量子科技中心_量科网

该团队提出“数字化反向绝热量子采样”（DCQS）——一种用于从基于能量的模型（如低温玻尔兹曼分布）中高效采样的量子-经典混合算法。该方法采用抑制非绝热跃迁的反绝热协议，结合渐进式偏置场迭代过程，使采样逐步向低能区收敛。研究人员观察到每次迭代获得的样本对应于有效温度下的近似玻尔兹曼分布，通过聚合这些样本并应用经典重加权技术，最终重构出目标温度的玻尔兹曼分布。 该工作定义了基于Kullback-Leibler散度和总变差距离的可扩展性能指标，用于量化对精确玻尔兹曼分布的收敛程度。DCQS在包含124个量子比特的随机耦合一维Ising模型上获得验证（其精确结果可通过转移矩阵方法获得），随后在IBM量子处理器上成功应用于包含156个量子比特的高阶自旋玻璃哈密顿量。研究表明：包括Metropolis-Hastings和最先进的低温并行回火技术在内，经典采样算法需要多达三个数量级更多样本才能达到DCQS的质量标准，对应约2倍的运行时间优势。 玻尔兹曼采样是统计物理学到机器学习等应用的基石，但经典算法在低温下会呈现指数级放缓的收敛速度。这些结果因此为在当前量子处理器上实现可扩展、高效率的玻尔兹曼采样提供了一条稳健路径。