Z算符收缩和一个更小的有效算符尺寸。该项的指数基数$5/9 \approx 0.55$是驱动$1.8^k$尺度的原因，而不是随机Clifford幺正产生的$2^k$尺度。
  • 为何是加法？ 这两项代表了来自两个不相交的初始Pauli算符集合（$N_{xy}$为偶数和$N_{xy}$为奇数）的贡献，因此它们的平均权重相加。

分步流程

想象一个抽象的数据点，在本文的上下文中，它是一个$N$量子比特上的量子态$\rho$，我们想要估计作用在一个$k$量子比特子系统上的特定Pauli字符串可观测量$\hat{O}$的期望值。以下是“数学引擎”处理此过程的步骤：

1. 初始状态和可观测量： 我们从一个量子态$\rho$和一个目标Pauli字符串可观测量$\hat{O}$（例如，$\hat{X}_1\hat{Z}_3\hat{Y}_5$）开始，它作用在一个$k$量子比特子系统上。目标是估计$\text{Tr}(\hat{O}\rho)$。

2. 随机单量子比特旋转： 在应用核心幺正之前，$k$量子比特子系统会经历一层随机单量子比特旋转，$\prod_i \hat{u}_{1,i}$。这些旋转从Clifford群中采样，旨在消除局部基依赖性，确保所有算符都能在同等条件下进行测量。

3. 应用合约性幺正： 这是本文创新之处。一个全局确定性的幺正$\hat{U}_{ct}$被应用于$k$量子比特子系统。这个$\hat{U}_{ct}$构造为双量子比特合约性幺正$\hat{U}_{ij} = \exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$在子系统内所有量子比特对$i, j$上的乘积。此步骤的目的是将可观测量$\hat{O}$转化为一个“演化”算符$\hat{O}_{ct} = \hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger$。这里的神奇之处在于$\hat{U}_{ct}$被设计成能收缩$\hat{O}$的尺寸，对于很大一部分算符是如此。具体来说，如果初始$\hat{O}$具有奇数个$\hat{X}$或$\hat{Y}$分量（$N_{xy}$为奇数），那么$\hat{U}_{ct}$会将$\hat{O}$中的所有$\hat{Z}$算符转换为单位算符，从而有效地将算符尺寸从$k$减小到$N_{xy}$。如果$N_{xy}$为偶数，尺寸保持为$k$。该协议的整体架构，包括随机单量子比特旋转和全局幺正，在图1a中进行了示意性表示。图1b进一步说明了该合约性幺正在与随机Clifford幺正相比如何重塑算符尺寸分布。

4. 另一层随机单量子比特旋转： 在合约性幺正之后，应用另一层随机单量子比特旋转，$\prod_i \hat{u}_{2,i}$。这完成了完整的复合幺正操作$\hat{U}_{\text{eff}} = (\prod_i \hat{u}_{2,i}) \hat{U}_{ct} (\prod_j \hat{u}_{1,j})$。

5. 在计算基中测量： 在复合幺正$\hat{U}_{\text{eff}}$应用于状态$\rho$之后，$k$量子比特子系统在计算基中进行测量。这将产生一个经典测量结果，例如 $|z\rangle = |z_1, \dots, z_k\rangle$。

6. 经典快照重构： 从每个测量结果$|z\rangle$中，重构出密度矩阵的“经典快照”。这个快照由$\sigma_U(z) = \hat{U}_{\text{eff}}^\dagger |z\rangle\langle z| \hat{U}_{\text{eff}}$给出。这是测量结果的“反演化”。

7. 可观测量预测： 对于每个重构的快照$\sigma_U(z)$，都会做出对$\hat{O}$期望值的预测。这通过$\text{Tr}(\hat{O} \sigma_U(z))$计算得出。这里的关键在于有效算符$\hat{O}_{\text{eff}} = \hat{U}_{\text{eff}}^\dagger \hat{O} \hat{U}_{\text{eff}}$具有一个尺寸分布$\pi(m)$，由于合约性幺正，该分布被移向较小的$m$值。这使得$\text{Tr}(\hat{O} \sigma_U(z))$的计算更有效。

8. 平均快照： 重复步骤2-7多次（例如，$M$次）以收集足够数量的经典快照。最终的$\text{Tr}(\hat{O}\rho)$估计值是通过平均这些单独的预测得到的：$\frac{1}{M} \sum_{\alpha=1}^M \text{Tr}(\hat{O} \sigma_U(z^\alpha))$。

9. 样本复杂度降低： 整个过程的设计使得这个估计量的方差，即阴影范数 $||\hat{O}||^2_{\mathcal{E}_U}$，显著降低。通过使算符尺寸分布$\pi(m)$集中在较小的$m$值上（得益于合约性幺正），$\sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m}$项变小，导致阴影范数降低，因此需要更少的测量次数（更小的$M$）来获得给定的精度。本文证明了这种从$2^k$尺度（随机Clifford）到$1.8^k$尺度（合约性幺正）的降低。

优化动力学

本文中的“优化”不是典型的机器学习意义上的迭代学习过程，而是基于对量子算符和幺正结构理论见解的故意设计选择。没有梯度被计算，也没有通过算法迭代最小化损失函数。相反，作者们设计了一个更优越的机制。

1. “损失景观”： 从概念上讲，可以想象一个“损失景观”，其中“损失”是阴影范数 $||\hat{O}||^2_{\mathcal{E}_U}$，而“参数”是幺正集合$\mathcal{E}_U$的选择。先前使用随机Clifford幺正的工作找到了该景观中的一个特定点，产生了$2^k$的样本复杂度尺度。

2. 通过设计进行的“学习”： 作者们通过分析不同幺正操作如何影响算符尺寸分布 $\pi(m)$来“学习”。他们发现一个特定的确定性幺正，“合约性幺正”($\hat{U}_{ct}$)，具有选择性地减小Pauli字符串算符尺寸的独特属性。这是一个理论突破，而非算法突破。

3. 收缩机制： 这种“优化”的核心在于$\hat{Z}_i\hat{Z}_j$相互作用的特定代数性质。当一个Pauli算符如$\hat{X}_i$或$\hat{Y}_i$被$\hat{U}_{ij} = \exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$演化时，它可以转化为其他$\hat{Z}$算符。例如，如果一个算符$\hat{O}$具有奇数个$\hat{X}$或$\hat{Y}$分量（$N_{xy}$为奇数），则$\hat{U}_{ct}$有效地将$\hat{Z}$算符在$\hat{O}$中转换为单位算符（$\hat{I}$）。这是对易关系的一个直接结果：$\hat{U}_{ij} \hat{Z}_i \hat{U}_{ij}^\dagger = \hat{Z}_i$和$\hat{U}_{ij} \hat{X}_i \hat{U}_{ij}^\dagger = \hat{X}_i \hat{Z}_j$。关键部分是这些相互作用如何跨多个量子比特传播。当$N_{xy}$为奇数时，由于$\hat{Z}_i\hat{Z}_j$门的集体作用，$\hat{Z}$算符有效地“抵消”或变为$\hat{I}$。这使得算符尺寸从$k$减小到$N_{xy}$。

4. 塑造分布： 通过收缩大量初始Pauli字符串的算符尺寸，合约性幺正重塑了尺寸分布$\pi(m)$。而不是像随机Clifford幺正那样广泛分布在$m \approx 3k/4$附近，$\pi(m)$现在集中在较小的$m$值上（具体来说，对于奇数$N_{xy}$为$N_{xy}$，对于偶数$N_{xy}$为$k$）。这种向较小$m$值转移直接减小了$\sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m}$的和，从而降低了阴影范数。

5. 收敛到更好的尺度： “收敛”不是迭代的，而是优越尺度定律的证明。作者们理论上推导出（并数值验证）这种精心构造的合约性幺正导致阴影范数尺度为$\sim 1.8^k$（或使用滑动技巧为$k \times 1.8^k$），这比先前方法的$2^k$尺度有了显著改进。这代表了通过智能设计而非迭代优化，向概念损失景观中一个更好的区域的“飞跃”。该机制本质上是确定性的，一旦选择了幺正；随机性仅来自单量子比特旋转和测量结果，而非核心幺正本身。

Figure 3. The sliding trick for situations in which the location of the Pauli string operator is un- known. a, Schematics of the sliding trick. Each box represents an independent composite unitary applied to a subsystem with k qubits, as shown in Fig. 1a

结果、局限性与结论

实验设计与基线

为了严格验证其数学主张，作者们设计了一系列数值实验，主要关注两种类型的N量子比特长程纠缠态：Greenberger-Horne-Zeilinger（GHZ）态和具有周期性边界条件的一维簇（ZXZ）态。对于这些实验，选择了一个$k$个连续量子比特的子系统，并对特定的Pauli字符串算符进行了预测。对于GHZ态，目标算符是$\hat{O} = Z_1Z_2...Z_{k-1}Z_k$，而对于ZXZ态，目标算符是$\hat{O} = Z_1Y_2X_3X_4...X_{k-2}Y_{k-1}Z_k$。至关重要的是，这些态在稳定子形式下允许高效表示，从而能够解析地推导出精确的期望值，例如GHZ态的$\langle \hat{O} \rangle = ((-1)^{k+1})/2$和ZXZ态的$\langle \hat{O} \rangle = (-1)^k$。这些解析值作为“严格基准”，与实验预测进行了比较。

每次采样过程都涉及几个步骤。首先，单量子比特旋转独立地从一组24个单量子比特Clifford门中生成。接下来，应用复合幺正操作（如图1a所示），然后采样计算基中的测量结果$z^\alpha$。每个快照的预测使用公式(1)中的精确阴影范数计算为$O^\alpha = ||\hat{O}||^{-2} \text{Tr}(\hat{O}\sigma_U(z^\alpha))$。在收集了大量快照后，特别是$N = 10^5$个快照，期望值的最终预测通过平均这些快照得到：$E[\langle \hat{O} \rangle] = \sum_{\alpha=1}^N O^\alpha / N$。然后从方差$D[\langle \hat{O} \rangle] = \sum_{\alpha=1}^N (O^\alpha - E[\langle \hat{O} \rangle])^2 / N$估计该期望值的标准差。

这次比较中的“受害者”（基线模型）是采用了随机Clifford幺正的协议，这代表了经典阴影层析成像中的最先进水平。主要结果是针对系统大小为$N = 20$给出的，并辅以扩展到$k \sim 20$的更大系统的补充信息。

另一组实验解决了算符精确位置未知的场景。为此，引入了“滑动技巧”。将$N = n_0 k$个量子比特的系统划分为$n_0$个子系统，每个子系统包含$k$个量子比特。然后将幺正沿一个方向滑动一个量子比特，生成$k$个不同的幺正集。以$1/k$的概率随机选择一个电路结构。例如，对于ZXZ态，使用了算符$\hat{O} = Z_{n_r+1}Y_{n_r+2}X_{n_r+3}X_{n_r+4}...X_{n_r+k-2}Y_{n_r+k-1}Z_{n_r+k}$，其中$n_r \in [0, N)$是一个随机整数。这些测试的系统大小为$N = 3k$。此场景的基线是同样配备了滑动技巧的随机Clifford协议。此滑动技巧的示意图如图3a所示。

证据证明了什么

本文提供的证据明确证明了所提出的合约性幺正协议与标准的随机Clifford方法相比，显著降低了经典阴影层析成像的样本复杂度。起作用的核心机制是合约性幺正能够更有效地减小演化后Pauli字符串的有效“算符尺寸”，这直接转化为更小的阴影范数，从而需要更少的测量次数。

对于算符位置已知的情况，图2a和2b提供了无可辩驳的证据，表明合约性幺正和随机Clifford协议都能对Pauli字符串算符的期望值做出无偏预测。实线代表数值结果，与黑色虚线（表示GHZ和ZXZ态的解析推导出的精确期望值）非常吻合。这证实了两种方法在准确性方面的有效性。

然而，合约性幺正的决定性优势在图2c和2d中变得非常清晰，它们绘制了算符期望值的方差$D[\langle \hat{O} \rangle]$。在这里，合约性幺正协议始终表现出比随机Clifford协议更小的标准差（因此方差更小），尤其是在$k$增加时。这些图中的虚线直接证实了理论尺度定律：合约性幺正实现了约$2 \times 1.8^k$的样本复杂度尺度，而随机Clifford协议的尺度为$2^k$。这是其核心机制在实际中奏效的硬性证据。从$2^k$到$1.8^k$的降低是巨大的；对于现代量子计算平台可实现的$k \sim 100$，这相当于样本资源实现了超过$10^4$倍的改进。本文还指出，合约性幺正协议表现出对量子噪声的鲁棒性，如补充信息（图S4）所示。

这种改进尺度的根本原因得到了图1b的视觉支持，该图说明了算符尺寸分布$\pi(m)$。随机Clifford幺正（红线）最大化地混淆了算符，导致一个在$m/k \approx 3/4$附近达到峰值的宽二项式分布。与此形成鲜明对比的是，合约性幺正（蓝线）产生了一个分布，该分布集中在较小的算符尺寸上，具体来说，接近$m/k \approx 2/3$，并有一个额外的在$k$处的delta峰。这种在较小算符尺寸上更集中的分布是合约性幺正能够减小算符尺寸的直接结果，从而导致更小的阴影范数，进而导致更低的样本复杂度。

即使在算符精确位置未知的情况下，“滑动技巧”与合约性幺正的结合也保持了其优势。图3b和3c显示，两种协议在配备滑动技巧后，都能提供无偏的预测。至关重要的是，带有滑动技巧的合约性幺正的方差尺度为$(32/19)k \times 1.8^k$，优于随机Clifford协议的$k \times 2^k$尺度。表I提供了简洁的总结，突出了合约性幺正在已知（$1.8^k$）和未知（$k \times 1.8^k$）算符位置场景中相对于随机Clifford（$2^k$和$k \times 2^k$）和浅电路协议（$>2^k$）的优越样本复杂度。

局限性与未来方向

尽管合约性幺正协议提出了显著的进步，但认识到其当前局限性并考虑未来发展方向至关重要。

一个显著的挑战出现在将该方法扩展到算符位置未知的情况时。引入了“滑动技巧”来解决这个问题，但它为样本复杂度增加了一个$k$的因子，导致尺度为$k \times 1.8^k$。虽然仍优于随机Clifford的$k \times 2^k$，但这表明可能需要进一步优化以减轻这个$k$因子的影响。将合约性幺正朴素地应用于整个系统（而不是子系统）甚至可能导致随机Clifford协议的阴影范数增加，而对于合约性幺正，它可能将单位算符转换回Z，这通常是不希望的。这突显了在扩展时需要仔细设计。此外，本文指出，对于足够大的$k$，带有滑动技巧的随机Clifford协议“仍然很难超越浅电路协议”，这表明虽然带有滑动技巧的合约性幺正更好，但在这种特定场景下，随机Clifford协议并非强有力的竞争者。

展望未来，这些发现为讨论和研究开辟了几个令人兴奋的途径：

1. 特定硬件的优化与实现： 本文强调，由于原子阵列量子计算平台的重构能力、全连接性和并行门操作能力，合约性幺正完美契合了其优势。近期在这些平台上实现高保真度CZ门和全局CZ门的实验成功，使得合约性幺正易于实现。此外，作者们表明，通过增加一个辅助量子比特，合约性幺正可以分解为$k$步局部门操作，使其兼容于连接性有限的平台，如超导量子比特。这预示着在探索针对特定量子架构的硬件感知设计和优化方面，将有丰富的未来。

2. “合约性幺正”概念的泛化： 核心见解是故意设计确定性量子电路以高效地收缩或混淆算符尺寸。这种“通用思想”被认为在量子隐形传态、量子传感和量子机器学习等领域具有更广泛的应用。未来的研究可以侧重于识别和构建其他类型的“合约性”或“混淆性”幺正，以优化用于不同类别的可观测量或量子任务，超越仅仅是Pauli字符串算符。我们能否设计出收缩其他类型算符或实现不同有利尺寸分布的幺正？

3. 混合随机-确定性协议作为新范式： 本工作明确表明，“随机-确定性混合协议可以比全随机测量更有效”。这是一个深刻的教训。它挑战了依赖于全随机测量进行阴影层析成像的传统观念，并开辟了设计量子测量协议的新范式。未来的工作可以探索随机和确定性元素的其他组合，以寻求测量效率、鲁棒性和实现复杂性之间的最佳权衡。

4. 理论界限与最优幺正设计： 虽然本文提出了一个特定的合约性幺正，但它是否是算符尺寸收缩的全局最优，仍然是一个悬而未决的理论问题。进一步的研究可以深入探讨建立更严格的阴影范数和样本复杂度理论界限，然后利用这些界限来指导寻找更优的确定性幺正设计。这可能涉及探索不同的数学结构或利用先进的优化技术。

5. 鲁棒性与误差缓解： 本文简要提到了该协议对量子噪声的鲁棒性。鉴于当前量子设备固有的噪声，深入研究在各种现实噪声模型（例如，去极化噪声、退相干、门错误）下合约性幺正的噪声鲁棒性将非常有价值。开发专门针对这些混合协议的误差缓解策略，可以进一步增强其实际效用。

总之，这项工作不仅提供了一种强大的新量子态表征工具，而且还引发了关于为测量和信息提取智能设计量子电路的更广泛讨论。经典阴影层析成像，乃至整个量子信息处理的未来，可能在于这种确定性与随机性元素的深思熟虑的整合。

Table 1. A comparison of the sample complexity for 34 the contractive unitary protocol, the random Clifford 35 protocol, and the shallow circuits protocol for situations 36 with or without the information of the precise location 37 of the Pauli string operators ˆO. 38 Table 2. Two-qubit Pauli operators with size-2. 39

与其他领域的同构性

结构骨架

这项工作的纯粹数学核心是一种机制，它应用一种确定性的、优化的变换来减小复杂、高维算符的有效维度或“尺寸”，从而最小化表征它们所需的测量资源。