1. 量子计算中的Gibbs态制备：从理论到离子阱实验
在量子热力学和量子机器学习领域，Gibbs态的制备是一个基础而关键的挑战。Gibbs态描述了量子系统在热平衡状态下的行为，是研究有限温度量子系统的重要工具。传统计算机模拟Gibbs态需要计算哈密顿量的指数运算，随着系统规模增大，这一过程会变得极其昂贵。量子计算机因其天然的并行性，为这一问题提供了潜在的解决方案。
最近，我们在IonQ的离子阱量子计算机上实现了一种变分Gibbs态制备(Variational Gibbs State Preparation, VGSP)算法。实验采用了横向场Ising模型(TFIM)作为测试平台，系统研究了系统尺寸(n=2,3,4)、磁场强度(h=0.5,1.0,1.5)和逆温度(β=10^-8,1,5)对制备保真度的影响。结果显示，离子阱的全连接特性使其特别适合这类算法，避免了超导量子处理器中所需的SWAP操作，从而减少了双量子比特门的数量。
2. 变分Gibbs态制备算法详解
2.1 算法理论基础
Gibbs态的形式为ρ(β,H)=e^(-βH)/Z(β,H)，其中Z(β,H)=tr[e^(-βH)]是配分函数，β=1/(k_B T)是逆温度。根据统计力学，Gibbs态实际上是使自由能F(ρ)=tr{Hρ}-β^(-1)S(ρ)最小的态，其中S(ρ)是冯·诺依曼熵。
我们的变分算法基于这一原理，通过参数化量子线路UG(θ,φ)来制备候选态，然后使用经典优化器调整参数θ和φ，使制备态的自由能逼近理论Gibbs态。这种方法属于量子-经典混合算法，特别适合当前含噪声中等规模量子(NISQ)设备。
2.2 量子线路设计
算法使用两个n量子比特寄存器：辅助寄存器A和系统寄存器S。线路结构如图1所示，包含三个主要部分：
辅助寄存器操作UA(θ)：由Ry旋转门和CNOT门组成，用于在辅助寄存器上建立概率分布。具体实现包含两层Ry门，中间夹着一层相邻量子比特间的CNOT门。
寄存器间耦合：通过一组横向CNOT门将辅助寄存器的信息传递到系统寄存器。这些CNOT门以辅助寄存器量子比特为控制位，系统寄存器对应量子比特为目标位。
系统寄存器操作US(φ)：由特殊的Rp(φ_{2i-1},φ_{2i})门组成，将系统寄存器从计算基转换到哈密顿量的本征基。Rp门实际上是一个参数化的两量子比特门，由多个单量子比特旋转和√X门构成。
对于n=4的系统，完整线路如图10所示。值得注意的是，这种设计充分利用了离子阱量子计算机的全连接优势，避免了超导量子处理器中常见的SWAP操作，从而减少了噪声最大的双量子比特门数量。
3. 实验实现与优化策略
3.1 硬件平台选择
实验在IonQ的三款离子阱量子处理器上进行：
- Aria 1 (25量子比特)
- Forte 1 (36量子比特)
- Forte Enterprise 1 (36量子比特)
离子阱处理器的主要优势在于：
- 全连接架构：无需SWAP操作即可实现任意两量子比特门
- 长相干时间：T1约100秒，T2约1秒
- 高保真度：单量子比特门保真度0.9998，双量子比特门保真度0.9799-0.9915
相比之下，超导量子处理器由于受限的连接性，在执行相同算法时需要更多的双量子比特门(见图5)，而双量子比特门正是当前量子处理器中噪声的主要来源。
3.2 经典优化流程
整个优化过程采用以下步骤：
参数初始化：θ和φ的2n个参数随机初始化为[-π,π]区间内的值。
量子线路执行：在当前参数下运行量子线路，进行两种测量：
- σz基测量(8192次)：用于计算⟨σz_i⟩和辅助寄存器的熵S(ρ_A)
- σx基测量(8192次)：用于计算⟨σx_iσx_{i+1}⟩
自由能计算：根据测量结果计算当前参数下的自由能F(ρ)。
参数更新：使用SPSA(同时扰动随机逼近)优化器更新参数，目标是最小化自由能。
迭代：重复步骤2-4，最多100次迭代。
整个过程在经典模拟器上进行，以避免昂贵的量子硬件成本。优化完成后，最佳参数对应的线路才在真实量子设备上运行。
4. 实验结果与分析
4.1 保真度与系统参数的关系
通过对比无噪声模拟、含噪声模拟和真实硬件实验，我们得到了以下重要发现：
系统尺寸效应：随着量子比特数n增加，保真度明显下降。例如，在Aria 1上，当h=1.0时：
- n=2：β=1时保真度约0.85
- n=3：β=1时保真度约0.65
- n=4：β=1时保真度约0.45
磁场强度影响：增加横向场强度h通常会提高保真度，因为单量子比特门比双量子比特门具有更高的保真度。然而在真实硬件上，这种趋势并不总是成立，说明硬件噪声的影响比简单模型更复杂。
温度依赖性：在无噪声模拟中，保真度在β=0(无限温度)和β=5(低温)时都很高，在β≈1附近出现最小值。但在真实硬件上，随着β增加(温度降低)，保真度持续下降，这与"数字加热"效应有关。
4.2 数字加热现象
最有趣的发现是量子硬件噪声导致的"数字加热"现象。我们通过以下实验验证了这一效应：
在硬件上以目标β值制备Gibbs态ρ_exp。
计算不同β'值下的理论Gibbs态ρ_th(β')。
寻找使F(ρ_exp,ρ_th(β'))最大的β'。
结果显示，除了β=10^-8(接近无限温度)的情况外，最优β'总是小于目标β，意味着硬件噪声等效于提高了系统温度。这种温度偏移量Δβ=β-β'随着n和β的增加而增大(见图8,9)。
例如，在Aria 1上，当n=4,h=1.0时：
- 目标β=1.0 → 最优β'≈0.5 (Δβ≈0.5)
- 目标β=5.0 → 最优β'≈2.0 (Δβ≈3.0)
这一发现对量子热力学模拟有重要启示：在NISQ设备上制备低温Gibbs态时，必须考虑硬件噪声导致的温度偏移。
5. 实用建议与展望
基于这项研究，我们为希望在量子设备上制备Gibbs态的研究者提供以下建议：
系统尺寸选择：在目前硬件条件下，2-4量子比特系统可获得较好结果。超过4量子比特时，保真度下降明显。
温度范围选择：中等温度(β≈1)区域挑战最大。高温(β→0)和低温(β≫1)区域相对容易处理，但要注意低温下的数字加热效应。
硬件选择：全连接架构(如离子阱)比受限连接架构(如超导)更适合这类算法，可减少双量子比特门数量。
误差缓解：可采用以下策略改善结果：
- 后处理校准：根据测得的Δβ对结果进行温度校正
- 误差抑制：采用动态解耦等技术减少门误差
- 误差外推：通过不同噪声水平下的测量外推至零噪声极限
未来工作可以探索更复杂的哈密顿量、更大的系统尺寸，以及更先进的误差缓解技术。随着量子处理器质量的提升，变分Gibbs态制备有望在量子化学、材料科学和机器学习等领域发挥更大作用。
