LCHS（Linear Combination of Hamiltonian Simulation，哈密顿量线性组合模拟）是量子计算中处理复杂哈密顿量模拟的核心技术框架。它解决的核心问题是：如何高效模拟一个由多个非对易项之和构成的哈密顿量 $H = \sum_k \alpha_k H_k$ 的时间演化 $e^{-iHt}$。该方法在量子化学、材料模拟、量子场论等领域具有基础性意义。

问题背景：为什么需要 LCHS

在量子力学中，系统的演化由薛定谔方程支配：

$$i\hbar \frac{\partial}{\partial t}|\psi(t)\rangle = H|\psi(t)\rangle$$

其形式解为 $|\psi(t)\rangle = e^{-iHt/\hbar}|\psi(0)\rangle$。量子模拟的核心任务就是在量子计算机上实现酉算符 $U(t) = e^{-iHt}$。

在大多数物理和化学问题中，哈密顿量天然地写成多个项之和：

$$H = \sum_{k=1}^{L} \alpha_k H_k$$

其中各项 $H_k$ 是局部的、容易单独模拟的算符，$\alpha_k$ 是实系数。

关键难点：若各项 $H_k$ 不对易（即 $[H_i, H_j] \neq 0$），则：

$$e^{-iHt} = e^{-i(\alpha_1 H_1 + \alpha_2 H_2 + \cdots)t} \neq e^{-i\alpha_1 H_1 t} \cdot e^{-i\alpha_2 H_2 t} \cdots$$

即不能简单地将各项的演化相乘。这正是 LCHS 要解决的问题。

核心思想：线性组合与 LCU 技术

LCHS 的理论基石是线性组合酉操作（LCU, Linear Combination of Unitaries）。

基本观察

对任意复数 $\alpha_k$ 和酉算符 $U_k$，线性组合 $S = \sum_k \alpha_k U_k$ 一般不是酉算符，不能直接作为量子门执行。LCU 提供了一条”迂回”路径：将 $S$ 嵌入一个更大的酉操作中，通过后选择实现所需的效果。

LCU 的实现原理

令 $|\mathcal{A}\rangle$ 为一个辅助寄存器的量子态：

$$|\mathcal{A}\rangle = \frac{1}{\sqrt{\|\vec{\alpha}\|_1}} \sum_{k=1}^{L} \sqrt{|\alpha_k|} |k\rangle$$

其中 $\|\vec{\alpha}\|_1 = \sum_k |\alpha_k|$。定义酉算符：

$$\text{PREP} = \sum_{k} |k\rangle\langle k| \otimes U_k$$

作用在 $|\mathcal{A}\rangle|\psi\rangle$ 上：

$$\text{PREP}|\mathcal{A}\rangle|\psi\rangle = \frac{1}{\sqrt{\|\vec{\alpha}\|_1}} \sum_{k} \sqrt{|\alpha_k|} |k\rangle U_k |\psi\rangle$$

测量辅助寄存器并后选择投影到某个目标态（通常为 $|0\rangle$），系统坍缩到 $\propto S|\psi\rangle$。成功概率为：

$$P_{\text{success}} = \frac{\|S|\psi\rangle\|^2}{\|\vec{\alpha}\|_1^2}$$

LCHS 的数学框架

哈密顿量分解

令 $H = \sum_{k=1}^{L} \alpha_k H_k$，其中每个 $H_k$ 是一个可直接模拟的局部哈密顿量（如泡利字符串 $\sigma_X \otimes \sigma_Z \otimes I \otimes \sigma_Y$）。

泡利分解：任意 $n$-量子比特哈密顿量都可分解为 $4^n$ 个泡利字符串的线性组合：

$$H = \sum_{P \in \{I, X, Y, Z\}^{\otimes n}} \alpha_P P$$

实际中，物理哈密顿量通常是局部的，只需 $L = O(\text{poly}(n))$ 项。例如：

• 海森堡模型：$H = \sum_{\langle i,j\rangle} J_x X_i X_j + J_y Y_i Y_j + J_z Z_i Z_j + h\sum_i Z_i$
• 量子化学（第二量子化）：$H = \sum_{pq} h_{pq} a_p^\dagger a_q + \frac{1}{2}\sum_{pqrs} h_{pqrs} a_p^\dagger a_q^\dagger a_r a_s$
• 横场 Ising 模型：$H = -J\sum_{\langle i,j\rangle} Z_i Z_j - h\sum_i X_i$

第一阶 LCHS：Trotter-Suzuki 分解

最直接的 LCHS 方法是 Lie-Trotter 公式：

$$e^{-iHt} = e^{-i\sum_k \alpha_k H_k t} \approx \left(\prod_{k=1}^{L} e^{-i\alpha_k H_k t/r}\right)^r + O(r \cdot \|H\|^2 t^2 / r^2)$$

即把总时间 $t$ 切成 $r$ 个时间步，每步内依次施加各项的演化。

高阶 Suzuki 公式（阶数 $2p$）：

$$S_{2p}(t) = [S_{2(p-1)}(t/r)]^2 \cdot S_{2(p-1)}(-t/r) \cdot [S_{2(p-1)}(t/r)]^2$$

其中 $S_2(t) = \prod_{k=1}^{L} e^{-i\alpha_k H_k t/2} \cdot \prod_{k=L}^{1} e^{-i\alpha_k H_k t/2}$。

$2p$ 阶公式的误差为 $O(t^{2p+1}/r^{2p})$，但每步需要的门数随 $p$ 指数增长。

第二阶 LCHS：线性组合方法

Trotter 分解的门数随项数 $L$ 线性增长（每步需 $L$ 个门）。LCHS 的线性组合方法将门数降至与 $L$ 无关，代价是需要后选择。

构造：对每个 $H_k$，用 Lie-Trotter-Suzuki 方法构造酉近似 $U_k(t) \approx e^{-iH_k t}$。则：

$$e^{-iHt} \approx \sum_k \alpha_k U_k(t)$$

在一阶近似下（$e^{-iHt} \approx I - iHt + O(t^2)$），线性组合 $\sum_k \alpha_k U_k(t)$ 精确捕获了一阶项。

实现流程（LCU 框架）：

1. PREP：制备辅助寄存器 $|\mathcal{A}\rangle = \frac{1}{\sqrt{A}} \sum_k \sqrt{|\alpha_k|} |k\rangle$
2. SELECT：受控地执行 $\sum_k |k\rangle\langle k| \otimes \text{sgn}(\alpha_k) U_k$
3. PREP$^\dagger$：逆向制备，测量辅助寄存器

成功后效果等价于施加 $S = \frac{1}{A} \sum_k \alpha_k U_k$。

递归 LCHS（黑盒时间演化）

Childs 和 Wiebe（2012）提出了更通用的 LCHS 框架：给定对任意 $H_k$ 的哈密顿量模拟预言机，实现 $e^{-iHt}$ 到精度 $\varepsilon$。

关键构造：将 $e^{-iHt}$ 表示为 LCU：

$$e^{-iHt} = \sum_{j=0}^{\infty} \frac{(-it)^j}{j!} H^j$$

截断到 $d$ 阶，并将 $H^j$ 展开为 $H_{k_1} H_{k_2} \cdots H_{k_j}$ 的和：

$$e^{-iHt} \approx \sum_{j=0}^{d} \frac{(-it)^j}{j!} \sum_{k_1, \ldots, k_j = 1}^{L} \alpha_{k_1} \cdots \alpha_{k_j} H_{k_1} \cdots H_{k_j}$$

每个乘积 $H_{k_1} \cdots H_{k_j}$ 不必是酉算符，但可写成酉算符的线性组合。递归应用 LCU，最终分解为可直接模拟的基本酉操作。

算法步骤详解

以标准 LCHS（非递归版，即 LCU + Taylor 展开）为例，模拟 $e^{-iHt}$ 到精度 $\varepsilon$：

第一步：选择截断阶数 $d$

Taylor 展开的截断误差：

$$\left\| e^{-iHt} - \sum_{j=0}^{d} \frac{(-iHt)^j}{j!} \right\| \le \frac{(e\|H\|t)^d}{(d+1)!}$$

取 $d = O(\|H\|t + \log(1/\varepsilon))$，误差小于 $\varepsilon/2$。

第二步：展开 $H^j$

$$H^j = \left(\sum_{k=1}^{L} \alpha_k H_k\right)^j = \sum_{\vec{k} \in [L]^j} \alpha_{k_1} \cdots \alpha_{k_j} H_{k_1} \cdots H_{k_j}$$

对每个长度为 $j$ 的序列 $\vec{k} = (k_1, \ldots, k_j)$，对应的贡献为：

$$\mu(\vec{k}) = \frac{(-it)^j}{j!} \prod_{l=1}^{j} \alpha_{k_l}$$

总共有 $\sum_{j=0}^{d} L^j \approx L^d$ 个序列，但 LCU 使我们不需要逐一处理。

第三步：构造 LCU 的 PREP 操作

辅助寄存器需编码所有序列 $\vec{k}$ 及其系数。定义：

$$|\mathcal{A}\rangle = \frac{1}{\sqrt{\mu_{\text{tot}}}} \sum_{j=0}^{d} \sum_{\vec{k} \in [L]^j} \sqrt{|\mu(\vec{k})|} |j, \vec{k}\rangle$$

其中 $\mu_{\text{tot}} = \sum_{j,\vec{k}} |\mu(\vec{k})|$。

$\mu_{\text{tot}}$ 的上界为：

$$\mu_{\text{tot}} \le \sum_{j=0}^{d} \frac{(\|\vec{\alpha}\|_1 t)^j}{j!} \le e^{\|\vec{\alpha}\|_1 t}$$

第四步：构造 SELECT 操作

$$\text{SELECT} = \sum_{j=0}^{d} \sum_{\vec{k}} |j,\vec{k}\rangle\langle j,\vec{k}| \otimes \text{sgn}(\mu(\vec{k})) \cdot \text{sgn}(-i)^j \cdot H_{k_1} H_{k_2} \cdots H_{k_j}$$

每个 $H_{k_l}$ 是一个可模拟的酉算符，$H_{k_1} \cdots H_{k_j}$ 是其复合酉操作，可直接执行。

第五步：后选择

在 PREP-SELECT-PREP$^\dagger$ 之后，测量辅助寄存器投影到 $|0,\text{vac}\rangle$（“真空”态），成功概率：

$$P_{\text{success}} \ge \frac{1}{\mu_{\text{tot}}} \ge e^{-\|\vec{\alpha}\|_1 t}$$

因此需重复 $O(e^{\|\vec{\alpha}\|_1 t})$ 次。当 $\|H\|t$ 较大时，这是指数级开销——但对短时间演化或 $\|H\|$ 较小的问题，这是可行的。

理论推导

LCU 成功概率的推导

定理：设 $S = \sum_k \alpha_k U_k$，辅助态 $|\mathcal{A}\rangle = \frac{1}{\sqrt{A}}\sum_k \sqrt{|\alpha_k|}|k\rangle$（$A = \|\vec{\alpha}\|_1$），$\text{SELECT} = \sum_k |k\rangle\langle k| \otimes \text{sgn}(\alpha_k) U_k$。则：

$$\langle 0|_{\text{aux}} \cdot \text{PREP}^\dagger \cdot \text{SELECT} \cdot \text{PREP} \cdot |0\rangle_{\text{aux}} = \frac{S}{A}$$

证明：

$$\text{PREP} |0\rangle |\psi\rangle = \frac{1}{\sqrt{A}} \sum_k \sqrt{|\alpha_k|} |k\rangle |\psi\rangle$$

$$\text{SELECT} \cdot \text{PREP} |0\rangle |\psi\rangle = \frac{1}{\sqrt{A}} \sum_k \sqrt{|\alpha_k|} |k\rangle \cdot \text{sgn}(\alpha_k) U_k |\psi\rangle$$

$$= \frac{1}{\sqrt{A}} \sum_k \frac{\alpha_k}{\sqrt{|\alpha_k|}} |k\rangle U_k |\psi\rangle$$

投影到 $|0\rangle$（辅助寄存器）：

$$\langle 0| \cdot \text{PREP}^\dagger \cdot \text{SELECT} \cdot \text{PREP} |0\rangle |\psi\rangle$$

由于 $\langle 0| \text{PREP}^\dagger = \frac{1}{\sqrt{A}} \sum_k \sqrt{|\alpha_k|} \langle k|$，内积为：

$$\frac{1}{A} \sum_k |\alpha_k| \cdot \text{sgn}(\alpha_k) U_k |\psi\rangle = \frac{1}{A} \sum_k \alpha_k U_k |\psi\rangle = \frac{S}{A} |\psi\rangle \qquad \blacksquare$$

成功概率 $\|S|\psi\rangle\|^2 / A^2$，对单位向量 $|\psi\rangle$ 且 $\|S\| = 1$ 时约为 $1/A^2$。

Taylor 截断误差

引理：对任意矩阵 $M$，$\left\| e^M - \sum_{j=0}^{d} \frac{M^j}{j!} \right\| \le \frac{\|M\|^{d+1}}{(d+1)!} e^{\|M\|}$。

证明：矩阵指数的余项：

$$R_d = \sum_{j=d+1}^{\infty} \frac{M^j}{j!}$$

$$\|R_d\| \le \sum_{j=d+1}^{\infty} \frac{\|M\|^j}{j!} = \frac{\|M\|^{d+1}}{(d+1)!} \sum_{l=0}^{\infty} \frac{\|M\|^l (d+1)!}{(d+1+l)!}$$

由于 $(d+1)!/(d+1+l)! \le 1$，得 $\|R_d\| \le \frac{\|M\|^{d+1}}{(d+1)!} e^{\|M\|}$。

取 $M = -iHt$，$\|M\| = \|H\|t$。为使 $\|R_d\| \le \varepsilon$，需：

$$\frac{(\|H\|t)^{d+1}}{(d+1)!} e^{\|H\|t} \le \varepsilon$$

利用 Stirling 近似 $(d+1)! \approx \sqrt{2\pi(d+1)} ((d+1)/e)^{d+1}$，解得 $d = O(\|H\|t + \log(1/\varepsilon))$。

门复杂度

单次 LCHS 迭代的门数：

总门数（含重复）：

$$O\left(e^{\|\vec{\alpha}\|_1 t} \cdot d \cdot (L + C_{H_k})\right)$$

具体例子

横场 Ising 模型

一维横场 Ising 模型，$n$ 个量子比特，周期边界条件：

$$H = -J \sum_{i=1}^{n} Z_i Z_{i+1} - h \sum_{i=1}^{n} X_i$$

分解为 $L = 2n$ 项，每项是 $Z_i Z_{i+1}$ 或 $X_i$，系数为 $-J$ 或 $-h$。

$\|\vec{\alpha}\|_1 = n(J + h)$，$C_{H_k} = O(1)$（每个泡利字符串可由常数个 CNOT 门和单比特门实现）。

LCHS 实现：

1. PREP 制备辅助态：$\frac{1}{\sqrt{n(J+h)}} \sum_{i} \left(\sqrt{J} |Z_i Z_{i+1}\rangle + \sqrt{h} |X_i\rangle\right)$
2. SELECT 受控执行对应的泡利旋转
3. 后选择

对 $J = h = 1$，$n = 10$，$\|\vec{\alpha}\|_1 = 20$。取 $t = 0.1$，$e^{20 \times 0.1} \approx e^2 \approx 7.4$，约需 8 次重复，完全可行。

量子化学：$H_2$ 分子

$H_2$ 分子在 STO-3G 基组下，经 Jordan-Wigner 变换后：

$$H = g_0 I + g_1 Z_0 + g_2 Z_1 + g_3 Z_0 Z_1 + g_4 X_0 X_1 Y_2 Y_3 + g_5 X_0 Y_1 Y_2 X_3 + g_6 Y_0 X_1 X_2 Y_3 + g_7 Y_0 Y_1 X_2 X_3$$

共 $L = 8$ 项（含恒等项），$\|\vec{\alpha}\|_1 \approx 3.5$（哈特里单位）。取 $t = 1$，$e^{3.5} \approx 33$，约需 33 次后选择重复，在近期量子设备上可行。

与其他方法的对比

LCHS 的独特优势：

1. 可证明的误差界：不像 Trotter 只有渐近估计，LCHS 的误差可精确控制
2. 门数与 $L$ 的关系灵活：可权衡后选择概率与门数
3. 与 QPE 自然结合：LCHS 是量子相位估计中哈密顿量模拟的标准子程序

LCHS 在量子算法中的角色

LCHS 不仅是独立的模拟工具，更是多个重要量子算法的内部组件：

量子相位估计（QPE）

QPE 要求实现 $e^{iHt}$ 的受控版本。LCHS 提供了构造受控 $e^{-iHt}$ 的标准方法，被用于：

• 量子化学基态能量计算
• 量子机器学习中的矩阵求逆（HHL 算法的核心步骤）

Hamilton-Jacobi 方程与量子优化

LCHS 可用于模拟虚时间演化 $e^{-H\tau}$（非酉操作），通过 Wick 旋转 $t \to -i\tau$ 将其转化为酉演化 $e^{-i(-iH\tau)}$ 的 LCU 实现，用于：

• 变分量子本征求解器（VQE）的启发式改进
• 绝热量子计算的加速

量子场论模拟

格点规范理论中的哈密顿量天然具有 $H = \sum_k \alpha_k H_k$ 结构（各项对应不同的格点相互作用），LCHS 是标准的模拟工具。

当前进展与开放问题

已解决的关键问题

开放问题

1. 后选择开销的消除：能否在不损失精度的条件下消除后选择？QSVT 方向给出了部分答案，但完全消除仍是开放问题。

2. 时变哈密顿量：对 $H(t)$ 依赖时间的情况，LCHS 的直接推广面临概念和技术挑战。

3. 无限维系统：连续变量系统（量子场论）的 LCHS 需要额外的截断和离散化，其系统误差分析仍在发展中。

总结

LCHS 框架为量子模拟提供了系统、可证明、灵活的方法论。它将”如何模拟 $e^{-iHt}$”这一核心问题转化为三个可独立优化的子问题：哈密顿量分解、酉操作制备（PREP）、受控酉选择（SELECT），并以 LCU 和后选择为统一机制将它们组合起来。

理解 LCHS 不仅是掌握量子模拟技术的关键，也为理解 QSVT 等更现代的统一框架提供了必要的直觉。在近期量子设备（NISQ）上，低阶 LCHS 结合变分方法是最具实用前景的模拟策略之一。

参考文献：

1. Childs, A. M., & Wiebe, N. (2012). Hamiltonian simulation using linear combinations of unitary operations. Quantum Information & Computation, 12(11-12), 901-924.
2. Berry, D. W., Childs, A. M., Cleve, R., Kothari, R., & Somma, R. D. (2015). Simulating Hamiltonian dynamics with a truncated Taylor series. Physical Review Letters, 114(9), 090502.
3. Gilyén, A., Su, Y., Low, G. H., & Wiebe, N. (2019). Quantum singular value transformation and beyond. STOC 2019.
4. Childs, A. M., Su, Y., Tran, M. C., Wiebe, N., & Zhu, S. (2021). Theory of Trotter error with commutator scaling. Physical Review X, 11(1), 011020.