核心发现
方法论
本文提出一种“哈密顿变分”策略，通过在量子电路中旋转哈密顿量的项，构建高效的变分态。该方法利用参数化旋转角度，避免了传统UCC的高参数复杂度。针对Hubbard模型，采用逐步优化策略，结合Trotter-Suzuki分解，平衡电路深度与精度。通过数值模拟验证其在最大12个格点系统中的优越性，显示出比UCC更快的收敛速度。该方法还结合经典模拟，优化参数初始化，减少局部极小值困扰。
关键结果
- 在12格点Hubbard模型中，变分态的能量误差降至约1.5×10^-2，重叠度超过96%。相较于UCC，收敛速度提升约30%。在小分子如H2O、LiH上，测量所需样本数虽大，但整体电路深度显著降低，适合小型量子硬件。
- 采用逐步优化策略，能在较少电路深度下实现高精度，最大节省约50%的测量次数。模拟显示，参数优化在经典辅助下，能有效避开局部极小值，提升稳定性。
- 虽然测量量巨大，但在Hubbard模型上，变分方法实现的量子态准备具有潜在实用性，尤其适合无误差校正的短门电路，未来可结合误差缓解技术进一步提升实用性。
研究意义
该研究突破了量子变分算法在复杂多体系统中的应用瓶颈，提出的哈密顿变分策略简化了电路设计，减少了参数数量，提升了收敛速度，为中小型量子硬件实现多体问题提供了可行路径。特别是在Hubbard模型等紧耦合系统中，该方法展现出较优的性能，有望推动量子模拟在材料科学和凝聚态物理中的实际应用。此技术还为未来量子化学和多体系统的高效态制备提供了理论基础和实践方案。
技术贡献
本文提出一种基于哈密顿项旋转的变分策略，区别于传统UCC方法，显著降低参数规模，结合Trotter分解实现高效电路。通过数值模拟验证其在多体模型中的优越性，提供了系统性优化流程和参数初始化策略。该方法在量子硬件上的实现潜力巨大，尤其适合短门电路的快速态制备，为量子模拟提供了新工具。
新颖性
首次提出利用哈密顿项旋转构建变分态，避免了UCC的高参数复杂度，结合逐步优化和Trotter化，提升了多体系统的收敛速度。该策略在Hubbard模型和小分子中均表现出优越性能，展示了在有限资源下实现高精度的潜力，突破了传统变分方法的局限。
局限性
- 测量样本数极大，实际硬件实现仍面临挑战，尤其在化学系统中需要大量测量资源。
- 电路深度虽较UCC低，但在更大系统中仍可能超出短门电路的能力范围，需进一步优化。
- 参数优化依赖经典模拟，存在局部极小值和收敛不稳定的问题，需开发更鲁棒的优化算法。
未来方向
未来将结合误差缓解和量子硬件噪声模型，提升算法实用性。探索多体系统中更复杂的哈密顿量，优化电路深度与精度的平衡。还将研究多参数联合优化策略，增强算法的稳定性和泛化能力，为大规模量子模拟奠定基础。
AI 总览摘要
随着量子硬件的发展，短电路量子态准备成为实现多体系统模拟的关键技术。传统方法如UCC在参数规模和电路深度上存在瓶颈，限制了其在中等规模系统中的应用。本文提出一种基于哈密顿项旋转的变分策略，通过调整旋转角度，构建高效的变分态，显著提升了在Hubbard模型中的收敛速度。数值模拟显示，该方法在12格点系统中能以较少参数实现高精度，能量误差低至1.5×10^-2，重叠度超过96%。相比UCC，收敛速度提高约30%，在化学分子如H2O和LiH上也表现出优异性能。该策略结合经典优化和逐步调节，有效避开局部极小值，适合短门电路的快速实现。虽然测量样本数巨大，但在小型系统中具有实际潜力，为未来量子模拟提供了新思路。未来工作将结合误差缓解技术，优化电路深度，拓展到更复杂的多体模型，推动量子计算在材料和化学领域的应用落地。
深度分析
研究背景
量子变分算法作为近年研究热点，旨在利用短电路实现复杂多体态的高效制备。早期工作如UCC和MPS、MERA等变分类在理论和实验中均取得一定成果，但存在参数规模大、测量成本高、电路深度限制等问题。随着量子硬件的限制，短门电路的高效构建成为突破口。近年来，结合经典优化和量子测量的变分方法逐渐兴起，推动了量子模拟在化学和凝聚态物理中的应用。
核心问题
现有变分方法在多体系统中面临参数爆炸和电路深度限制，难以在有限资源下实现高精度态。UCC虽具理论优势，但参数过多，测量成本高，难以在短门电路中实现。如何在保证精度的同时，降低参数和电路复杂度，成为亟待解决的问题。此外，测量样本数巨大也限制了实际应用的可行性。
核心创新
提出哈密顿变分策略，利用旋转哈密顿项的参数化，避免UCC的高参数复杂度。结合逐步优化和Trotter-Suzuki分解，平衡电路深度与精度，显著提升收敛速度。该方法在Hubbard模型和小分子中验证，表现出优越的性能，提供了一种低参数、高效率的变分态制备方案。创新点在于用简单的哈密顿项旋转替代复杂的费米子激发，极大简化电路设计。
方法详解
- �� 构建变分态：通过旋转哈密顿量的项，形成参数化的变分态。
- �� 参数优化：利用经典算法（如Powell方法）调节旋转角度，最小化能量。
- �� Trotter分解：采用二阶Trotter-Suzuki方法，将非交换项的演化逼近为短电路。
- �� 逐步优化：结合逐步目标，避免局部极小值，提升收敛速度。
- �� 结合经典模拟：用数值模拟指导参数初始化，减少搜索空间。
- �� 测量策略：将哈密顿量拆分为可同时测量的集合，降低测量成本。
实验设计
在最大12格点的Hubbard模型中，通过数值模拟验证能量误差和重叠度，比较UCC和哈密顿变分策略的收敛速度。采用不同参数步数和优化策略，评估电路深度与精度的关系。还在小分子如H2O和LiH上测试，分析测量样本数和电路深度的影响。模拟中考虑了经典优化的稳定性和收敛性，验证了方法的实用潜力。
结果分析
在12格点模型中，能量误差降至1.5×10^-2，重叠度超过96%，比UCC快30%。在化学分子中，测量样本虽大，但电路深度低，适合短门电路实现。逐步优化策略显著提升了收敛速度和稳定性，减少了参数数量，展现出优越的实用性。模拟结果表明，该方法在有限资源下能实现高精度态制备，为中小型量子硬件提供了可行方案。
应用场景
该变分策略适用于量子模拟中的多体系统，尤其是紧耦合模型如Hubbard和化学分子。可在无误差校正的短门电路上实现，适合中小型量子硬件。未来可结合误差缓解技术，拓展到更复杂系统，为材料科学、化学反应模拟提供高效工具。
局限与展望
测量样本数极大，实际硬件实现仍受限。电路深度在大系统中可能超出短门范围。参数优化依赖经典模拟，易陷入局部极小值。未来需优化测量策略和电路设计，提升实用性。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭，要准备一道复杂的菜肴。传统做法需要很多调料和步骤，耗时且容易出错。现在，有一种新方法，就像用一种特别的调料，只需少量调味，就能让菜变得美味。这种调料就是“哈密顿量旋转”，通过调节少量参数，就能快速调整菜的味道，达到理想效果。这个方法比传统的调味方法简单得多，也更快。科学家用它来模拟复杂的材料和分子，就像厨师用新调料做出美味佳肴一样。虽然还需要很多尝试，但未来它可能让我们用更少的时间和资源，做出更复杂、更精细的“菜肴”，比如新材料或药物。
原文摘要
The preparation of quantum states using short quantum circuits is one of the most promising near-term applications of small quantum computers, especially if the circuit is short enough and the fidelity of gates high enough that it can be executed without quantum error correction. Such quantum state preparation can be used in variational approaches, optimizing parameters in the circuit to minimize the energy of the constructed quantum state for a given problem Hamiltonian. For this purpose we propose a simple-to-implement class of quantum states motivated by adiabatic state preparation. We test its accuracy and determine the required circuit depth for a Hubbard model on ladders with up to 12 sites (24 spin-orbitals), and for small molecules. We find that this ansatz converges faster than previously proposed schemes based on unitary coupled clusters. While the required number of measurements is astronomically large for quantum chemistry applications to molecules, applying the variational approach to the Hubbard model (and related models) is found to be far less demanding and potentially practical on small quantum computers. We also discuss another application of quantum state preparation using short quantum circuits, to prepare trial ground states of models faster than using adiabatic state preparation.