# Trotterization 与哈密顿量模拟详解：从乘积公式到最优模拟

哈密顿量模拟是量子计算最原始、最核心的应用之一：给定物理系统的哈密顿量 $H$，在量子计算机上实现时间演化算符 $U(t) = e^{-iHt}$。Trotterization（Trotter 分解，又称乘积公式，product formula）是实现这一目标最直观、最广泛使用的方法。它将 $e^{-iHt}$ 分解为一系列更简单的酉操作的乘积，并具有可证明的误差界。本教程给出其一阶与二阶误差界的完整推导：从 Baker–Campbell–Hausdorff 展开逐项配平系数开始，到多因子归纳、误差累积的望远镜估计，最后逐个重算数值例子。

## 问题背景

量子力学的核心方程是薛定谔方程：

$$i \frac{d}{dt}|\psi(t)\rangle = H|\psi(t)\rangle$$

其形式解 $|\psi(t)\rangle = e^{-iHt}|\psi(0)\rangle$ 将系统在时间 $t$ 的状态表达为对初始态施加酉算符 $e^{-iHt}$。

**为什么需要量子模拟？**

对 $n$ 量子比特系统，$H$ 是 $2^n \times 2^n$ 矩阵。经典计算 $e^{-iHt}|\psi\rangle$ 需要 $O(2^n)$ 存储和 $O(2^{3n})$ 运算（矩阵指数），对 $n = 50$ 已不可行。量子计算机以 $n$ 个量子比特直接编码 $|\psi\rangle$，避免了指数存储。

**为什么不能直接实现 $e^{-iHt}$？**

量子计算机只能执行量子门——小维度的酉操作。$H$ 通常不是单个门可直接实现的，而是多个局部项之和 $H = \sum_{k=1}^{L}\alpha_k H_k$，各项 $H_k$（例如泡利字符串）往往不对易，因此 $e^{-iHt} \neq \prod_k e^{-i\alpha_k H_k t}$。Trotterization 的全部内容就是量化这个不等式两边的差距，并用"切成小步、反复迭代"把差距压到任意精度以内。

## 核心思想：Trotter 公式

### Lie–Trotter 乘积公式（一阶）

**定理（Lie–Trotter 乘积公式）**：对有界算符 $A, B$，

$$e^{(A+B)t} = \lim_{r \to \infty} \left( e^{At/r} e^{Bt/r} \right)^r .$$

该极限公式在算子半群理论中由 Trotter（1959）证明（Kato 随后推广），量子情形的应用由 Lloyd（1996）给出。值得注意的是，我们将在"理论推导"一节中得到的误差界 $\|e^{-iHt} - S_1(t)\| = O(t^2/r)$ 本身就是该极限定理对有界算符的一个构造性证明：误差随 $r\to\infty$ 趋于零。

将总时间 $t$ 切成 $r$ 个时间步 $\delta = t/r$，每步内依次施加各项的演化，得到一阶 Trotter 电路

$$S_1(t) = \left( \prod_{k=1}^{L} e^{-i\alpha_k H_k \delta} \right)^r, \qquad \delta = \frac{t}{r}.$$

**误差**：记

$$\Lambda_2 := \sum_{1\le i<j\le L} \big\| [H_i', H_j'] \big\|,\qquad H_k' := \alpha_k H_k,$$

则

$$\big\| e^{-iHt} - S_1(t) \big\| = O\!\left(\frac{\Lambda_2\, t^2}{r}\right) + O\!\left(\frac{\lambda^3 t^3}{r^2}\right),\qquad \lambda := \sum_{k=1}^{L}\|H_k'\| = \sum_{k=1}^{L}|\alpha_k| .$$

若用最大值形式 $C_2 := \max_{i,j}\|[H_i',H_j']\|$ 表述，则 $\Lambda_2\le\binom{L}{2}C_2 = O(L^2C_2)$，误差即为 $O(L^2C_2t^2/r)$——文献中常见的 $O(s^2t^2/r)$ 型估计里的 $s^2$（$s$ 为项数）正是来自 $\binom{s}{2}$ 个指标对：每个指标对贡献一个交换子。用 $\Lambda_2$ 本身（只对非零交换子求和）表述更为贴切，因为实际哈密顿量中绝大多数交换子为零。对泡利字符串分解还有实用的上界：$\|[H_i',H_j']\|\le2|\alpha_i\alpha_j|$（每项范数为 $|\alpha_k|$、乘积是范数为 $1$ 的泡利字符串），故

$$\Lambda_2 \;\le\; 2\sum_{i<j}|\alpha_i\alpha_j| \;=\; \lambda^2 - \sum_k\alpha_k^2 \;\le\; \lambda^2,$$

其中 $\lambda = \|\vec\alpha\|_1$ 正是 LCU 块编码的归一化常数（见块编码教程）。

### 二阶对称公式（Strang 分解）

二阶公式（对称 Trotter，又称 Strang 分解）为

$$S_2(t) = \prod_{k=1}^{L} e^{-i\alpha_k H_k \delta/2} \cdot \prod_{k=L}^{1} e^{-i\alpha_k H_k \delta/2}, \qquad \delta = \frac{t}{r},$$

其中第二半是第一半的逆序。注意相邻的两个 $e^{-i\alpha_LH_L\delta/2}$ 可以合并为 $e^{-i\alpha_LH_L\delta}$。**误差**：记

$$\Lambda_3 := \sum_{1\le i<j\le L}\;\sum_{k=1}^{L}\big\| \big[\,[H_i', H_j'], H_k'\,\big] \big\|,$$

则 $\|e^{-iHt} - S_2(t)\| = O(\Lambda_3t^3/r^2)$。推导见"理论推导"一节，其中我们会对二因子的情形给出显式的领先误差项。

### 高阶 Suzuki 公式

高阶公式按 Suzuki（1990）的分形递推构造。以 $S_2$ 为基础，对 $k\ge2$ 定义

$$S_{2k}(t) = \big[S_{2k-2}(p_k t)\big]^2\; S_{2k-2}\big((1-4p_k)\,t\big)\; \big[S_{2k-2}(p_k t)\big]^2,\qquad p_k = \frac{1}{4 - 4^{1/(2k-1)}} .$$

五个块的时间参数之和为 $2p_k + 2p_k + (1-4p_k) = 1$，即一整步；参数 $p_k$ 由"配平误差展开中 $t^{2k}$ 项系数为零"的待定系数法解出（Suzuki, 1990）。**误差**：以 $r$ 步 $\big(S_{2p}(t/r)\big)^r$ 模拟 $2p$ 阶公式时，

$$\big\|e^{-iHt} - S_{2p}(t)\big\| = O\!\left(\frac{\Lambda_{2p+1}\,t^{2p+1}}{r^{2p}}\right),$$

其中 $\Lambda_{2p+1}$ 是对 $2p+1$ 重嵌套交换子范数（只计非零者）的求和；最坏情形下指标元组多达 $L^{2p+1}$ 个。**代价**：每个 $S_{2p}$ 块包含 $5^{p-1}$ 个 $S_2$ 块，即 $2L\cdot5^{p-1}$ 个单指数因子，门数随阶数指数增长，因此实际中很少用到 $p>2$。

## 算法步骤详解

以二阶 Trotter 公式为例，完整流程如下。

### 第一步：哈密顿量分解

将 $H$ 写成局部项之和：

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

每个 $H_k$ 是一个可直接实现为量子门的局部算符：

- 泡利字符串：$H_k = \sigma_{i_1}^{(a_1)} \otimes \sigma_{i_2}^{(a_2)} \otimes \cdots$（$\sigma \in \{X, Y, Z\}$）；
- 每个泡利字符串的 $e^{-i\alpha_k H_k \delta}$ 可由 $O(n_k)$ 个 CNOT 门和单比特旋转实现（$n_k$ 为 $H_k$ 涉及的量子比特数）：权重为 $n_k$ 的泡利字符串需要 $2(n_k-1)$ 个 CNOT 加 1 个 $R_z$ 旋转（外加泡利基变换）。

### 第二步：选择时间步数 $r$

根据目标精度 $\varepsilon$ 与误差公式：

- 一阶：$r = O(\Lambda_2 t^2 / \varepsilon)$；
- 二阶：$r = O((\Lambda_3 t^3 / \varepsilon)^{1/2})$；
- $2p$ 阶：$r = O((\Lambda_{2p+1} t^{2p+1} / \varepsilon)^{1/(2p)})$。

### 第三步：构建量子电路

对每个时间步 $\delta = t/r$：

一阶电路：

```
e^{-iα₁H₁δ} ─ e^{-iα₂H₂δ} ─ ... ─ e^{-iα_LH_Lδ}
```

二阶电路（对称）：

```
e^{-iα₁H₁δ/2} ─ ... ─ e^{-iα_LH_Lδ/2} ─ e^{-iα_LH_Lδ/2} ─ ... ─ e^{-iα₁H₁δ/2}
```

注意第二半是逆序施加，这是"对称"（回文结构）的来源。回文结构不是装饰：下文的推导将说明它恰好使误差展开中的偶数阶项全部相消，是二阶公式精度的来源。

### 第四步：执行与测量

将电路施加到初始态 $|\psi(0)\rangle$，测量目标可观测量 $\langle O(t) \rangle = \langle\psi(t)|O|\psi(t)\rangle$。由谱范数误差 $\|e^{-iHt}-S(t)\|\le\varepsilon$ 可推出观测量的偏差不超过 $2\varepsilon\|O\|$。

## 理论推导

本节完整给出一阶与二阶误差界的推导。我们先建立三条引理（BCH 展开、多因子归纳、幂的望远镜估计），再逐步组装成定理；二阶的推导额外用到回文对称性。

### 引理一：BCH 展开到二阶

**引理 1**：对范数有限的算符 $X, Y$ 与小参数 $\delta$，

$$e^{X\delta}\,e^{Y\delta} = e^{(X+Y)\delta + \frac{1}{2}[X,Y]\,\delta^2 + R_3},\qquad \|R_3\| \le c\,(\|X\|+\|Y\|)^3\delta^3,$$

其中 $c$ 为绝对常数；$R_3$ 只含 $X, Y$ 的三重及更高重乘积（嵌套交换子）。

**证明**：将两端都展开到 $\delta^2$。左端：

$$e^{X\delta} = I + X\delta + \tfrac{1}{2}X^2\delta^2 + O(\|X\|^3\delta^3),\qquad e^{Y\delta} = I + Y\delta + \tfrac{1}{2}Y^2\delta^2 + O(\|Y\|^3\delta^3),$$

相乘并按 $\delta$ 的幂次收集（$O(\cdot)$ 项由矩阵范数的次乘性合并）：

$$e^{X\delta}e^{Y\delta} = I + (X+Y)\delta + \Big(\tfrac{1}{2}X^2 + XY + \tfrac{1}{2}Y^2\Big)\delta^2 + O\big((\|X\|+\|Y\|)^3\delta^3\big). \tag{1}$$

右端设为 $e^{\Omega}$，写 $\Omega = \Omega_1\delta + \Omega_2\delta^2 + O(\delta^3)$，则

$$e^{\Omega} = I + \Omega + \tfrac{1}{2}\Omega^2 + O(\delta^3) = I + \Omega_1\delta + \Big(\Omega_2 + \tfrac{1}{2}\Omega_1^2\Big)\delta^2 + O(\delta^3). \tag{2}$$

比对 (1)(2) 的 $\delta$ 项：$\Omega_1 = X+Y$。比对 $\delta^2$ 项并展开 $(X+Y)^2 = X^2 + XY + YX + Y^2$：

$$\Omega_2 = \tfrac{1}{2}X^2 + XY + \tfrac{1}{2}Y^2 - \tfrac{1}{2}(X^2 + XY + YX + Y^2) = \tfrac{1}{2}(XY - YX) = \tfrac{1}{2}[X,Y].$$

被舍弃的 $O(\delta^3)$ 项有显式形式：完整的 BCH 级数给出

$$\log(e^{X\delta}e^{Y\delta}) = (X+Y)\delta + \tfrac{1}{2}[X,Y]\delta^2 + \tfrac{\delta^3}{12}\big([X,[X,Y]] + [Y,[Y,X]]\big) + \cdots,$$

三阶项是两个三重嵌套交换子（利用 $[Y,[Y,X]] = -[Y,[X,Y]]$，也可写成 $\tfrac{\delta^3}{12}([X,[X,Y]] - [Y,[X,Y]])$），四阶及更高项类推。$\blacksquare$

### 引理二：多因子的一阶展开

**引理 2**：设 $H = \sum_{k=1}^{L}H_k'$（$H_k' = \alpha_kH_k$），$\delta>0$，则

$$\prod_{k=1}^{L} e^{-iH_k'\delta} = e^{-iH\delta + E_2},\qquad \|E_2\| \le \frac{\delta^2}{2}\Lambda_2 + c'\delta^3\Big(\sum_k\|H_k'\|\Big)^{3},$$

其中 $c'$ 为绝对常数，$\Lambda_2 = \sum_{i<j}\|[H_i',H_j']\|$。

**证明**：对 $L$ 归纳。$L=2$ 由引理 1 取 $X = -iH_1'$、$Y = -iH_2'$：此时 $[X,Y] = (-i)^2\delta^2[H_1',H_2'] = -\delta^2[H_1',H_2']$，故

$$\log\big(e^{-iH_1'\delta}e^{-iH_2'\delta}\big) = -i(H_1'+H_2')\delta - \tfrac{\delta^2}{2}[H_1',H_2'] + O(\delta^3),$$

即 $E_2 = -\frac{\delta^2}{2}[H_1',H_2'] + O(\delta^3)$，范数不超过 $\frac{\delta^2}{2}\|[H_1',H_2']\| + O(\delta^3)$。

归纳步：设 $\prod_{k<L}e^{-iH_k'\delta} = e^{-iH_{<L}\delta + E^{(L-1)}}$，$H_{<L} = \sum_{k<L}H_k'$，$\|E^{(L-1)}\|\le\frac{\delta^2}{2}\sum_{i<j<L}\|[H_i',H_j']\| + O(\delta^3)$。对

$$\Big(\prod_{k<L}e^{-iH_k'\delta}\Big)\,e^{-iH_L'\delta} = e^{A}e^{B},\qquad A = -iH_{<L}\delta + E^{(L-1)},\quad B = -iH_L'\delta$$

再次使用引理 1：$A + B = -iH\delta + E^{(L-1)}$，而

$$\tfrac{1}{2}[A,B] = \tfrac{1}{2}\big[-iH_{<L}\delta, -iH_L'\delta\big] + \tfrac{1}{2}\big[E^{(L-1)}, -iH_L'\delta\big] = -\tfrac{\delta^2}{2}[H_{<L}, H_L'] + O(\delta^3),$$

其中第二项的范数不超过 $\|E^{(L-1)}\|\cdot\|H_L'\|\delta = O(\delta^3)$（因 $E^{(L-1)} = O(\delta^2)$）。由于 $[H_{<L},H_L'] = \sum_{i<L}[H_i',H_L']$ 恰好补上所有含指标 $L$ 的新配对，归纳完成。$\blacksquare$

### 引理三：幂的望远镜估计

**引理 3**：(a) 设 $A, B$ 为压缩算符（$\|A\|,\|B\|\le1$），则 $\|A^r - B^r\|\le r\|A-B\|$。

(b)（指数的 Lipschitz 性）$e^{A} - e^{B} = \int_0^1 e^{(1-s)A}(A-B)e^{sB}\,\mathrm{d}s$，故 $\|e^{A}-e^{B}\|\le\|A-B\|e^{\max(\|A\|,\|B\|)}$。

**证明**：(a) 用恒等式 $A^r - B^r = \sum_{j=0}^{r-1}A^{\,r-1-j}(A-B)B^{\,j}$ 与 $\|A^{\,r-1-j}\|,\|B^{\,j}\|\le1$ 加三角不等式。(b) 对 $s\in[0,1]$ 求导可验证 $\frac{d}{ds}\big(e^{(1-s)A}e^{sB}\big) = e^{(1-s)A}(B-A)e^{sB}$，从 $0$ 到 $1$ 积分即得。$\blacksquare$

### 定理：一阶 Trotter 误差

**定理 1**：在引理 2 的记号下，设 $\delta = t/r$ 且 $\delta\|H\|\le1$、$\|E_2\|\le1$，则

$$\big\|e^{-iHt} - S_1(t)\big\| \;\le\; \frac{e^2}{2}\,\frac{\Lambda_2\,t^2}{r} + O\!\Big(\frac{\lambda^3t^3}{r^2}\Big).$$

**证明**：记 $A := e^{-iH\delta}$（酉）、$B := \prod_ke^{-iH_k'\delta}$（酉）。由引理 2 与引理 3(b)（取指数前算子 $-iH\delta$ 与 $-iH\delta+E_2$），在 $\delta\|H\|\le1$、$\|E_2\|\le1$ 时

$$\|A - B\| = \big\|e^{-iH\delta} - e^{-iH\delta+E_2}\big\| \le e^2\|E_2\| \le \frac{e^2\delta^2}{2}\Lambda_2 + O(\delta^3\lambda^3).$$

再由引理 3(a)（$A^r = e^{-iHt}$、$B^r = S_1(t)$）：

$$\|e^{-iHt} - S_1(t)\| \le r\|A-B\| \le \frac{e^2}{2}\Lambda_2\, r\delta^2 + O(r\delta^3\lambda^3) = \frac{e^2}{2}\,\frac{\Lambda_2t^2}{r} + O\!\Big(\frac{\lambda^3t^3}{r^2}\Big). \qquad\blacksquare$$

常数 $e^2/2\approx3.7$ 未加优化；重要的是结构：误差随 $r$ 以 $1/r$ 衰减、随 $t$ 以 $t^2$ 增长、且只通过交换子和 $\Lambda_2$ 依赖哈密顿量。取 $r\ge\Lambda_2t^2/\varepsilon$ 即可保证误差不超过 $\varepsilon$（吸收常数后）。

### 二阶公式的误差：回文结构的作用

二阶公式 $S_2(\delta) = \prod_{k=1}^Le^{-iH_k'\delta/2}\cdot\prod_{k=L}^1e^{-iH_k'\delta/2}$ 有两条关键性质。

**性质一（回文性）**：$S_2(-\delta) = S_2(\delta)^{-1}$。验证：把每个指数因子中的 $\delta$ 换成 $-\delta$，得到的序列等于原序列的逆（每个因子取逆且整体反序，而回文序列的反序仍是它自身）。因此 $\log S_2(\delta)$ 是 $\delta$ 的奇函数：误差指数中只出现 $\delta^3, \delta^5, \ldots$ 奇数次幂。

**性质二（$\delta^2$ 项相消）**：我们先对两因子情形做完整展开。令 $X := -iH_1'\delta$、$Y := -iH_2'\delta$，把对称公式写成 $e^{X/2}e^{Y}e^{X/2}$（相邻两个半步合并）。将三个因子展开到三阶：

$$e^{X/2} = I + \tfrac{X}{2} + \tfrac{X^2}{8} + \tfrac{X^3}{48} + O(\delta^4),\qquad e^{Y} = I + Y + \tfrac{Y^2}{2} + \tfrac{Y^3}{6} + O(\delta^4).$$

先乘前两个因子（$e^{X/2}e^Y$），再乘第三个（$\cdot e^{X/2}$），按字（word）收集三阶以内的系数，得

$$e^{X/2}e^{Y}e^{X/2} = I + (X+Y) + \Big(\tfrac{X^2}{2} + \tfrac{XY+YX}{2} + \tfrac{Y^2}{2}\Big) + C_3 + O(\delta^4), \tag{3}$$

其中二阶系数恰好是 $\frac{1}{2}(X+Y)^2$——与 $e^{X+Y}$ 的二阶系数完全一致，这就是二阶相消；三阶系数为（按乘积中实际出现的字列出，$YXY$ 字的系数为零）

$$C_3 = \tfrac{X^3}{6} + \tfrac{Y^3}{6} + \tfrac{X^2Y}{8} + \tfrac{YX^2}{8} + \tfrac{XY^2}{4} + \tfrac{Y^2X}{4} + \tfrac{XYX}{4}.$$

与 $e^{X+Y}$ 的三阶系数 $\frac{1}{6}(X+Y)^3 = \frac{1}{6}(X^3 + X^2Y + XYX + XY^2 + YX^2 + YXY + Y^2X + Y^3)$ 逐字比对，差为

$$D := C_3 - \tfrac{1}{6}(X+Y)^3 = -\tfrac{1}{24}X^2Y - \tfrac{1}{24}YX^2 + \tfrac{1}{12}XY^2 + \tfrac{1}{12}Y^2X + \tfrac{1}{12}XYX - \tfrac{1}{6}YXY .$$

利用 $[X,[X,Y]] = X^2Y - 2XYX + YX^2$ 与 $[Y,[X,Y]] = 2YXY - XY^2 - Y^2X$（两条都由定义直接展开可得），$D$ 恰好重组为

$$D = -\tfrac{1}{24}[X,[X,Y]] - \tfrac{1}{12}[Y,[X,Y]].$$

于是两因子的二阶公式满足精确到三阶的展开

$$\log\,S_2(\delta) = -i(H_1'+H_2')\,\delta \;-\; \frac{i\delta^3}{24}\Big(\big[H_1',[H_1',H_2']\big] + 2\big[H_2',[H_1',H_2']\big]\Big) + O(\delta^4), \tag{4}$$

（代换 $[X,[X,Y]] = i\delta^3[H_1',[H_1',H_2']]$ 等并注意 $(-i)^3 = i$。）特别地

$$\|E_3\| \le \frac{\delta^3}{24}\Big(\big\|[H_1',[H_1',H_2']]\big\| + 2\big\|[H_2',[H_1',H_2']]\big\|\Big) \le \frac{\delta^3}{8}\,\Lambda_3^{(2)},$$

其中 $\Lambda_3^{(2)} := \sum_k\|[[H_1',H_2'],H_k']\|$ 是单对版本的交换子和。

**一般 $L$ 项的论证**：记 $F(u) := \prod_{k=1}^Le^{-iH_k'u}$、$\tilde F(u) := \prod_{k=L}^1e^{-iH_k'u}$（反序），则 $S_2(\delta) = F(\delta/2)\,\tilde F(\delta/2)$。由引理 2（把步长换成 $u$），

$$\log F(u) = -iHu - \tfrac{u^2}{2}\Sigma_2 + O(u^3),\qquad \Sigma_2 := \sum_{i<j}[H_i',H_j'].$$

对反序乘积，引理 2 归纳证明中的每一个新配对 $(i,j)$ 的交换子项都反号（二因子情形直接可见：$\log(e^{-iH_2'u}e^{-iH_1'u}) = -iHu + \frac{u^2}{2}[H_1',H_2'] + O(u^3)$），故

$$\log\tilde F(u) = -iHu + \tfrac{u^2}{2}\Sigma_2 + O(u^3).$$

于是用引理 1 合并两段（$A = \log F(\delta/2)$、$B = \log\tilde F(\delta/2)$）：

$$\log S_2(\delta) = \underbrace{\big(-\tfrac{\delta^2}{8}\Sigma_2 + \tfrac{\delta^2}{8}\Sigma_2\big)}_{=\,0} + \tfrac{1}{2}[A,B] + O(\delta^3) = -iH\delta + O(\delta^3),$$

其中 $\frac12[A,B] = \frac12[-iH\delta/2 + O(\delta^2), -iH\delta/2 + O(\delta^2)] = O(\delta^3)$。$O(\delta^3)$ 中的误差项由嵌套交换子组成，可以写成 $\|E_3\|\le c\,\delta^3\Lambda_3$ 的形式（$c$ 为绝对常数；两因子情形 (4) 给出 $c\le\frac18$）。

**定理 2**：结合引理 3 与上式，与定理 1 相同的望远镜论证给出

$$\big\|e^{-iHt} - S_2(t)\big\| \;\le\; c\,\frac{\Lambda_3\,t^3}{r^2}. \qquad\blacksquare$$

由性质一，$\log S_2$ 只含奇数次幂，故 $r$ 步总误差的下一项是 $O(t^5/r^4)$ 而非朴素的 $O(t^4/r^3)$；标准分析只用到上面的 $t^3/r^2$ 项。取 $r\ge(c\Lambda_3t^3/\varepsilon)^{1/2}$ 即可保证精度。

### 交换子标度：现代误差分析

上面两条定理把误差写成交换子和 $\Lambda_2,\Lambda_3$ 的形式，但常数因子未经优化。Childs、Su、Tran、Wiebe 与 Zhu（2021）给出了系统的紧致分析，其主定理可陈述为：对 $p$ 阶乘积公式（反 Hermitian 的求和项 $-iH_k'$），加性误差与乘性误差都按

$$O\!\left(\frac{t^{p+1}}{r^{p}}\;\sum_{\gamma_1,\ldots,\gamma_{p+1}=1}^{L}\Big\|\big[H_{\gamma_{p+1}}',\big[\cdots\big[H_{\gamma_2}',H_{\gamma_1}'\big]\cdots\big]\Big]\Big\|\right)$$

标度，其中求和遍历全部（含重复指标的）$p+1$ 元组。他们的证明不直接截断 BCH 级数，而是用"相互作用图像 + 阶条件"的组合；对一阶与二阶，该界与最低阶 BCH 项在三角不等式意义下一致，因而是紧的。实践中最重要的性质是：求和只对非零的嵌套交换子有贡献。当各项之间的交换子大部分为零时（如近可积系统、只有近邻项作用的格点模型），误差远小于用最坏情形元组计数（$L^{p+1}$ 乘最大范数）估计的结果；下文例子一将给出具体的对比。

### 门复杂度

对 $L$ 项哈密顿量，每步 $S_1(\delta)$ 需 $L$ 个、$S_2(\delta)$ 需 $2L$ 个基本指数因子 $e^{-i\alpha_kH_k\delta}$；权重为 $n_k$ 的泡利字符串因子需 $O(n_k)$ 个门。总门数为

$$\text{Gates} = O\big(r\cdot L\cdot n_{\max}\big),\qquad n_{\max} = \max_k n_k .$$

代入最优步数：一阶 $O\big(Ln_{\max}\Lambda_2t^2/\varepsilon\big)$，二阶 $O\big(Ln_{\max}(\Lambda_3t^3/\varepsilon)^{1/2}\big)$，$2p$ 阶 $O\big(5^{p-1}Ln_{\max}(\Lambda_{2p+1}t^{2p+1}/\varepsilon)^{1/(2p)}\big)$。

## 具体例子

### 例子一：一维横场 Ising 链

$$H = -J \sum_{i=1}^{n-1} Z_i Z_{i+1} - h \sum_{i=1}^{n} X_i,\qquad n = 10,\ J = 1,\ h = 0.5,\ t = 1,\ \varepsilon = 0.01 .$$

**分解**：$L = (n-1) + n = 19$ 项：9 个 $ZZ$ 项（$A_i := -JZ_iZ_{i+1}$，2 量子比特）与 10 个 $X$ 项（$B_j := -hX_j$，1 量子比特）。$e^{iJZ_iZ_{i+1}\delta}$ 由 2 个 CNOT + 1 个 $R_z$（共 3 门）实现，$e^{ihX_j\delta}$ 由 1 个 $R_x$ 实现。

**交换子的显式计算**：利用 $Z_iX_i = iY_i$、$X_iZ_i = -iY_i$（不同站点对易），

$$[Z_iZ_{i+1}, X_j] = 2i\,Y_j\,(Z\text{ 串})\quad (j\in\{i, i+1\}),\qquad \|[A_i, B_j]\| = 2Jh = 1 .$$

非零配对只有"相邻"的 $(A_i, B_i)$ 与 $(A_i, B_{i+1})$，共 $2(n-1) = 18$ 对，故

$$\Lambda_2 = 18 \times 2Jh = 18 .$$

三阶嵌套交换子：对内对 $(A_i, B_i)$（$[A_i,B_i]\propto Y_iZ_{i+1}$），非零的第三项只有 $A_{i-1}, A_i, B_i$（分别共享站点 $i$ 或 $i+1$ 上反对易的泡利），范数依次为

$$\big\|[[A_i,B_i],A_{i-1}]\big\| = 4J^2h = 2,\qquad \big\|[[A_i,B_i],A_i]\big\| = 4J^2h = 2,\qquad \big\|[[A_i,B_i],B_i]\big\| = 4Jh^2 = 1,$$

例如 $[[A_i,B_i],A_i] = 4J^2h\,X_i$（逐项用 $[Y_i,Z_i] = 2iX_i$ 展开即可验证）。对内对 $(A_i,B_{i+1})$ 同理得 $2+2+1 = 5$。边界两对少一个 $A$ 型伙伴，故

$$\Lambda_3 = 18\times5 - 2\times2 = 86 .$$

**步数与门数**：

- 一阶：$r \ge \Lambda_2t^2/\varepsilon = 18/0.01 = 1800$ 步；每步 $9\times3 + 10\times1 = 37$ 个门，总计约 $1800\times37\approx6.7\times10^{4}$ 个门。
- 二阶：$r \ge (\Lambda_3t^3/\varepsilon)^{1/2} = \sqrt{86/0.01}\approx93$ 步；每步 $2\times37 = 74$ 个门，总计约 $93\times74\approx6.9\times10^{3}$ 个门。

**对比最坏情形计数**：若不看结构、把所有 $\binom{19}{3} = 969$ 个三元组都按最大范数 $4J^2h = 2$ 计入，会估计出 $\Lambda_3\gtrsim 2000$、$r\gtrsim450$——比按实际非零交换子求和的 93 大约五倍。这正是"交换子标度"分析的价值所在。

### 例子二：$H_2$ 分子

$H_2$ 在 STO-3G 基组、约 0.735 Å 键长下经 Jordan–Wigner 变换得到 4 量子比特、15 项的哈密顿量：1 个恒等项、4 个单 $Z$ 项、6 个 $ZZ$ 项、4 个权重为 4 的 $XXYY$ 型项。系数幅度（按典型顺序列出；正负号与具体指标排序不影响下文的范数估计）为

$$|g_1| = 0.8126,\quad \{0.1712\times2,\ 0.2228\times2\},\quad \{0.1659\times2,\ 0.1205\times2,\ 0.1743,\ 0.1661\},\quad 0.0453\times4 .$$

我们用泡利字符串的范数界 $\Lambda_2\le\lambda^2-\sum_kg_k^2$、$\Lambda_3\le4\cdot\frac{\lambda^2-\sum_kg_k^2}{2}\cdot\lambda$（其中 $\lambda = \sum_k|g_k|$，后者来自 $\sum_{i<j}\sum_k4|g_ig_jg_k| = 4\cdot\frac{\lambda^2-\sum g_k^2}{2}\cdot\lambda$）来估计。直接求和：

$$\lambda = 2.695\approx2.70,\qquad \sum_k g_k^2 = 0.968,\qquad \Lambda_2 \le 7.263 - 0.968 = 6.30,\qquad \Lambda_3 \le 4\times3.15\times2.695 \approx 34 .$$

取 $t = 1$、$\varepsilon = 10^{-3}$：

- 一阶：$r\ge6.30/10^{-3} = 6300$ 步；
- 二阶：$r\ge\sqrt{34/10^{-3}}\approx185$ 步。

门数估计：权重 4 的泡利字符串指数约 11 个门、权重 2 约 5 个、权重 1 约 2 个，每步（一阶）约 $4\times11 + 6\times5 + 4\times2 = 82$ 个门，故一阶总计约 $6300\times82\approx5\times10^{5}$ 个门，二阶约 $2\times185\times82\approx3\times10^{4}$ 个门。量子比特数为 $n = 4$（2 个空间轨道 $\times$ 2 自旋），且 Trotter 电路不需要任何辅助比特。

值得说明的是，上述 $\lambda$ 型界是非常保守的上界：该哈密顿量中所有 $Z$ 型项彼此对易，非零交换子只出现在 $Z$ 型项与 $XXYY$ 型项之间，真实的 $\Lambda_2,\Lambda_3$ 远小于上界，实际所需步数也更少。

### 例子三：横场 Ising 的实时演化

计算 $\langle Z_1(t)\rangle$，初态 $|+\rangle^{\otimes n}$（所有比特在 $X$ 本征态），参数沿用例子一（$n = 10$、$J = 1$、$h = 0.5$），模拟时长 $t = 5$，目标谱范数误差 $0.1$。

由例子一，$\Lambda_2 = 18$、$\Lambda_3 = 86$：

- 二阶：$r\ge(\Lambda_3t^3/0.1)^{1/2} = (86\times125/0.1)^{1/2} = \sqrt{107500}\approx328$ 步，步长 $\delta = 5/328\approx0.015$，门数约 $328\times74\approx2.4\times10^{4}$；
- 一阶：$r\ge\Lambda_2t^2/0.1 = 18\times25/0.1 = 4500$ 步。

物理直觉的对照：$J\gg h$ 时磁化强度以频率 $\sim2J = 2$ 振荡（自旋波），周期约 $\pi\approx3.14$。"分辨振荡"只要求 $\delta$ 远小于周期，即 $r\gg t/\pi\approx1.6$——这是很弱的约束；真正起约束作用的是上面的误差界。换一个角度说，仅凭"步长小于振荡周期"（例如 $r = 100$、$\delta = 0.05$）并不足以保证精度：按误差界，$r = 100$ 时谱范数误差约为 $\Lambda_3t^3/r^2 = 10750/10000\approx1.1$，并不小。分辨率的启发式论证与可证的误差界是两回事，后者才是选取 $r$ 的依据。

## Trotter 的局限性

### 误差累积

Trotter 误差随时间 $t$ 多项式增长（一阶 $t^2$、二阶 $t^3$），对长时间模拟（$t \gg 1$），所需步数 $r$ 增长迅速。

### 指数级高阶公式

$2p$ 阶公式每个时间步需要 $2L\cdot5^{p-1}$ 个指数因子，门数随阶数以 $5^{p}$ 指数增长；同时误差常数在最坏情形要对 $L^{2p+1}$ 个指标元组求和。高阶公式在实际中几乎不超出四阶。

### 与替代方法的对比

| 方法 | 步数 $r$ | 门数 | 后选择 | 可证明误差 |
|------|---------|------|--------|-----------|
| 一阶 Trotter | $O(\Lambda_2t^2/\varepsilon)$ | $O(rL)$ | 无 | 是 |
| 二阶 Trotter | $O((\Lambda_3t^3/\varepsilon)^{1/2})$ | $O(rL)$ | 无 | 是 |
| LCHS | — | $O(Ld e^{\|\alpha\|_1t})$ | 有 | 是 |
| Qubitization + QSP | — | $O((\lambda t+\log(1/\varepsilon))\cdot(Ln+C_{\mathrm{PREP}}))$ | 无 | 是 |

Qubitization + QSP（见本章相关教程）在精度依赖（$1/\varepsilon$ 对 $\log(1/\varepsilon)$）上严格优于 Trotter，是目前理论最优方法；Trotter 的优势在于结构简单、无需块编码与相位求解。

### 随机化 Trotter

近年提出的随机化方法（randomized Trotterization）通过随机排列每步中的项顺序，把最坏情况误差改进为平均情况误差，在某些场景下将步数减少常数因子；其分析与本教程的确定性界互补，此处从略。

## 总结

Trotterization 是量子模拟的基石方法。本教程完整展开了它的误差分析：BCH 展开的系数配平给出单步误差的交换子结构（引理 1、2），幂的望远镜估计（引理 3）把单步误差累积为总误差 $\frac{\Lambda_2t^2}{r}$（一阶）；二阶公式的回文对称性使 $\delta^2$ 项精确相消（两因子情形我们算出了完整的领先误差项 (4)），总误差为 $O(\Lambda_3t^3/r^2)$；高阶 Suzuki 公式以 $5^{p-1}$ 的门数代价换取 $O(t^{2p+1}/r^{2p})$ 的误差。误差常数中的项数平方因子（如 $O(s^2t^2/r)$ 中的 $s^2$）来自 $\binom{s}{2}$ 个指标对的交换子求和，而按实际非零交换子求和（交换子标度）能显著收紧估计。虽然在理论上已被 Qubitization + QSP 超越，但 Trotter 电路结构简单、无需后选择、实现难度低，在 NISQ 时代（特别是变分量子算法中）仍是实际最广泛使用的哈密顿量模拟方法。理解 Trotter 的误差结构（BCH 展开、交换子标度）也是理解更高级方法的基础。

---

**参考文献：**

1. Lloyd, S. (1996). *Universal quantum simulators.* Science, 273(5278), 1073-1078.
2. 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.
3. Suzuki, M. (1990). *Fractal decomposition of exponential operators with applications to many-body theories and Monte Carlo simulations.* Physics Letters A, 146(6), 319-323.
4. Childs, A. M., & Wiebe, N. (2012). *Hamiltonian simulation using linear combinations of unitary operations.* Quantum Information & Computation, 12(11-12), 901-924.
---

> 返回目录：[量子计算算法教程系列](https://chenzhaoyun.com/index.php/archives/54/)