← 返回 PaperDaily
大模型与智能体
不用长时演化了！量子计算机上提取能谱，秒杀傅里叶的新方法
格点场论里提取能谱的标准神器GEVP，被马里兰大学团队第一次搬到了量子计算机的实时关联函数上。只用了T=5.6的短时演化，就能亚百分比精度解析多个低能级，还顺手碾了傅里叶变换——T=100都分不清的峰，它早就交卷了。
龙哥读论文
发布于 2026-08-27 00:20:02
阅读 8
查看原文
原论文信息如下：
能谱，是理解量子系统最基本的钥匙。在核物理和粒子物理里，哈密顿量的本征能量就是粒子质量、束缚能，再通过有限体积效应还能推出散射振幅。可以说，从第一性原理出发算出强耦合场论的低能谱，是这领域最核心的目标之一。传统路线是在欧几里得时间下做蒙特卡洛：算关联函数，看它在虚时间里怎么衰减。基态贡献在长时间后占主导，所以基态能量好提；但激发态的信号藏在关联函数偏离渐近形态的小偏差里，正好落在信噪比指数级恶化的地方，这就是所谓的“符号问题”之外的另一个老大难。
量子计算机的出现，把这个问题换了个玩法。量子计算机天然产生的是实时关联函数——注意，是实时，不是欧几里得虚时。实时关联函数不会衰减，所有态都带着不衰减的振荡权重存在，没有基态主导马里兰大学新招：量子计算机短时演化提取能谱，亚百分比精度碾压傅里叶变换
能谱是理解量子系统最基本的钥匙。在核物理和粒子物理中，哈密顿量的本征能量就是粒子质量、束缚能，再通过有限体积效应还能推出散射振幅。可以说，从第一性原理出发算出强耦合场论的低能谱，是这领域最核心的目标之一。传统路线是在欧几里得时间下做蒙特卡洛：算关联函数，看它在虚时间里怎么衰减。基态贡献在长时间后占主导，所以基态能量好提；但激发态的信号藏在关联函数偏离渐近形态的小偏差里，正好落在信噪比指数级恶化的地方，这就是所谓的“符号问题”之外的另一个老大难。
量子计算机的出现让这个问题换了个玩法。量子计算机天然产生的是实时关联函数——注意，是实时，不是欧几里得虚时。实时关联函数不会衰减，所有态都带着不衰减的振荡权重存在，没有基态主导，也没有激发态信息被指数压制的问题。听起来很美，但怎么把能量从这样的信号里高效地“读”出来？最朴素的想法是傅里叶变换：把时域信号变到频域，峰的位置就是能级。但傅里叶变换的分辨率由总演化时间决定，想要分辨近简并能级，或者把真正的峰与振铃伪影区分开，需要的演化时间远超当前量子设备的相干时间。这就尴尬了：信息明明都在信号里，却拿不出来。
量子计算机上如何高效提取哈密顿量谱？ 马里兰大学的 Valery Simonyan、Paulo F. Bedaque 和 Gregory Ridgway 最近在 arXiv 上发布了一项研究。他们把格点场论中一个非常成熟的工具——广义特征值问题（Generalized Eigenvalue Problem，简称 GEVP）——直接移植到了量子计算机产生的实时关联函数上，用很短的演化时间就精确解析出了多个低能级，效率远超传统的傅里叶变换方法。
在格点场论中，提取能谱的标准工具是欧几里得关联函数。一个插值算子的关联函数在大虚时间下表现为一系列衰减指数的叠加：基态贡献最持久，激发态贡献指数衰减。传统方法就是从大虚时间区的“平台”里读基态能量，激发态信息则藏在关联函数偏离渐近形态的微小偏差里。GEVP 的做法则高明得多：不是用一个关联函数，而是构造一个关联函数矩阵——用一组插值算子，得到矩阵C_ij(t)，再求解广义特征值问题。特征向量给出这些算子的最优线性组合，使得组合后的算子尽量只耦合到单个能量本征态；特征值则直接给出对应的能量。这个方法是格点场论中通往激发态和散射相移的标准路线。
量子计算机改变了问题的性质。它天然产生实时关联函数，信号是振荡的相位因子叠加而非衰减的指数。没有基态主导，但也没有信息丢失。关键问题是：如何高效地从中提取能量？傅里叶变换是一种办法，但分辨率受总时间限制；GEVP 则是另一种思路——通过构造关联函数矩阵，用代数方法“投影”出各能级贡献。本文的核心贡献，就是把 GEVP 从欧几里得时间推广到实时。
从欧几里得到实时：GEVP方法的自然推广 为什么 GEVP 在欧几里得时间下有效？直觉上可以这样理解：如果有这样一组“完美算子”，每个算子作用在基态上恰好产生一个能量本征态，那关联函数矩阵天然是对角的，特征值直接就是e^{-E_n τ}。但现实里不会有这种完美算子。GEVP 的价值在于，即使算子并不完美，只要它们能近似张成目标态空间，广义特征值就能以受控误差逼近真实能级。作者把这个逻辑推到了实时。
考虑一个哈密顿量Ĥ和它的N个本征态|n⟩，对应能量E_n。假设作者拿到一组M个“不完美”算子O_i和一个近似基态|Ω⟩，它们满足一个关键条件：算子作用在近似基态上产生的态，与真正的能量本征态有足够大的重叠。把不完美算子展开成完美算子的线性组合，关联函数矩阵就可以写成矩阵乘积的形式。
这是关联函数矩阵的定义，其中 O_i(t)=e^{iĤt}O_ie^{-iĤt} 是海森堡绘景下的算子。矩阵元描述的是：先在t=0时刻用O_j^†激发系统，再在t时刻用O_i(i)去“探测”。
经过一番推导（这里不展开全部数学细节），作者证明了一个漂亮的结果：C^{-1}(0)C(t) 的特征值，在忽略高阶小量的情况下，正好等于 e^{-iE_k t}。也就是说，只要算子集合足够好，广义特征值给出的相位因子就直接对应能量本征值。更进一步，可以得到一个实用的有效能量公式：
对特征值取对数再除以时间，就得到有效能量。它的优势在于误差项被除以了t，所以随着演化时间增大，结果快速收敛到真实能量。即使t没那么大，靠振荡相消也能得到不错的结果。这正是 GEVP 在实时情形下依然高效的根本原因。
单辅助比特测量非对角关联函数的巧妙电路 理论框架搭好了，接下来要解决一个实际操作问题：量子计算机上怎么测量形如⟨Ω|O_i(t)O_j^†(0)|Ω⟩的关联函数矩阵元？注意，O_i(t)O_j^†(0) 是时间分离的两个算子乘积，量子计算机一般只能测量同一时刻的期望值，不能直接测量这种非对角、时间分离的量。
作者给出的方案非常巧妙：只需要一个辅助比特（ancilla qubit）。基本流程是：先把系统制备在近似基态|Ω⟩上，辅助比特放在|0⟩。然后通过一个受控酉操作把辅助比特与系统纠缠起来：如果辅助比特是|0⟩，系统保持|Ω⟩不变；如果辅助比特是|1⟩，系统变成P_b|Ω⟩。接下来对系统做时间演化e^{-iĤt}。最后，在辅助比特的X基和Y基下分别测量，再配合系统上的P_a测量，就可以组合出完整的复关联函数。
这里P_a和P_b都是泡利算符。最终关联函数由两个测量期望值组合而成：一个是虚部相关的X⊗P_a测量，一个是实部相关的Y⊗P_a测量。这个式子的妙处在于，把原本需要复杂量子过程模拟的“时间分离关联函数”，化归为一次简单的辅助比特测量。
图1：单辅助比特测量实时关联函数的量子电路示意图。系统先与辅助比特纠缠，再经历时间演化，最后在辅助比特的X和Y基下测量，得到关联函数的实部和虚部。
作者还指出，可以测量对易的泡利算子组来减少所需电路数量，提高测量效率。这一点对于量子硬件上的实际运行非常重要，因为每个电路的制备和测量都有成本。
模糊σ模型上的验证：从精确模拟到真实量子硬件 理论讲完了，要用实际例子检验。作者选择了模糊σ模型（fuzzy σ-model）作为测试场。这个模型值得多说几句：它是一个定义在一维格点上的场论模型，每格点两个量子比特，分别称为“头部”（head）和“模糊”（fuzz）量子比特。它的重要之处在于，虽然模型本身相对简单，但它与1+1维O(3)σ模型具有相同的连续极限，又具备渐近自由、动态质量生成这些与更复杂场论共有的关键特征。用作者的话说，这为连续场论提供了一种“量子比特化”或“场空间离散化”的实现。此前已有工作试图在量子硬件上计算这个模型的能隙，但效果不理想，这正推动了本研究的开展。
第一项是同一格点上头部与模糊比特之间的耦合（动能项），第二项是近邻格点头部之间的耦合（势能项），两项都是反铁磁符号，倾向于自旋反平行排列。参数η不改变本征态，只对能谱做整体缩放，因此计算中取η=1。
图2：模糊σ模型哈密顿量的可视化表示。每个格点上有两个量子比特：头部（偶数位置）和模糊（奇数位置）。动能项连接同一格点内的两个比特，势能项连接近邻格点的头部比特。
选择这个模型还有一个实际原因：强耦合极限下可以解析地构造出近似的基态和激发算子。当g²→∞时，动能项主导，每个格点上两个量子比特形成自旋单重态，整体基态就是所有单重态的直积。第一激发态则是把某个单重态替换为三重态。连接单重态到三重态的算子就是本文使用的插值算子。作者构造了三组规模递增的算子集：
表1：模糊σ模型强耦合极限下GEVP使用的三组算子集。集合1只包含m=0的单算子；集合2加入两个l=1、m=0算子的特定组合；集合3包含所有单格点和双格点泡利算子。
在无噪声条件下，作者先用L=8（16量子比特）系统做精确时间演化，g=1.2，140个时间步，步长0.04，最大时间T_max=5.6。用三组算子集分别求解GEVP，得到的结果相当惊艳：
图3：L=8模糊σ模型在g=1.2下，(i/t)log(λ_i)随时间的变化。三组算子分别解析出8、36和276个能级，灰色区域为常数拟合窗口，黑色刻度线为精确对角化结果。即使在t<5.6的短时间区间，能量提取精度也达到亚百分比水平。
这里特别值得注意右下角的残差图，它揭示了一个系统性偏差：在一组能级构成的“能带”内，低能级倾向于被低估，高能级倾向于被高估。这个偏差完全来源于有限的拟合时间窗口（t∈[1.6,5.6]），而非方法本身的原理缺陷。另外，从图上还可以看出一个有意思的现象：O(3)对称性预期的简并模式被自动重现了。比如集合3中的双泡利算子可以产生总自旋S=0、1、2的态，对应一个单态、一个三重态和一个五重态，图上能级分布正好呈现这种模式。这说明GEVP自动找到了正确组合，实现O(3)对称性的不可约表示——没有物理输入，纯靠代数操作“撞”出了对称性。
接下来是更现实的测试：考虑Trotter误差。实际的量子计算中，时间演化要用Trotter分解来近似，这引入与步长相关的系统误差。作者在L=4系统上，固定T=5.6，改变Trotter步长Δt，观察能量提取的偏差：
图4：提取的低能级（l=0，m=0）与精确值的相对偏差随Trotter步长Δt的变化。四个离散点为Δt=0.05、0.1、0.2、0.4下的结果，实线为二次拟合，外推到Δt→0时与精确解一致。误差带为1σ统计误差。
图中展示了有限Trotter步长的效应：最低能态(k=π)在有限Δt时系统性偏高，最高能态(k=0)则系统性偏低，结果导致能级间隔收窄。但二次外推出的Δt→0极限与精确解一致，说明Trotter误差是可控且可预测的。这个分析后来在硬件实验的数据解读中起了关键作用。
最后也是最硬核的测试：在真实量子硬件上运行。作者使用了IonQ的Forte-Enterprise离子阱量子计算机，L=4格点，g=1.2，Trotter步长0.4，共14个时间步，每次测量2048发。由于成本限制，只用了最小的算子集合1。结果如图：
图5：IonQ Forte-Enterprise量子计算机上L=4运行结果。误差棒反映2048发测量的统计误差（bootstrap方法估计），误差带为常数拟合的1Σ不确定性。可以看到四个低能级被清晰分辨。表2：提取能量E_GEVP与精确能量E_exact对比，δ为相对偏差，|Δ|/σ为以统计误差为单位的偏差。k=0单态偏差最大（5.3%，约13倍统计误差），其余能级偏差在2%左右。
在硬件上，k=0单态是最难搞的，偏差大约是其统计误差的13倍。但作者结合前面Trotter误差分析指出：在Δt=0.4时，Trotter误差本身就会让最低能级偏高约2%，同时让最高能级偏低。也就是说，剩下的偏差主要是噪声和退相干造成的，而不是方法本身的问题。考虑到是在真实硬件、很短时间（T=5.6）、很小统计量（2048发）下做到的结果，这个精度已经相当能说明问题了。
对比傅里叶变换：短时演化下的显著优势 GEVP方法到底比傅里叶变换好在哪？作者给出了一个非常直观的对比。对关联函数矩阵的迹做傅里叶变换，得到谱密度函数，峰的位置对应能级：
谱密度公式。峰的半高宽由阻尼因子η决定，而峰的位置对应各能级。η取有限值是为了压制有限时间采样带来的吉布斯现象（振铃伪影）。
图6：离散傅里叶变换方法提取能谱的收敛情况（L=4，η=0.05）。红色刻度线为精确能级。即使总演化时间T达到100，仍有多处峰没有完全分辨。
傅里叶变换的分辨率极限在这里暴露无遗。T=100时，有些近邻峰仍然混在一起无法区分。而GEVP方法在T=5.6时就给出了亚百分比精度的能量值，同时还能通过特征值数量一次性拿到几十甚至两百多个能级。这个效率差距是数量级的——对于NISQ（含噪中等规模量子）设备来说，这就是决定“能不能用”的分水岭。傅里叶变换需要的是“长时演化”这种在噪声设备上极其奢侈的资源，而GEVP只在短时间窗口内就提取到了足够的信息。
总结与展望：通往更复杂场论谱分析之路 这篇论文把格点场论中的GEVP方法成功推广到了量子计算机的实时关联函数上。在无噪声精确模拟中，L=8模型仅需T=5.6的演化时间就能以亚百分比精度解析出几十到两百多个能级；在真实量子硬件上，L=4模型的四个低能级在几个百分点的误差内被成功复现。这个误差水平在NISQ设备上是可以接受的。
更深层的意义在于适用面。方法依赖于两个东西：一组能近似张成目标态空间的算子集合，以及一个与真实基态有良好重叠的近似基态。本文从强耦合极限取得这两个要素，但这是特例而非限制。任何变分法、耗散制备或绝热制备给出的基态，任何有物理依据的算子基组，都可以接入这个方法。对于那些欧几里得路径积分被符号问题阻塞的理论——比如有限密度下的规范理论和实时输运——这是一个非常有吸引力的替代方案。
龙迷三问 这篇论文到底在解决什么问题？ 将格点场论的标准工具GEVP首次适配到量子计算机实时关联函数，用单辅助比特测量关联矩阵，并在模糊σ模型上经经典模拟、含噪模拟与IonQ硬件三重验证。短时演化即可亚百分比精度提取多个低能级并自动重现对称性简并，效率远超傅里叶变换。这篇工作最值得看的点是什么？ 论文方法在L=8无噪声精确演化下，使用三组算符集分别解析出8、36和276个能级，精度达到亚百分比；在L=4量子硬件（IonQ Forte-Enterprise）上，使用单泡利算符基成功解析出4个低能级，与精确对角化结果偏差在几个百分点以内，而傅里叶变换方法在T=100时仍无法分辨多个峰。这篇工作的边界或风险在哪里？ 优点：(1) 将成熟的GEVP方法从欧几里得关联函数自然推广到实时关联函数，理论框架清晰严谨；(2) 相比傅里叶变换，在短时间演化下即可高效提取多个能级，特别适合NISQ设备；(3) 方法具有通用性，不依赖于特定模型，可适用于任何有良好近似基态和算符基的系统。缺点：(1) 需要预先构造与目标态有良好重叠的算符基和近似基态，这在实际复杂场论中可能难以实现；(2) 方法对噪声和退相干仍然敏感，在量子硬件上最低能级的偏差较大（约5.3%）；(3) 需要测量多个泡利算符对的关联函数，电路数量随算符基规模增长。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
将格点场论中成熟的广义特征值问题（GEVP）方法适配到量子计算机产生的实时关联函数上，通过测量一组泡利算符的关联矩阵并求解其广义特征值，直接从实时关联函数中提取能量本征值，避免了傅里叶变换所需的长时演化。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
将格点场论中成熟的广义特征值问题（GEVP）方法适配到量子计算机产生的实时关联函数上，通过测量一组泡利算符的关联矩阵并求解其广义特征值，直接从实时关联函数中提取能量本征值，避免了傅里叶变换所需的长时演。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： (1) 需要预先构造与目标态有良好重叠的算符基和近似基态，这在实际复杂场论中可能难以实现；
[1] M. Lüscher and U. Wolf, How to Calculate the Elastic Scattering Matrix in Two-dimensional Quantum Field Theories by Numerical Simulation, Nucl. Phys. B 339, 222 (1990). [2] C. Michael, Adjoint sources in lattice gauge theory, Nucl. Phys. B 259, 58 (1985). [3] B. Blossier, M. D. Morte, G. von Hippel, T. Mendes, and R. Sommer, On the generalized eigenvalue method for energies and matrix elements in lattice field theory, JHEP 04 (2009) 094, arXiv:0902.1265 [hep-lat]. [4] A. Alexandru, P. F. Bedaque, H. Lamm, and S. Lawrence (NuQS Collaboration), σ models on quantum computers, Phys. Rev. Lett. 123, 090501 (2019), arXiv:1903.06577 [hep-lat]. [5] P. F. Bedaque, E. M. Murairi, G. Rupak, and V. S. Simonyan, Quantum computation of mass gap in an asymptotically free theory, arXiv:2512.21282 [quant-ph] (2025). [6] B. Efron, Bootstrap methods: another look at the jackknife, The Annals of Statistics 7, 1 (1979). *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
能谱难提取？不存在的！GEVP一招，短时演化看穿能级全貌。这里是龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称 ，格式正确优先拉群～
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
