DOI: https://doi.org/10.1103/ht2m-1j91
تاريخ النشر: 2026-02-25
المؤلف: Nathan A. McMahon وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
في هذا القسم، يستكشف المؤلفون مفهوم تطور الزمن التخييلي الكمي كجريان تدرج ريمان على المجموعة الوحدوية. يحددون حدًا أعلى للخطأ بين تطور الزمن التخييلي الكمي وتناقص التدرج الريماني، والذي يمكن تعديله من خلال التحكم في حجم الخطوة في عملية تناقص التدرج التي تهدف إلى تقليل طاقة النظام.
تناقش الورقة أيضًا التنفيذ العملي لهذه المفاهيم من خلال خوارزميات كوانتية تكيفية، مقدمة خوارزمية تناقص تدرج ريماني عشوائي يمكن تنفيذها بكفاءة على الحواسيب الكوانتية. يوضح المؤلفون أنه، مع حجم خطوة صغير بما فيه الكفاية، يتماشى التطور العشوائي بشكل وثيق مع تطور الزمن التخييلي، مما يوفر ضمانات أداء لتبريد النظام بشكل فعال من خلال هذا النهج العشوائي.
نقاش
في هذا القسم، يقدم المؤلفون برهانًا على النظرية 2، بدءًا من تأسيس الليمما 2. يستنتجون حدًا على الاحتمال بأن الخطأ $\eta(\gamma)_n$ يتجاوز عتبة معينة، موضحين بشكل خاص أنه لأي $\delta > 0$، يمكن التعبير عن الاحتمال كما يلي:
\[
\Pr(\eta(\gamma)_n > b_n + \delta) \leq 2\Delta\beta \|H\|_\infty D^2 \frac{e^{8\beta\|H\|_\infty – 1}}{\delta^2}
\]
تم تحقيق هذه النتيجة من خلال تعريف الخطأ $\eta(\gamma)_k$ كمعيار إقليدي للاختلاف بين حالتين كميتين تم تحضيره عبر طرق تناقص تدرج ريماني عشوائي وحتمي. يستخدم المؤلفون عدم المساواة لجنسن وعدم المساواة لتشيبشيف لاستنتاج حدود على القيمة المتوقعة والتباين لـ $\eta(\gamma)_n$، مما يؤدي إلى استنتاج أن متوسط خطأ الوفاء $\epsilon_n$ محصور أيضًا بتعبير مشابه.
علاوة على ذلك، يثبتون أن توزيع $\eta(\gamma)_n$ يمكن استخدامه لاستنتاج توزيع $\epsilon_n$، مما يسمح لهم بتحويل عدم المساواة الاحتمالية لـ $\epsilon_n$ إلى واحدة لـ $\eta(\gamma)_n$. تعزز هذه الصلة في النهاية متانة نتائجهم بشأن أخطاء الوفاء في تحضير الحالة الكمية، مما يؤدي إلى إثبات النظرية 2.
DOI: https://doi.org/10.1103/ht2m-1j91
Publication Date: 2026-02-25
Author(s): Nathan A. McMahon et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
In this section, the authors explore the concept of quantum imaginary time evolution as a Riemannian gradient flow on the unitary group. They establish an upper bound for the error between quantum imaginary time evolution and Riemannian gradient descent, which can be adjusted by controlling the step size in the gradient descent process aimed at minimizing the system’s energy.
The paper further discusses the practical implementation of these concepts through adaptive quantum algorithms, introducing a stochastic Riemannian gradient descent algorithm that is efficiently executable on quantum computers. The authors demonstrate that, with a sufficiently small step size, the stochastic evolution aligns closely with the imaginary time evolution, thereby offering performance guarantees for effectively cooling the system via this stochastic approach.
Discussion
In this section, the authors present a proof for Theorem 2, beginning with the establishment of Lemma 2. They derive a bound on the probability that the error $\eta(\gamma)_n$ exceeds a certain threshold, specifically showing that for any $\delta > 0$, the probability can be expressed as:
\[
\Pr(\eta(\gamma)_n > b_n + \delta) \leq 2\Delta\beta \|H\|_\infty D^2 \frac{e^{8\beta\|H\|_\infty – 1}}{\delta^2}
\]
This result is achieved by defining the error $\eta(\gamma)_k$ as the Euclidean norm of the difference between two quantum states prepared via stochastic and deterministic Riemannian gradient descent methods. The authors utilize Jensen’s inequality and Chebyshev’s inequality to derive bounds on the expected value and variance of $\eta(\gamma)_n$, leading to the conclusion that the average fidelity error $\epsilon_n$ is also bounded by a similar expression.
Furthermore, they establish that the distribution of $\eta(\gamma)_n$ can be used to infer the distribution of $\epsilon_n$, allowing them to convert the probability inequality for $\epsilon_n$ into one for $\eta(\gamma)_n$. This connection ultimately reinforces the robustness of their findings regarding fidelity errors in quantum state preparation, culminating in the proof of Theorem 2.