用于基准测试的可扩展基于测量的量子模拟模式

论文信息

标题: Scalable Measurement-Based Quantum Simulation Patterns for Benchmarking

作者: V. W. Scarola

发布日期: 2026-05-12

arXiv ID: 2605.12502v1

PDF 链接: 下载 PDF

3 分钟速览

研究问题：基于测量的量子模拟（MBQS）面临测量模式优化难题，而缺乏标准化的基准数据集，导致不同硬件约束下的模式紧凑化算法难以公平比较。
核心方法：构建开源测量模式库 QPatLib v1.0，将泡利串幺正演化按三种不同对易子集分组策略（One‑to‑One、Smallest‑to‑Last、Full）转换为图态上的测量模式，并附带节点数、最大度、层距等量化指标。
关键结果：对易子集的粗细粒度控制能够系统性地调节模式属性：One‑to‑One 策略的最大层距增长缓慢但子集数快速增长，而 Full 策略子集数极少但层距急剧增大（图 6），为用户在硬件限制下提供了可调的折中空间。
主要局限：v1.0 仅提供了未经紧凑化的基准模式，实际的模式压缩必须由用户自行完成；覆盖的分子哈密顿量有限，且只包含了三种子集分组策略，无法穷尽所有可能的优化路径。
适合读者：从事测量基量子计算编译、图态优化以及量子模拟算法硬件适配的研究人员，尤其适用于需要标准测试平台来评估模式紧凑化算法的开发者。

论文背景和研究动机

基于测量的量子计算（MBQC）依赖于在预制的图态上执行适应性局部测量来实现量子逻辑。对于量子模拟算法，如变分量子本征求解器和量子相位估计类方法，将哈密顿量时间演化转化为测量模式是一种很有前景的近中期应用。然而，设计一个测量模式绝非易事：它不仅需要选择图态结构，还要编排测量时序和信号依赖性，并且这些设计参数与硬件连通性、容错方案紧密耦合——例如，离子阱平台可以提供全连接纠缠门，而超导量子比特通常受限于平面近邻耦合。

这种多约束、多目标的优化问题，使得 “一个通用最优模式” 并不存在。因此，研究界亟需一个标准化的测试平台，让不同的模式紧凑化算法在相同的起点上被评估。这就是 QPatLib 诞生的背景：它不是一个新的编译器或一种声称最优的模式，而是一个收录了经过验证的测量模式及其关键指标的数据集，供研究人员在有明确定义的基准上进行对比和改进。

核心方法和技术细节

QPatLib 的构建采用自底向上的流程。以哈密顿量的 Suzuki–Trotter 时间演化为例，首先将编码后的泡利串分组为对易子集。库中包含了三种策略：One‑to‑One（O‑O） 将每个泡利串单独作为一个子集；Smallest‑to‑Last（S‑L） 利用图着色算法将对易的字符串合并成较少的子集；Full 则把所有泡利串归入单个子集，对应一个完整的 Trotter 步。

对每个子集，首先通过 Qiskit 将泡利串幺正演化 $e^{-ic_s \hat{P}_s}$ 转换为量子电路，然后再利用 Graphix 将电路转译为图态上的测量模式。模式以标准测量演算格式存储，包含节点、边、测量指令（含信号依赖）以及输出纠错算符。

每一个模式都附带了可量化的属性，如节点数 $n$ 、图边数 $n_e$ 、最大度 $m_d$ 、泡利测量数 $n_P$ 、最大宽度 $m_w$ 、测量层数 $n_l$ 和最大层距 $m_{ld}$ 。这些指标正是后续紧凑化优化的直接目标。以 Be₂ 分子（6 量子比特）的一个 O‑O 子集模式为例（图 3），其 $n = 44$ ， $n_P = 37$ ， $m_d = 4$ ， $n_l = 21$ ， $m_{ld} = 14$ 。

库内所有模式都经过严格验证：与等效量子电路的输出波函数高度吻合（Bhattacharyya 系数 > 0.999），并满足因果流条件。对于 6 量子比特及以下的系统，还通过张量网络模拟器验证了子集拼接的有效性。

创新点和贡献

QPatLib 的核心创新在于首次提供了一个 标准化的可扩展基准数据集，针对测量基量子模拟的核心原语——泡利串演化。其贡献体现在三个层面。

首先，将子集策略作为调优 “旋钮”。不同策略会导致模式属性的显著差异，从图 5 可以看出，S‑L 策略虽然大幅减少了非泡利测量数（相比 O‑O 策略，潜在可压缩空间提升可达两个数量级），但图的极大度也相应上升（表 3，如 Na₂ 的 $m_d$ 达到 34）。图 6 则展示了最大层距与子集数的制衡关系：对于分子复杂度升高的情形，O‑O 策略的每子集最大层数缓慢增长（至多 59 层），而 Full 策略的单个子集层数却近似指数上升。这种显式的 trade‑off 为不同硬件平台（如受限于最大度或层深度的硬件）提供了清晰的决策依据。

其次，自底向上的构造方式支持子集级别的独立紧凑化。用户可以对每个子集模式单独应用局部补图、泡利测量消除等操作，再拼接成完整演化算子。这种机制避免了直接处理巨大全图模式的超高复杂度，使得优化在大规模问题上仍可操作。

最后，库的开放性和可扩展性设计为其成为社区标准奠定了基础。数据以人类可读的 JSONL 格式和 QASM 3.0 电路文件共同发布，附带完整的前处理和验证脚本。论文明确将用户回写新模式纳入设计目标，允许未来加入新的对易子集策略、新物理模型（如 Hubburd 模型）或非泡利串演化算法。

实验结果分析

论文通过 8 个基准双原子分子（从 Be₂ 到 Na₂，对应 6 至 24 个量子比特）系统展示了三种子集策略下的模式属性变化。

图 4 表明，O‑O 策略下测量模式的总深度与对应量子电路深度处于同一量级，证明 MBQC 的并行性在此处并未带来深度的根本性优势，但也未显著恶化。图 5 的上、下两图对比了 O‑O 和 S‑L 策略的总节点数与非泡利测量数。两者总节点数相近，但 S‑L 中非泡利测量数急剧下降，这意味着通过局部 Clifford 紧凑化可移除的节点数将远多于 O‑O 策略。不过，这一增益的代价是最大度的增加，如表 3 所示，S‑L 策略下 Na₂ 的图最大度高达 34，远高于 O‑O 策略的恒定值 4。

图 6 是最具指导意义的结果：横轴为子集数，纵轴为每子集的最大测量层数（用作最大层距的代理，见表 4 的验证）。O‑O 策略的点落在左下区域，层数受限于 60 层以内，但子集数可轻松突破数千；Full 策略则相反，只有一个子集，但层数高达数千甚至上万；S‑L 策略居中。这三个点群构成了一条清晰的 Pareto 前沿，表明不存在全局最优，而必须在 子集粗粒度（少 clump、低并行开销） 和 局部模式浅层（低层距，便于硬件保持纠缠） 之间权衡。

实践建议

QPatLib 的价值不在于提供一个开箱即用的最优模式，而在于它作为一个可复现的基准平台，能够直接嵌入到模式优化工具链中。以下是一些直接的工程落地建议。

按硬件约束选择子集策略。若目标硬件的纠缠连接寿命有限，应优先考虑 O‑O 策略，确保每个子集内最长边的 $m_{ld}$ 较小（如表 4，Be₂ 的 O‑O 最大层距仅 18）。若硬件支持较高的连接度，如离子阱，则可选择 S‑L 或 Full 策略，以较小的子集数换取更大的紧凑化潜力。
利用子集级别的紧凑化循环。在选定的子集策略基础上，可以单独对每个子集模式运行局部补图与泡利测量移除算法（如 LC 操作），并监控指标变化。例如，从图 5 的 gap 可以看出，S‑L 策略下 Na₂ 的 $n_P$ 远小于总节点数，紧凑化空间极大。采用模拟退火或强化学习方法搜索 LC 等价类时，可直接以库中的模式为起点。
扩展库并贡献新数据。若开发了新的模式紧凑化算法，可将优化后的模式按 QPatLib 的 JSONL schema 回写，并标注所使用的紧凑化方法。这有助于在统一框架下横向比较不同算法的实际压缩效果与硬件层面代价。
结合误差模型进行模式选择。库中提供的 $m_d$ 、 $m_{ld}$ 等指标可近似衡量模式对特定错误机制的敏感性。例如，高 $m_d$ 的图态对单点噪声更敏感，而大 $m_{ld}$ 意味着长时间的边缘相干保持。实践者可构造代价函数，加权组合这些指标，并结合具体硬件的保真度模型，自动筛选合适的子集策略和紧凑化参数。
用于机器学习辅助的模式生成。对于 $n_q<6$ ，库包含了全部的 $4^{n_q}$ 个泡利串模式，可作为有标签的训练集，训练图神经网络或 Transformer 模型预测特定泡利串的图态属性，从而加速大规模系统的模式推断，避免每次都从头执行电路转译和紧凑化。