1. 量子Krylov子空间算法原理与实现
量子Krylov子空间算法是当前NISQ（含噪声中等规模量子）时代最具前景的量子-经典混合算法之一。其核心思想是通过构造一组Krylov基矢{|ψₖ⟩} = {|ψ₀⟩, H|ψ₀⟩, H²|ψ₀⟩,..., H^(d-1)|ψ₀⟩}，将高维希尔伯特空间中的哈密顿量对角化问题转化为低维子空间中的广义特征值问题。这种方法特别适合处理量子多体系统的基态和低激发态计算。
1.1 Krylov基矢的量子制备
在量子处理器上，Krylov基矢并非通过直接应用哈密顿量幂次来构造——这在量子线路中难以实现。取而代之的是利用时间演化算符的幂次：
|ψₖ⟩ = e^(-ikHΔt)|ψ₀⟩
其中Δt为精心选择的时间步长。这种构造方式具有两大优势：
- 时间演化算符在量子线路中可通过Trotter-Suzuki分解实现
- 保持数值稳定性，避免高幂次运算导致的数值溢出
关键参数选择：时间步长Δt ≈ π/∥H∥（哈密顿量范数的倒数）。过大的Δt会引入高能态污染，过小则导致基矢线性相关。
1.2 Hadamard测试电路设计
测量Krylov子空间矩阵元（H̃ⱼᵢ = ⟨ψⱼ|H|ψᵢ⟩和S̃ⱼᵢ = ⟨ψⱼ|ψᵢ⟩）是算法核心。图6所示的Hadamard测试电路通过辅助量子比特实现：
- 初始化：辅助比特|0⟩ₐ与系统初态|ψ₀⟩
- 叠加：对辅助比特施加H门
- 受控演化：当辅助比特为|1⟩时执行Uᵢⱼ = e^(-i(i-j)HΔt)
- 测量：在X/Y基下测量辅助比特，提取矩阵元实/虚部
该电路输出态为： 1/√2 (e^(iφ)|0⟩ₐ|ψ₀⟩ + |1⟩ₐUᵢⱼ|ψ₀⟩)
通过测量⟨Xₐ⊗P⟩和⟨Yₐ⊗P⟩，结合已知相位φ，可重构完整复数矩阵元。
2. 经典阴影技术深度解析
2.1 随机泡利测量框架
经典阴影(Classical Shadow)是一种高效量子态表征技术，其核心是通过随机泡利测量构建状态的"指纹"。对于n量子比特系统，每次测量包含三步：
- 随机基选择：每个量子比特独立选择X/Y/Z测量基
- 投影测量：获得比特串结果b̂ = (b̂₁,...,b̂ₙ)
- 快照构建：计算ρ̂ₖ = ⨂ᵢ(3|b̂ᵢ⟩⟨b̂ᵢ| - I)
重复M次后得到经典阴影S(ρₖ;M) = {ρ̂ₖ⁽¹⁾,...,ρ̂ₖ⁽ᴹ⁾}，它是原始量子态的无偏估计量。
2.2 样本复杂度理论保证
经典阴影最显著的优势是其严格的样本复杂度上界。对于L个观测量{Oᵢ}，要达到精度ε所需测量次数：
M ∼ O(ε⁻² log L · max ∥Oᵢ∥²_shadow)
其中shadow norm ∥O∥²_shadow ≤ 4ᵏ∥O∥²∞（对k-local观测量）。这意味着：
- 系统规模无关性：复杂度不随量子比特数n增加
- 局部性优势：对于物理哈密顿量中的少体相互作用项，测量次数仅多项式增长
图11展示了20量子比特系统的实测数据：
- ε=0.1时需要≈6.8×10⁴次测量
- 量子比特数从10增加到100时，测量次数仅增长约1.6倍
3. 量子线路实现细节
3.1 初始态制备优化
实验中采用Néel态|ψ₀⟩=|1010...⟩作为初始态，这种选择基于三点考量：
- 制备简单：仅需在交替量子比特上施加X门
- 激发丰富：包含多种自旋组态，利于探索希尔伯特空间
- 物理意义：对应反铁磁相，是强关联系统的典型初态
对于20量子比特系统，初始态制备仅需：
// QASM示例：4量子比特Néel态制备 qreg q[4]; x q[0]; x q[2];3.2 Trotter分解策略
时间演化算符e^(-iHΔt)的实现采用二阶Trotter-Suzuki分解：
U(Δt) ≈ [∏ᵢexp(-iHᵢΔt/2)] [∏ᵢexp(-iHᵢΔt/2)]†
具体参数选择：
- Trotter步数：固定为6（平衡精度与线路深度）
- 门误差：CZ门0.25%，单量子比特门0.025%
- 相干时间：T₁=140μs, T₂=101μs
实测发现：当Δt > π/∥H∥时，能量误差会突然增大2-3个数量级，这与理论预测的高能态污染机制一致。
4. J1-J2海森堡模型验证
4.1 模型设置与基准测试
在4×4二维晶格上测试J1-J2海森堡模型：
H = J₁∑⟨i,j⟩S⃗ᵢ·S⃗ⱼ + J₂∑⟨⟨i,j⟩⟩S⃗ᵢ·S⃗ⱼ
参数设置J₂/J₁=0.5，对应自旋液体相。测试三种方法：
- 精确对角化（基准值）
- Transformer GenKSR
- Mamba GenKSR
4.2 结果对比分析
图8显示不同测量样本量下的能量误差分布：
- 1k样本时，Transformer中位数误差0.08J₁，优于Mamba的0.12J₁
- 10k样本时，两者误差分别降至0.03J₁和0.05J₁
- Krylov维度从D=15外推至D=30时，误差增长仅约40%
关键发现：GenKSR模型展现出惊人的泛化能力：
- 对未见过的哈密顿量保持精度
- 可外推到训练时2倍的Krylov维度
- 完整再现测量统计分布
5. NISQ时代的实用建议
5.1 量子资源优化策略
- 测量预算分配：
- 80%资源用于D≤5的浅层电路训练数据
- 20%用于验证集评估泛化能力
- 线路深度控制：
- 单次演化Δt内Trotter步数≤T₂/(10×t_gate)
- 辅助量子比特测量误差需<1%
- 硬件选择：
- 优先考虑CZ门保真度>99.5%的设备
- 避免使用T₁ < 50μs的量子比特
5.2 经典-量子协同设计
- 误差缓解组合：
- 测量误差：采用张量网络约束的经典阴影
- 门误差：使用零噪声外推(ZNE)技术
- 混合训练技巧：
- 先在小系统(≤10qubits)上预训练
- 采用迁移学习扩展到大系统
- 实时反馈调整：
- 监控Krylov矩阵条件数
- 动态调整Δt防止基矢退化
在实际的IBM Fez处理器实验中，我们观察到当量子线路深度超过40层时，GenKSR的经典预测精度反而超过真实量子测量结果——这直观体现了噪声累积对量子优势的制约。这也提示我们，在当前的NISQ设备上，"浅层量子采样+经典后处理"可能是更现实的实用路径。
