量子模拟：让硬件演化哈密顿量

WARNING

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

Feynman 的原话精神是：用量子系统去模拟量子系统。经典计算机要存 $2^n$ 个振幅；若硬件自己就是那 $n$ 个自旋，演化可以「长在」物理里。

前置：量子计算 的酉演化；科学计算全景 里维度灾难的对照。需要把 $4\times 4$ 横场 Ising 或 Trotter 误差展开时，点开「逐步推导」。

---

一、问题：多体量子力学难在哪

封闭系统的薛定谔方程

$$i\hslash \frac{d}{dt}|\psi ⟩=H|\psi ⟩\Rightarrow |\psi (t)⟩=e^{-iHt/\hslash }|\psi (0)⟩$$

$H$ 是 $2^n\times 2^n$ 的厄米矩阵（$n$ 个自旋）。精确对角化只对很小的 $n$ 可行。蒙特卡洛会碰上符号问题；张量网络擅长一维……没有一种经典方法通吃所有相互作用图。

这和 PINN / 算子学习要逼近的 PDE 不是同一句话，但痛点同类：状态空间太大。

保姆级：$n=50$ 已经存不下。 一个复数 $16$ 字节量级，$2^{50}$ 个振幅是拍字节——笔记本内存是笑话。量子模拟的赌注是：别存振幅表，让另一堆自旋按近似同一套 $H$ 自己转。读出的是能量、关联，不是把 $2^n$ 个数搬回家。

图解说明：左边是分子或晶格，右边是可编程的自旋 / 超导 / 离子阵列。模拟成功的标志是能读出能量、关联函数或动力学，而不是「比特数广告」。

---

二、模拟 vs 数字模拟

• 模拟型（analog）：直接让硬件哈密顿量 $\tilde{H}(t)$ 贴近目标 $H$。调耦合、磁场，少谈「门」。适合特定晶格。
• 数字型（digital）：把 $e^{-iHt}$ 编译成基本门序列。通用，但深度随精度与时间增长，NISQ 上很快撞墙。

两者之间还有混合：变分量子本征求解器（VQE）用浅线路猜基态，经典优化器调角度——和 QML 共享「参数化线路 + 经典环」。

---

三、Trotter：把时间切成能编译的薄片

若 $H=A+B$ 且 $[A,B]\ne 0$，则

$$e^{-i(A+B)t}\approx (e^{-iAt/n}{e}^{-iBt/n}{)}^n$$

$n$ 越大，一阶公式的误差大致 $O(t^2/n)$。更高阶 Suzuki 公式能再压误差，但门更多。

demo.py 在 两个自旋 的横场 Ising

$$H=JZ\otimes Z+h(X\otimes I+I\otimes X)$$

上对比「精确 eigh」与一阶 Trotter。参数 $J=1.0$、$h=0.7$，演化时间 $T=1.2$（令 $\hslash =1$），初态 $|00⟩$，步数 $1,2,4,8,16,32$。你应看到：步数增加，失真度在对数图上往下掉。种子 42。终端打印 步数 → 失真度。

图解说明：这是数字模拟的最小可运行内核。真实分子还要做费米到自旋的映射（Jordan–Wigner 等），本章不展开。

逐步推导：两自旋横场 Ising 的 $4\times 4$ 矩阵从哪来（点击展开）

单比特 $X,Z$ 是 Pauli。两比特算子用 Kronecker 积（demo 的 np.kron）：

$$Z\otimes Z=\mathrm{diag}(1,-1,-1,1),X\otimes I=\left(\begin{array}{cccc}0& 0& 1& 0\\ 0& 0& 0& 1\\ 1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right).$$

$I\otimes X$ 类似，在另一因子上翻。$A=JZZ$ 只含相互作用，本征基是计算基；$B=h(XI+IX)$ 是横场，把 $|0⟩$ 和 $|1⟩$ 搅在一起。$[A,B]\ne 0$（相互作用基与横场基不同），所以 $e^{-i(A+B)t}\ne e^{-iAt}{e}^{-iBt}$。精确演化：对 $H_{\mathrm{tot}}=A+B$ 做 eigh，再 $\sum _k{e}^{-i{\lambda }_{k}t}|v_k⟩⟨v_k|$。

一阶 Trotter：把 $T$ 切成 $n$ 份，$\mathrm{d}t=T/n$，反复做 $e^{-iB\mathrm{d}t}{e}^{-iA\mathrm{d}t}$（demo 是 ub @ ua）。失真度 $1-|⟨{\psi }_{\mathrm{exact}}|{\psi }_{\mathrm{trotter}}⟩{|}^2$ 应随 $n$ 在 log-log 图上近似斜率为 $-1$ 的直线（$O(1/n)$）。

逐步推导：一阶 Trotter 误差为何 $\sim O(t^2/n)$（点击展开）

Baker–Campbell–Hausdorff：对两个一般矩阵

$$e^X{e}^Y=e^{X+Y+\frac{1}{2}[X,Y]+\cdots }.$$

令 $X=-iA\mathrm{d}t$、$Y=-iB\mathrm{d}t$，则一步的生成元是 $-i(A+B)\mathrm{d}t$ 再加上 $\frac{1}{2}[X,Y]=O((\mathrm{d}t{)}^2)$ 的对易修正。$n=t/\mathrm{d}t$ 步累积：每步 $O((\mathrm{d}t{)}^2)$，共 $O(t^2/n)$（在 $\parallel [A,B]\parallel$ 有界、时间不太长时）。这就是「多切几刀更接近 $e^{-iHt}$」。二阶 Suzuki（对称 Trotter）把对易项再消一阶，误差 $O(t^3/n^2)$，门数大约 1.5 倍。

NISQ 上 $n$ 不能无限加：每一步门都有噪声，切太细会先被退相干吃掉。实验要在 Trotter 误差和硬件误差之间折中。VQE 绕开长时间演化，改成浅线路猜基态能量，但会撞上 QML 章的贫瘠高原。

---

四、读出什么才算「模拟成功」

常见观测：

• 基态能量（化学精度是另一场战争）；
• 两点关联、结构因子；
• 淬火后的动力学（Loschmidt echo、扩散）。

NISQ 上的噪声会让长时动力学先假掉。因此实验论文会同时报：系统尺寸、演化时间、以及对照的经典方法（张量网络等）还能不能跟上。

---

五、小结

概念	一句话
指数维	$n$ 自旋 → $2^n$ 振幅
模拟型	硬件 $H$ 贴近目标 $H$
数字型	编译 $e^{-iHt}$ 为门
Trotter	把不对易的 $A+B$ 切成小时间步
VQE	浅线路 + 经典优化找能量

下一章 量子机器学习：把可训练线路接到经典特征上，并收编 VQNet 混合分类实验。

📥 Code

File	View	Download
demo.py	Open	Download
exercise.py	Open	Download

参考

1. Feynman, R. P. Simulating physics with computers. IJTP (1982).
2. Lloyd, S. Universal quantum simulators. Science (1996).
3. Childs et al., Trotter error 理论综述；Cerezo et al., VQE 综述 (2021).