LCHS 算法详解：哈密顿量线性组合模拟

LCHS（Linear Combination of Hamiltonian Simulation，哈密顿量线性组合模拟）由 An、Liu 与 Lin 于 2023 年提出。它的出发点是一个出人意料的数学恒等式：一大类非酉演化算符可以精确地写成一族酉哈密顿量模拟问题对实参数 \(k\) 的积分，积分权重恰好是 Cauchy–Lorentz 概率密度 \(\frac{1}{\pi(1+k^2)}\)。把这个恒等式与 LCU（Linear Combination of Unitaries，线性组合酉操作）技术结合，我们就得到了模拟一般非酉线性动力学的系统方法。本教程给出该恒等式的完整推导、离散化方案、后选择成功概率与复杂度的完整推导链，并回顾作为其历史前身的 LCU 类酉模拟方法。

问题背景：从酉模拟到非酉动力学

哈密顿量分解与不对易困难

在量子力学中，封闭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 \(|\psi(t)\rangle = e^{-iHt/\hbar}|\psi(0)\rangle\)。以下我们取 \(\hbar = 1\)。哈密顿量模拟的核心任务，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（如泡利字符串），\(\alpha_k\) 是实系数。若各项不对易（即存在 \([H_i, H_j] \neq 0\)），则 \(e^{-iHt} \neq \prod_k e^{-i\alpha_k H_k t}\)。我们把两侧都展开到 \(t\) 的二阶来确认这一点。左侧为

\[e^{-i(H_1+H_2)t} = I - i(H_1+H_2)t - \frac{t^2}{2}(H_1+H_2)^2 + O(t^3),\]

右侧（取两项情形）为

\[e^{-iH_1t}e^{-iH_2t} = \Big(I - iH_1t - \frac{t^2}{2}H_1^2\Big)\Big(I - iH_2t - \frac{t^2}{2}H_2^2\Big) + O(t^3) = I - i(H_1+H_2)t - \frac{t^2}{2}\big(H_1^2 + H_1H_2 + H_2^2\big) + O(t^3).\]

两个展开式的二阶项之差为 \(\frac{t^2}{2}(H_1H_2 - H_2H_1) = \frac{t^2}{2}[H_1, H_2]\)，它只在 \(H_1\) 与 \(H_2\) 对易时为零。这正是 Trotter 误差与交换子缩放（commutator scaling）的来源，也是本系列教程中乘积公式一文讨论的主题。常用的哈密顿量分解包括：

  • 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（第二量化化）：\(H = \sum_{pq} h_{pq} a_p^\dagger a_q + \frac{1}{2}\sum_{pqrs} h_{pqrs} a_p^\dagger a_q^\dagger a_r a_s\)；

  • 横场 Ising 模型：\(H = -J\sum_{\langle i,j\rangle} Z_i Z_j - h\sum_i X_i\)。

非酉动力学为什么困难

科学计算中的大量问题并不具有酉演化形式。考虑线性常微分方程组

\[\frac{\partial u}{\partial t} = -A(t)u + b(t),\qquad u(0) = u_0,\]

其中 \(A(t) \in \mathbb{C}^{N\times N}\) 是一般矩阵，\(b(t)\) 是源项。当 \(b = 0\) 且 \(A\) 与时间无关时，解为 \(u(t) = e^{-At}u_0\)。此时 \(A\) 的特征值可能是复数，特征向量可能不正交，甚至 \(A\) 本身可能不可对角化，因此基于谱映射定理（spectral mapping theorem）的一整套技术——QSP、QSVT、Qubitization——无法直接对 \(e^{-At}\) 施用。把问题化归为大型线性方程组（QLSP）再求解虽然可行，但态制备开销大、复杂度分析繁琐。

LCHS 给出第三条路：不经过谱映射，直接把 \(e^{-At}\) 拆成一系列哈密顿量模拟问题（每个都是幺正演化）的线性组合，再用 LCU 实现这个线性组合。与本章薛定谔化（Schrödingerization）教程相比较，两者共享同一组傅里叶恒等式与同一正性条件，我们在文末给出对照。

预备知识：LCU 技术

LCU 是本章多个算法共同的基础设施，这里按本仓库统一的记号回顾。

PREP 与 SELECT

设目标算符是酉算符的线性组合 \(S = \sum_{k=1}^{L}\alpha_k U_k\)（\(\alpha_k \in \mathbb{C}\)，符号可以吸收进 \(U_k\)，以下设 \(\alpha_k \ge 0\)）。记一范数

\[\lambda := \|\vec\alpha\|_1 = \sum_{k=1}^{L}\alpha_k \;\ge\; \|S\|,\]

其中不等号由三角不等式与 \(\|U_k\| = 1\) 得到。我们使用两个酉操作：

\[\text{PREP}\,|0\rangle^{\otimes m_a} = |\mathcal{A}\rangle := \frac{1}{\sqrt{\lambda}}\sum_{k=1}^{L}\sqrt{\alpha_k}\,|k\rangle,\qquad m_a = \lceil\log_2 L\rceil,\]
\[\text{SELECT} = \sum_{k=1}^{L}|k\rangle\langle k|\otimes U_k .\]

注意 \(|\mathcal{A}\rangle\) 是归一化的，因为其振幅平方和为 \(\sum_k\alpha_k/\lambda = 1\)。

LCU 引理与后选择成功概率

定理（LCU 引理）：令 \(W = (\text{PREP}^\dagger\otimes I)\cdot\text{SELECT}\cdot(\text{PREP}\otimes I)\)，则对任意态 \(|\psi\rangle\)，

\[W\,|0\rangle^{\otimes m_a}|\psi\rangle = \frac{1}{\lambda}|0\rangle^{\otimes m_a}\,S|\psi\rangle + |\perp\rangle,\]

其中 \(|\perp\rangle\) 与辅助子空间正交。因此，测量辅助寄存器并后选择（post-selection）结果 \(|0\rangle^{\otimes m_a}\)，系统寄存器以概率

\[P_{\text{success}} = \frac{\|S|\psi\rangle\|^2}{\lambda^2}\]

坍缩到归一化态 \(\propto S|\psi\rangle\)。

证明：我们逐步展开。第一步，PREP 作用于辅助寄存器：

\[\text{PREP}|0\rangle|\psi\rangle = \frac{1}{\sqrt{\lambda}}\sum_k\sqrt{\alpha_k}\,|k\rangle|\psi\rangle.\]

第二步，SELECT 按基矢分支作用：

\[\text{SELECT}\cdot\text{PREP}|0\rangle|\psi\rangle = \frac{1}{\sqrt{\lambda}}\sum_k\sqrt{\alpha_k}\,|k\rangle\,U_k|\psi\rangle.\]

第三步，再作用 \(\text{PREP}^\dagger\)。由于 \(\langle 0|^{\otimes m_a}\text{PREP}^\dagger = \langle\mathcal{A}| = \frac{1}{\sqrt{\lambda}}\sum_k\sqrt{\alpha_k}\langle k|\)，辅助寄存器投影到 \(|0\rangle^{\otimes m_a}\) 的分量为

\[\frac{1}{\lambda}\sum_k\alpha_k\,U_k|\psi\rangle = \frac{S|\psi\rangle}{\lambda},\]

其余分量张成与 \(|0\rangle^{\otimes m_a}\) 正交的子空间，记作 \(|\perp\rangle\)。证毕。

后选择成功的概率等于目标分量的范数平方：\(P_{\text{success}} = \frac{\|S|\psi\rangle\|^2}{\lambda^2}\)。若直接重复制备，期望重复次数为 \(O(\lambda^2/\|S|\psi\rangle\|^2)\)；若使用振幅放大（amplitude amplification），则只需 \(O(\lambda/\|S|\psi\rangle\|)\) 次对 \(W\) 与初态制备的调用。等价地说，\(W\) 是 \(S\) 的 \((\lambda, m_a, 0)\)-块编码（block encoding），这把它与本章块编码、Qubitization 教程衔接起来（在那里行走算符写作 \(W' = U_A\cdot R_0\)，与本文的 LCU 形式相差一个 PREP 共轭）。

历史视角：LCU 用于酉模拟的 Taylor 级数方法

在 LCHS 出现之前，"用线性组合实现哈密顿量模拟"指的是 Childs–Wiebe（2012）与 Berry 等（2015）的 Taylor 截断方法，它处理的是酉目标 \(e^{-iHt}\)。我们把它作为历史背景完整推导一遍，因为它与 LCHS 共享 LCU 机制，且后选择分析是同一个推导链。

第一步：Taylor 展开。矩阵指数的级数绝对收敛：

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

第二步：展开幂次。将 \(H = \sum_{k=1}^L\alpha_kH_k\) 代入 \(H^j\) 并按多元指标 \(\vec k = (k_1,\ldots,k_j)\in[L]^j\) 展开：

\[H^j = \sum_{\vec k\in[L]^j}\alpha_{k_1}\cdots\alpha_{k_j}\,H_{k_1}\cdots H_{k_j},\]

于是 \(e^{-iHt} = \sum_{j,\vec k}\mu(\vec k)\,H_{k_1}\cdots H_{k_j}\)，其中系数

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

携带相位 \((-i)^j\) 与 \(\mathrm{sgn}(\alpha_k)\) 因子，可以吸收进受控酉的定义。

第三步：截断误差。对任意矩阵 \(M\)，矩阵指数级数的余项满足

\[\Big\|e^{M} - \sum_{j=0}^{d}\frac{M^j}{j!}\Big\| = \Big\|\sum_{j=d+1}^{\infty}\frac{M^j}{j!}\Big\| \le \sum_{j=d+1}^{\infty}\frac{\|M\|^j}{j!} = \frac{\|M\|^{d+1}}{(d+1)!}\sum_{l=0}^{\infty}\frac{\|M\|^l}{(d+2)(d+3)\cdots(d+1+l)} \le \frac{\|M\|^{d+1}}{(d+1)!}\,e^{\|M\|},\]

其中最后一步用了 \((d+2)\cdots(d+1+l) \ge 1\)。取 \(M = -iHt\)，\(\|M\| = \|H\|t\)。由 Stirling 近似 \((d+1)!\approx\sqrt{2\pi(d+1)}\left(\frac{d+1}{e}\right)^{d+1}\)，为使余项 \(\le\varepsilon\) 只需 \(d = O(\|H\|t + \log(1/\varepsilon))\)。

第四步：系数一范数与后选择开销。所有系数绝对值之和为

\[\mu_{\text{tot}} = \sum_{j=0}^{d}\frac{t^j}{j!}\sum_{\vec k}\prod_l|\alpha_{k_l}| = \sum_{j=0}^{d}\frac{(\lambda t)^j}{j!} \le e^{\lambda t},\qquad \lambda = \|\vec\alpha\|_1 .\]

由 LCU 引理，后选择成功概率为 \(P_{\text{success}} = \frac{\|e^{-iHt}|\psi\rangle\|^2}{\mu_{\text{tot}}^2} \ge \frac{(1-\varepsilon)^2}{\mu_{\text{tot}}^2}\)（酉演化保持范数，\(\|e^{-iHt}|\psi\rangle\| \approx 1\)）。注意概率分母是 \(\mu_{\text{tot}}\) 的平方：直接重复需要 \(O(\mu_{\text{tot}}^2) = O(e^{2\lambda t})\) 次；使用振幅放大后降为 \(O(\mu_{\text{tot}}) = O(e^{\lambda t})\) 次。

例子（横场 Ising 模型）：周期边界的一维横场 Ising 模型 \(H = -J\sum_{i=1}^n Z_iZ_{i+1} - h\sum_iX_i\) 分解为 \(L = 2n\) 个泡利字符串项，\(\lambda = n(J+h)\)，每个 \(H_k\) 由 \(O(1)\) 个门实现。取 \(J = h = 1\)、\(n = 10\)，则 \(\lambda = 20\)；再取 \(t = 0.1\)，得 \(\mu_{\text{tot}}\le e^{20\times 0.1} = e^2\approx 7.4\)，振幅放大后约需 \(8\) 次调用（不用振幅放大则需约 \(7.4^2\approx 55\) 次）。

例子（\(H_2\) 分子）：STO-3G 基组经 Jordan–Wigner 变换后 \(H_2\) 的哈密顿量有 \(L = 8\) 个泡利字符串项（含恒等项），\(\lambda\approx 3.5\) 哈特里。取 \(t = 1\)，\(\mu_{\text{tot}}\le e^{3.5}\approx 33\)，振幅放大后约需 \(33\) 次调用。

这套方法的本质局限是：它只能实现酉目标。要处理非酉的 \(e^{-At}\)，需要一个把非酉算符拆成酉因子的恒等式——这正是 LCHS 的贡献。

LCHS 核心恒等式（CORE 积分表示）

定理陈述与正性条件

定理（LCHS，An–Liu–Lin 2023）：设 \(A(t)\in\mathbb{C}^{N\times N}\)，\(t\in[0,T]\)，分解为 Hermitian 部分与反 Hermitian 部分

\[A(t) = L(t) + iH(t),\qquad L(t) = \frac{A(t)+A^\dagger(t)}{2},\qquad H(t) = \frac{A(t)-A^\dagger(t)}{2i},\]

且 \(L(t)\succeq 0\)（半正定）对一切 \(t\) 成立。则对任意 \(t\ge 0\)（\(\mathcal{T}\) 表示时间编序，time ordering）

\[\mathcal{T}e^{-\int_0^t A(s)\,ds} = \int_{-\infty}^{\infty}\frac{dk}{\pi(1+k^2)}\;\mathcal{T}e^{-i\int_0^t\big(H(s)+kL(s)\big)\,ds}.\]

右边的被积对象对每个实数 \(k\) 都是幺正演化：\(H(s)+kL(s)\) 是 Hermitian 矩阵之和，仍是 Hermitian 的。于是整个非酉传播子成了"哈密顿量模拟问题的线性组合"——这就是名称的由来。

正性条件不失一般性。若 \(L(t)\) 不半正定，我们做代换 \(u(t) = e^{ct}v(t)\) 并代入方程 \(\partial_tu = -A(t)u + b(t)\)：左边 \(e^{ct}(cv + \partial_tv)\)，右边 \(-(L+iH)e^{ct}v + b\)，移项得

\[\partial_t v = -\big(L(t) + cI + iH(t)\big)v + e^{-ct}b(t),\qquad v(0) = u_0 .\]

取 \(c\ge -\min_{t\in[0,T]}\lambda_{\min}(L(t))\)，则新方程的 Hermitian 部分 \(L(t)+cI\succeq 0\)；解出 \(v\) 后乘以已知的标量因子 \(e^{ct}\) 即得 \(u\)。

以下三小节先建立恒等式的两个组成部分（傅里叶表示与一个矩阵值围道引理），再完成一般情形的证明。为清楚起见，我们对时间无关的 \(H, L\) 给出完整论证，并在每处注明时间相关情形需要的修改。

出发点：\(e^{-|x|}\) 的傅里叶表示与归一化

恒等式的"原材料"是函数 \(f(x) = e^{-|x|}\) 的傅里叶变换。我们从头计算。按惯例 \(\hat f(k) = \frac{1}{2\pi}\int_{\mathbb{R}}f(x)e^{-ikx}\,dx\)，把积分拆成正负半轴并直接积出：

\[\int_{\mathbb{R}}e^{-|x|}e^{-ikx}\,dx = \int_0^\infty e^{-(1+ik)x}\,dx + \int_0^\infty e^{-(1-ik)x}\,dx = \frac{1}{1+ik} + \frac{1}{1-ik} = \frac{(1-ik)+(1+ik)}{(1+ik)(1-ik)} = \frac{2}{1+k^2}.\]

于是

\[\hat f(k) = \frac{1}{\pi(1+k^2)} .\]

它具有概率密度的两条性质：

  1. 非负性：\(\hat f(k) > 0\) 对一切 \(k\) 成立；

  2. 归一化：由傅里叶反演公式在 \(x = 0\) 处取值，

\[\int_{-\infty}^{\infty}\hat f(k)\,dk = f(0) = e^{0} = 1 .\]

即 \(\hat f\) 是 Cauchy–Lorentz（柯西–洛伦兹）分布的密度。反演公式同时给出本文反复使用的 Poisson 核恒等式

\[\frac{1}{\pi}\int_{-\infty}^{\infty}\frac{e^{-ik\mu}}{1+k^2}\,dk = e^{-|\mu|},\qquad \mu\in\mathbb{R},\]

它可以用留数（residue）计算验证：当 \(\mu < 0\) 时把围道闭向上半平面，被积函数 \(\frac{e^{-ik\mu}}{(k-i)(k+i)}\) 在上半平面只有单极点 \(k = i\)，留数为 \(\frac{e^{-i\cdot i\cdot\mu}}{2i} = \frac{e^{\mu}}{2i}\)，故积分等于 \(2\pi i\cdot\frac{e^{\mu}}{2i} = \pi e^{\mu}\)；除以 \(\pi\) 得 \(e^{\mu} = e^{-|\mu|}\)。\(\mu>0\) 的情形闭向下半平面，结果相同。

对易情形：逐项验证与正性必要性

设 \(L\) 与 \(H\) 对易且均可对角化，则它们有共同本征基，\(A = \sum_a(\lambda_a + ih_a)|a\rangle\langle a|\)，其中 \(\lambda_a, h_a\in\mathbb{R}\)。恒等式右边逐分量计算：

\[\int_{\mathbb{R}}\frac{dk}{\pi(1+k^2)}\,e^{-i(h_a + k\lambda_a)t} = e^{-ih_at}\;\frac{1}{\pi}\int_{\mathbb{R}}\frac{e^{-ik\lambda_at}}{1+k^2}\,dk = e^{-ih_at}\,e^{-|\lambda_a|t},\]

最后一步用了上一小节的 Poisson 核恒等式（取 \(\mu = \lambda_at\)）。而左边为 \(e^{-At} = \sum_a e^{-\lambda_at}e^{-ih_at}|a\rangle\langle a|\)。两相比较：

  • 若 \(\lambda_a\ge 0\)，则 \(e^{-|\lambda_a|t} = e^{-\lambda_at}\)，两边严格相等；

  • 若 \(\lambda_a < 0\)，则 \(e^{-|\lambda_a|t} = e^{\lambda_at}\neq e^{-\lambda_at}\)，等式失效。

因此正性条件 \(L\succeq 0\) 恰好是使恒等式成立的条件，这也解释了为什么上一小节的移位技巧是必要的。特别地，纯虚时演化 \(e^{-\beta H_{\rm phys}}\)（\(H_{\rm phys}\) 半正定）对应 \(L = H_{\rm phys}\)、\(H = 0\) 的特例，此时恒等式由谱分解加上 Poisson 核直接得到，早于 LCHS 就被用于虚时演化与基态制备的量子算法。

关键引理：含 \((1-ik)\) 因子的矩阵值围道积分

一般情形 \([H, L]\neq 0\) 下，被积函数不能按本征分解逐分量处理。证明的枢纽是下面这个矩阵值的 Cauchy 积分定理，注意其中出现的因子

\[\frac{1}{1+ik} = \frac{1-ik}{1+k^2},\qquad \frac{1}{1-ik} = \frac{1+ik}{1+k^2},\]

正是恒等式证明中 \((1\mp ik)\) 型因子的来源。

引理：设 \(H, L\in\mathbb{C}^{N\times N}\) 为 Hermitian 矩阵且 \(L\succ 0\) 严格正定，则如下柯西主值（principal value）积分为零：

\[\mathcal{P}\int_{-\infty}^{\infty}\frac{1}{1+ik}\,e^{-i(H+kL)}\,dk := \lim_{R\to\infty}\int_{-R}^{R}\frac{1}{1+ik}\,e^{-i(H+kL)}\,dk = 0 .\]

证明分四步。

第一步（范数预备）：我们先证一个矩阵指数的范数估计：若 \(X = X^\dagger\preceq\beta I\) 是 Hermitian 矩阵，\(Y^\dagger = -Y\) 是反 Hermitian 矩阵，则 \(\|e^{X+Y}\|\le e^{\beta}\)。由 Lie 乘积公式 \(e^{X+Y} = \lim_{n\to\infty}(e^{X/n}e^{Y/n})^n\)，而 \(e^{Y/n}\) 是酉矩阵（范数 \(1\)），\(e^{X/n}\) 是 Hermitian 正定矩阵且谱半径 \(\le e^{\beta/n}\)，故

\[\|(e^{X/n}e^{Y/n})^n\| \le \|e^{X/n}\|^n\cdot\|e^{Y/n}\|^n \le e^{\beta},\]

对 \(n\) 取极限即得。

第二步（换元）：作代换 \(\omega = ik\)（即 \(k = -i\omega\)，实轴 \(k\) 映为虚轴 \(\omega\)），则 \(1 + ik = 1+\omega\)，且 \(-ikL = -\omega L\)，于是

\[\mathcal{P}\int_{\mathbb{R}}\frac{1}{1+ik}e^{-i(H+kL)}\,dk = \mathcal{P}\int_{-i\infty}^{i\infty}\frac{1}{i(1+\omega)}\,e^{-iH-\omega L}\,d\omega .\]

被积函数的每个矩阵元素是 \(\omega\) 的函数，在右半平面 \(\{\mathrm{Re}\,\omega > -1\}\) 内除极点 \(\omega = -1\) 外全纯，而 \(\omega = -1\) 位于左半平面。

第三步（围道变形）：取 \(R>0\)，用虚轴线段 \([-iR, iR]\) 加上右半平面半径 \(R\) 的半圆 \(\gamma_C\) 组成闭曲线。该闭曲线围成的区域不含任何极点，故由 Cauchy 积分定理，虚轴上的积分等于半圆上的积分。

第四步（半圆积分趋于零）：把 \(\gamma_C\) 参数化为 \(\omega = Re^{i\theta}\)，\(\theta\in[-\frac{\pi}{2},\frac{\pi}{2}]\)，并取 \(\theta_0 = \min(1/\sqrt{R},\pi/4)\)，把圆弧分成主体段 \(I = [-\frac{\pi}{2}+\theta_0, \frac{\pi}{2}-\theta_0]\) 与两个端帽 \(J\)。记 \(\lambda_0 = \lambda_{\min}(L) > 0\)。

  • 在 \(I\) 上：把生成元拆为 Hermitian 部分与反 Hermitian 部分 \(-iH - Re^{i\theta}L = \big(-R\cos\theta\,L\big) + \big({-iH - iR\sin\theta\,L}\big)\)，其中第一括号为 Hermitian 且 \(\preceq -R\cos\theta\,\lambda_0I\)，第二括号反 Hermitian。由第一步的估计，\(\|e^{-iH-Re^{i\theta}L}\|\le e^{-\lambda_0R\cos\theta}\)。又在 \(I\) 上 \(\cos\theta\ge\sin\theta_0\ge\frac{2}{\pi}\theta_0\)，当 \(\theta_0 = 1/\sqrt{R}\) 时 \(R\cos\theta\ge\frac{2\sqrt{R}}{\pi}\)。再配合 \(|\frac{1}{1+\omega}|\le\frac{1}{R-1}\le\frac{2}{R}\)（\(R\ge2\)）与弧长 \(\le\pi R\)，主体段积分的范数不超过 \(4\pi\,e^{-2\lambda_0\sqrt{R}/\pi}\to 0\)。

  • 在 \(J\) 上：端帽总长 \(|J| = 2\theta_0\le 2/\sqrt{R}\)，被积函数范数不超过 \(\frac{2}{R-1}\cdot e^{0}\le\frac{4}{R}\)（这里用到 \(\cos\theta\ge 0\) 使指数因子 \(\le 1\)），故端帽积分范数不超过 \(\frac{8}{R\sqrt{R}}\to 0\)。

两段都趋于零，引理得证。\(\blacksquare\)

两点补充。其一，若把 \(e^{-i(H+kL)}\) 换成时间编序的 \(V(t;ik) = \mathcal{T}e^{-i\int_0^t(H(s)+kL(s))ds}\)（设 \(L(s)\succeq\lambda_0>0\) 一致成立），同样的论证适用：对时间做 Trotter 剖分后，每个短时段因子用第一步的估计（Hermitian 部分 \(\preceq -R\cos\theta\,\lambda_0\,\Delta t\,I\)），连乘得 \(\|V(t,Re^{i\theta})\|\le e^{-t\lambda_0R\cos\theta}\)，其余步骤不变。其二，半正定情形 \(L\succeq 0\) 由连续性得到：把 \(L\) 换成 \(L + \epsilon I\)（\(\epsilon>0\)）应用引理，再令 \(\epsilon\to 0^+\)，被积函数连续依赖于 \(\epsilon\)，极限仍为零。

一般情形的证明：匹配微分方程

现在完成主定理的证明（时间无关情形；时间相关情形把每处 \(-i(H+kL)\) 换成时间编序生成元即可）。记

\[W(t) := \int_{-\infty}^{\infty}\frac{dk}{\pi(1+k^2)}\,e^{-i(H+kL)t},\qquad V(t;k) := e^{-i(H+kL)t}.\]

初值：\(W(0) = \int\frac{dk}{\pi(1+k^2)}\,I = I\)，用的正是前文的归一化 \(\int\hat f = 1\)。

两边满足同一微分方程：非酉目标 \(F(t) := e^{-(L+iH)t}\) 满足 \(F'(t) = -(L+iH)F(t)\)、\(F(0) = I\)。我们证明 \(W\) 满足同一个方程，再由线性常微分方程解的唯一性得 \(W = F\)。

对 \(t>0\) 求导（被积函数在任意 \([\delta, T]\subset(0,\infty)\) 上一致收敛，对称截断与求导可交换次序）：

\[\frac{dW}{dt} = \int_{\mathbb{R}}\frac{-i(H+kL)}{\pi(1+k^2)}\,V(t;k)\,dk = -iH\,W(t) - iL\int_{\mathbb{R}}\frac{k}{\pi(1+k^2)}V(t;k)\,dk .\]

对第二项的系数做核心分解。利用

\[\frac{1}{1+ik} - \frac{1}{1-ik} = \frac{(1-ik)-(1+ik)}{1+k^2} = \frac{-2ik}{1+k^2},\]

我们得到

\[- iL\int_{\mathbb{R}}\frac{k}{\pi(1+k^2)}V\,dk = \int_{\mathbb{R}}\frac{L}{2\pi}\Big(\frac{1}{1+ik} - \frac{1}{1-ik}\Big)V\,dk = T_+ - T_-,\]

其中

\[T_+ := \int_{\mathbb{R}}\frac{L}{2\pi(1+ik)}V(t;k)\,dk,\qquad T_- := \int_{\mathbb{R}}\frac{L}{2\pi(1-ik)}V(t;k)\,dk .\]

于是 \(\frac{dW}{dt} = -iHW + T_+ - T_-\)。接下来分别处理 \(T_+\) 与 \(T_-\)：

  1. \(T_+ = 0\)：这正是上一小节引理的内容（\(L\) 从积分号中提出，被积函数为 \(\frac{1}{1+ik}V(t;k) = \frac{1}{1+ik}e^{-i(H+kL)t}\)）。

  2. \(T_- = LW\)：利用恒等式

\[\frac{1}{1+ik} + \frac{1}{1-ik} = \frac{(1-ik)+(1+ik)}{1+k^2} = \frac{2}{1+k^2},\]

得到 \(T_+ + T_- = \int\frac{L}{2\pi}\cdot\frac{2}{1+k^2}V\,dk = L\int\frac{V}{\pi(1+k^2)}dk = LW(t)\)。由 \(T_+ = 0\) 立得 \(T_- = LW\)。

代入即得

\[\frac{dW}{dt} = -iHW + 0 - LW = -(L+iH)\,W(t).\]

结合 \(W(0) = I\) 与解的唯一性，\(W(t) = e^{-(L+iH)t}\)，这正是时间无关情形的主恒等式。\(\blacksquare\)

这个证明值得回味：恒等式之所以成立，是因为"多余"的 \(k\)-线性部分 \(T_+\) 恰好被矩阵值围道积分消灭，而"保留"的 \(T_-\) 恰好重组出耗散因子 \(L\)。\((1\mp ik)\) 的两个分式各司其职。

从恒等式到量子算法

以下把恒等式转化为量子电路，共五步。为叙述简洁，以齐次、时间无关问题 \(u(T) = e^{-(L+iH)T}u_0\) 为主；时间相关与含源情形在后面两小节说明。

第一步：截断积分区间

对每个实 \(k\)，\(H + kL\) 是 Hermitian 的，故 \(\|V(T;k)\| = 1\)。于是截断到 \([-K, K]\) 的误差可以精确算出：

\[\Big\|\int_{|k|>K}\frac{dk}{\pi(1+k^2)}V(T;k)\Big\| \le 2\int_K^{\infty}\frac{dk}{\pi(1+k^2)} = \frac{2}{\pi}\Big(\frac{\pi}{2} - \arctan K\Big) = 1 - \frac{2}{\pi}\arctan K = O(K^{-1}),\]

末尾的渐近用 \(\arctan K = \frac{\pi}{2} - \frac{1}{K} + O(K^{-3})\)。因此取 \(K = O(1/\varepsilon)\) 即可把截断误差压到 \(O(\varepsilon)\)。

第二步：梯形离散化与系数一范数

在 \([-K, K]\) 上取 \(M+1\) 个等距节点与梯形权重（weight，端点取半权重）：

\[k_j = -K + \frac{2jK}{M},\qquad w_j = \frac{(2-\mathbf{1}_{j=0,M})K}{M},\qquad j = 0,1,\ldots,M,\]

其中 \(\mathbf{1}_{j=0,M}\) 在端点取 \(1\)、否则取 \(0\)；权重之和 \(\sum_jw_j = 2K\) 恰为区间长度。定义 LCU 系数

\[c_j = \frac{w_j}{\pi(1+k_j^2)} > 0 .\]

由恒等式，\(u(T)\approx\sum_{j=0}^{M}c_jV(T;k_j)u_0\)。这些系数全部为正实数，因此 SELECT 中不需要任何相位修正因子。系数的一范数是梯形公式对 Cauchy 质量的近似：

\[\|\vec c\|_1 = \sum_{j=0}^{M}\frac{w_j}{\pi(1+k_j^2)} \;\approx\; \int_{-K}^{K}\frac{dk}{\pi(1+k^2)} = \frac{2}{\pi}\arctan K = 1 - O(K^{-1}).\]

也就是说，LCU 的归一化常数 \(\|\vec c\|_1 = 1 + O(\varepsilon)\) 是一个与问题规模无关的常数——这是 Cauchy 权重归一化的直接后果，也是 LCHS 后选择开销不额外爆炸的原因。

第三步：实现每个酉演化因子

每个 \(V(T;k_j) = e^{-i(H+k_jL)T}\) 是标准的（可能时变的）哈密顿量模拟问题，用 \(p\) 阶乘积公式实现：取 \(r\) 步、步长 \(\delta = T/r\)，一阶公式为

\[V(T;k_j)\approx\big(e^{-iH\delta}\,e^{-ik_jL\delta}\big)^{r},\]

高阶公式按 Suzuki 递归构造（见本系列乘积公式教程）。\(p\) 阶公式的误差为 \(O\big((\|H\|+|k_j|\|L\|)^{p+1}T^{p+1}/r^{p}\big)\)，注意其中 \(\|k_jL\|\le K\|L\|\) 带来了因子 \(K\)。

电路中需要受控-选择算符 \(\text{SEL}_L(s) = \sum_j|j\rangle\langle j|\otimes e^{-iLk_js}\)。直接实现要对每个 \(j\) 分别模拟，但利用 \(k_j\) 的等差结构可以指数加速：

\[e^{-iLk_js} = e^{-iL(-K+\frac{2jK}{M})s} = e^{iLKs}\cdot\big(e^{-iL\frac{2K}{M}s}\big)^{j}.\]

于是 \(\text{SEL}_L(s) = \big(e^{iLKs}\otimes I\big)\cdot\sum_j|j\rangle\langle j|\otimes U_0^{\,j}\)（\(U_0 = e^{-iL\frac{2K}{M}s}\)）。后者按 \(j\) 的二进制分解实现：对辅助寄存器的第 \(\ell\) 个比特，若其为 \(1\) 则对系统施加受控的 \(U_0^{2^\ell}\)，共需 \(\lceil\log_2(M+1)\rceil\) 次受控幂次调用。\(e^{iLKs}\) 用一次对 \(e^{-iLs}\) 的调用实现（\(K|s|<1/\|L\|\) 时）。

第四步：组装 LCU 电路

算法调用三类预言机：初态制备 \(O_{\text{prep}}:|0\rangle\mapsto|u_0\rangle/\|u_0\|\)、矩阵演化 \(O_H(s) = e^{-iHs}\) 与 \(O_L(s) = e^{-iLs}\)、系数制备

\[O_{\text{coef}}:|0\rangle\mapsto\frac{1}{\sqrt{\|\vec c\|_1}}\sum_{j=0}^{M}\sqrt{c_j}\,|j\rangle,\]

后者按 LCU 的 PREP 构造（\(c_j>0\)）。电路流程为：

  1. 施加 \(O_{\text{coef}}\otimes O_{\text{prep}}\)，得到叠加态 \(\frac{1}{\sqrt{\|\vec c\|_1}}\sum_j\sqrt{c_j}|j\rangle\otimes\frac{|u_0\rangle}{\|u_0\|}\)；

  2. 依次施加受控演化序列（乘积公式的各个因子），实现 \(\sum_j|j\rangle\langle j|\otimes V_j\)，其中 \(V_j\) 近似 \(V(T;k_j)\)；

  3. 施加 \(O_{\text{coef}}^\dagger\)；

  4. 测量辅助寄存器。

第五步：后选择与振幅放大

由 LCU 引理，测量得到全零结果的分量是

\[\frac{1}{\|\vec c\|_1\,\|u_0\|}\,|0\rangle_a\;u(T)\;+\;|\perp\rangle,\]

故后选择成功概率为

\[P_{\text{success}} = \frac{\|u(T)\|^2}{\|\vec c\|_1^2\,\|u_0\|^2} \approx \frac{\|u(T)\|^2}{\|u_0\|^2},\]

其中用了 \(\|\vec c\|_1\approx 1\)。注意两个量化事实：

  • 由 \(L\succeq 0\) 与前文范数估计（Hermitian 部分 \(\preceq 0\)、反 Hermitian 部分酉），\(\|e^{-(L+iH)T}\|\le 1\)，因此 \(\|u(T)\|\le\|u_0\|\)、概率 \(\le 1\)，与直觉一致；

  • 概率只反映物理上的衰减：例如纯耗散系统 \(\|u(T)\| = e^{-\gamma T}\|u_0\|\) 给出 \(P_{\text{success}}\approx e^{-2\gamma T}\)。直接重复需要 \(O(e^{2\gamma T})\) 次；振幅放大后降为

\[O\Big(\frac{\|\vec c\|_1\,\|u_0\|}{\|u(T)\|}\Big) = O\Big(\frac{\|u_0\|}{\|u(T)\|}\Big)\]

次调用——即"解衰减多少倍，就多付多少倍"，没有额外开销。

源项：Duhamel 展开

含源方程 \(\partial_tu = -A(t)u + b(t)\) 的解由常数变易法（Duhamel 原理）给出。设 \(\mathcal{U}(t,s)\) 是从 \(s\) 到 \(t\) 的传播子，则 \(u(t) = \mathcal{U}(t,0)u_0 + \int_0^t\mathcal{U}(t,s)b(s)\,ds\)；验证方法是把该式对 \(t\) 求导并代入方程。对两个 \(\mathcal{U}\) 分别应用 LCHS 恒等式（后者把积分下限换为 \(s\)，正性条件不变），得

\[u(t) = \int_{\mathbb{R}}\frac{dk}{\pi(1+k^2)}\,\mathcal{T}e^{-i\int_0^t(H+kL)}u_0\,dk \;+\; \int_0^t\!\int_{\mathbb{R}}\frac{dk}{\pi(1+k^2)}\,\mathcal{T}e^{-i\int_s^t(H'+kL')}\,b(s)\,dk\,ds .\]

对 \(s\) 再做一次梯形离散化，得到二维的 LCU 系数 \(c_{j,j'} = \frac{v_{j'}w_j\|b(s_{j'})\|}{\pi(1+k_j^2)}\)，其一范数逼近 \(\int_0^T\!\int\frac{dk\,ds}{\pi(1+k^2)}\|b(s)\| = \|b\|_{L^1}\)，实现方式与齐次情形相同。

相互作用图像变体

当 \(e^{-iL\tau}\) 可快进（fast-forwardable，例如 \(L\) 为对角矩阵）时，可以把大的 \(k_j\) 因子从哈密顿量模拟中抽走。利用相互作用图像恒等式

\[\mathcal{T}e^{-i\int_0^t(H(s)+kL(s))ds} = e^{-iLkt}\,\Big(\mathcal{T}e^{-i\int_0^tH_I(s;k)\,ds}\Big)\,e^{iLkt},\qquad H_I(s;k) = e^{iLks}H(s)e^{-iLks},\]

（验证：两侧对 \(t\) 满足同一个微分方程与同一个初值。）LCHS 变为

\[\mathcal{T}e^{-\int_0^tA} \approx \sum_jc_j\,e^{-iLk_jt}\,\Big(\mathcal{T}e^{-i\int_0^tH_I(s;k_j)}\Big)e^{iLk_jt}.\]

两侧的 \(e^{\mp iLk_jt}\) 以与 \(k_j\)、\(t\) 无关的代价实现，从而回避了截断参数 \(K\) 带来的电路深度膨胀。这正是 LCHS 处理复吸收势问题时获得近最优复杂度的原因。

复杂度分析

误差预算与参数选取

我们跟踪完整的误差链。最终要的是归一化态的误差 \(\le\varepsilon\)。由三角不等式与 \(|\,\|x\|-\|y\|\,|\le\|x-y\|\)，

\[\Big\|\frac{x}{\|x\|} - \frac{y}{\|y\|}\Big\| \le \Big\|\frac{x}{\|x\|} - \frac{y}{\|x\|}\Big\| + \Big\|\frac{y}{\|x\|} - \frac{y}{\|y\|}\Big\| = \frac{\|x-y\|}{\|x\|} + \frac{\big|\|y\|-\|x\|\big|}{\|x\|} \le \frac{2\|x-y\|}{\|x\|},\]

因此只要非归一化向量的误差 \(\le\frac{\varepsilon}{2}\|u(T)\|\) 即可。换言之，块编码精度须取相对精度

\[\varepsilon' = \frac{\varepsilon\|u(T)\|}{2\|u_0\|} = \frac{\varepsilon}{2q},\qquad q := \frac{\|u_0\|}{\|u(T)\|}.\]

三个离散化参数都按 \(\varepsilon'\) 设置：

截断 \(K\)：由第一步的精确余项，\(K = O(1/\varepsilon') = O(q/\varepsilon)\)。

梯形点数 \(M\)：记 \(F(k) = \frac{1}{\pi(1+k^2)}V(T;k)\)。对 \(V\) 用 Duhamel 展开（对 \(k\) 求导一次产生一个 \(-iLt\) 因子）可得 \(\|\partial_kV\|\le\|L\|T\)、\(\|\partial_k^2V\|\le\|L\|^2T^2\)；对有理因子直接求导。由乘积法则 \(F'' = g''V + 2g'V' + gV''\)（\(g = \frac{1}{\pi(1+k^2)}\)）得

\[|F''(k)| \le \frac{\|L\|^2T^2}{\pi(1+k^2)} + \frac{4|k|\,\|L\|T}{\pi(1+k^2)^2} + \frac{2|3k^2-1|}{\pi(1+k^2)^3} = O(\|L\|^2T^2).\]

梯形公式的全局误差为 \(\frac{(2K)h^2}{12}\max|F''|\)（\(h = 2K/M\) 为间距），令其 \(\le\varepsilon'\)：

\[M = O\Big(\frac{K^{3/2}\|L\|T}{\sqrt{\varepsilon'}}\Big) = O\Big(\frac{\|L\|T}{\varepsilon'^2}\Big) = O\Big(\frac{\|L\|T\,q^2}{\varepsilon^2}\Big).\]

注意 \(K^{3/2}\) 因子来自"区间长度 \(\times\sqrt{\text{密度}}\)"的组合，最终 \(\varepsilon'^{-2}\) 是 \(K^{3/2}\) 与 \(\varepsilon'^{-1/2}\) 相乘的结果。

乘积公式步数 \(r\)：\(p\) 阶乘积公式误差为 \(O\big((\max_\tau(\|H(\tau)\|+K\|L(\tau)\|)\ \text{的高阶导数界})^{p+1}\frac{T^{p+1}}{r^p}\big)\)，整理为 \(O(\Gamma_p^{p+1}K^{p+1}T^{p+1}/r^p)\)，其中 \(\Gamma_p\) 是 \(H, L\) 及其直到 \(p\) 阶导数的范数组合。令其 \(\le\varepsilon'\) 并代入 \(K = O(q/\varepsilon)\)：

\[r = O\Big(\Gamma_p^{1+1/p}\,\frac{q^{\,1+2/p}\,T^{1+1/p}}{\varepsilon^{1+2/p}}\Big).\]

总查询次数：单次 LCU 电路使用 \(O(r\log M)\) 次矩阵预言机调用；振幅放大需要 \(O(q)\) 次重复（\(\|\vec c\|_1 = O(1)\)）。相乘得

\[\widetilde{O}\Big(\Gamma_p^{1+1/p}\,q^{\,2+2/p}\,\frac{T^{1+1/p}}{\varepsilon^{1+2/p}}\Big),\qquad q = \frac{\|u_0\|}{\|u(T)\|},\]

其中 \(\widetilde{O}\) 隐藏对数因子。这正是 An–Liu–Lin 定理在含源情形 \(\big(\frac{\|u_0\|+\|b\|_{L^1}}{\|u(T)\|}\big)^{2+2/p}\) 形式的特例。各因子的来源一目了然：\(q^{2+2/p}\) 中一个 \(q\) 来自振幅放大、\(1+2/p\) 来自相对精度与截断 \(K\) 的耦合；\(\varepsilon^{-1-2/p}\) 中 \(1\) 来自 \(K = O(1/\varepsilon)\)（核的四次衰减所致）、\(2/p\) 来自乘积公式；\(T^{1+1/p}\) 来自乘积公式的时间缩放。

态制备最优性：\(O_{\text{prep}}\) 与 \(O_{\text{coef}}\) 的调用次数只有 \(O(q)\)（每轮 \(O(1)\) 次，乘以重复次数）。这个线性依赖不可改进：已知的下界表明任何量子微分方程求解器对初态制备预言机的查询复杂度为 \(\Omega(q)\)；直观理由是从 \(\|u_0\|\) 到 \(\|u(T)\|\) 的重整化实现了后选择，若能亚线性实现则蕴含 BQP \(=\) PP 这一被认为不成立的复杂度等价类塌缩。相比之下，基于 QLSP 的方法（如量子 Dyson 级数方法）需要 \(O(q\|A\|T\log(1/\varepsilon))\) 次初态查询。

门复杂度

组件

开销

系数制备 \(O_{\text{coef}}\)

\(\mathrm{polylog}(M)\)（取决于 \(c_j\) 的结构）

单个受控因子 \(e^{-iH\delta}\)、\(e^{-iLk_j\delta}\)

\(O(1)\) 次矩阵预言机调用；泡利字符串情形 \(O(n)\) 个基本门

受控选择 \(\text{SEL}_L\)

\(O(\log M)\) 次矩阵预言机调用

单轮 LCU（\(r\) 步乘积公式）

\(O(r\log M)\) 次矩阵预言机调用

振幅放大重复

\(O(q)\) 轮

辅助量子比特

\(O(\log M) = O\big(\log(|L|T/\varepsilon)\big)\)

具体例子

例一：对角耗散系统（完整验证）

取 \(A = \mathrm{diag}(1, 2, 4)\)（\(L = A\succeq 0\)、\(H = 0\)），\(T = 1\)，\(u_0 = (1,1,1)^\top/\sqrt3\)。恒等式逐分量给出

\[e^{-At} = \int_{\mathbb{R}}\frac{dk}{\pi(1+k^2)}\,\mathrm{diag}\big(e^{-ikt}, e^{-i2kt}, e^{-i4kt}\big) = \mathrm{diag}\big(e^{-t}, e^{-2t}, e^{-4t}\big),\]

其中每个分量都是 Poisson 核恒等式 \(\frac{1}{\pi}\int\frac{e^{-ik\mu}}{1+k^2}dk = e^{-|\mu|}\)（\(\mu = t, 2t, 4t > 0\)）的直接应用。末态 \(\|u(T)\|^2 = \frac{1}{3}(e^{-2} + e^{-4} + e^{-8})\approx \frac{0.1353+0.0183+0.0003}{3}\approx 0.0513\)，即 \(\|u(T)\|\approx 0.227\)，\(q\approx 4.4\)：振幅放大后约需 \(5\) 轮。这个例子同时说明：耗散越强的分量衰减越快，成功概率只由解的总衰减决定。

例二：虚时演化与基态制备

设物理哈密顿量 \(H_{\rm phys}\succeq 0\)，目标是虚时演化 \(e^{-\beta H_{\rm phys}}\)。这对应 LCHS 的 \(L = H_{\rm phys}\)、\(H = 0\) 情形，恒等式为

\[e^{-\beta H_{\rm phys}} = \int_{\mathbb{R}}\frac{dk}{\pi(1+k^2)}\,e^{-ik\beta H_{\rm phys}},\]

即虚时演化 = 对酉演化 \(e^{-i(k\beta)H_{\rm phys}}\) 按不同"有效时间" \(k\beta\) 的 Cauchy 加权平均。这是 LCHS 中最早被认识到的特例，曾被用于基态与 Gibbs 态制备的量子算法。由谱分解，\(e^{-\beta H_{\rm phys}}\) 压低激发态、放大基态分量，成功概率随 \(\beta\) 增大而指数衰减，重复次数正比于 \(e^{\beta(E_{\max}-E_0)}\) 量级——与例一的规律一致。

例三：开放量子系统与复吸收势

开放量子动力学的复吸收势（complex absorbing potential, CAP）方法把薛定谔方程写成

\[i\partial_tu = \Big(-\frac{1}{2}\Delta + V_R(\mathbf{r}) - iV_I(\mathbf{r})\Big)u,\]

其中 \(V_I\succeq 0\) 是吸收势。把方程改写为 \(\partial_tu = -i(-\frac{1}{2}\Delta+V_R)u - V_Iu\)，即

\[\partial_tu = -\big(V_I + iH_{\rm sys}\big)u,\qquad H_{\rm sys} = -\frac{1}{2}\Delta + V_R,\]

这正是 LCHS 标准形式，且正性条件自动满足（\(L = V_I\succeq 0\)）。空间离散化后 \(V_I\) 是对角矩阵，\(e^{-iV_I\tau}\) 可快进，于是相互作用图像变体适用，得到的算法在所有参数上近最优：查询复杂度 \(\widetilde{O}\big(\frac{\|u_0\|}{\|u(T)\|}\,T\max_t\|H_{\rm sys}(t)\|\,\mathrm{polylog}(\cdot/\varepsilon)\big)\)，其中 \(\max_t\|H_{\rm sys}(t)\| = O(N^2+\max_t\|V_R\|)\)（\(N\) 为空间格点数）。

与其他方法的对比

方法

单轮开销

后选择

误差控制

适用范围

一阶 Trotter

\(O(L)\)

无

\(O(C_2t^2/r)\)

酉模拟，项数少

二阶 Trotter

\(O(2L)\)

无

\(O(C_3t^3/r^2)\)

酉模拟，通用

\(2p\) 阶 Suzuki

\(O(L\,5^{p-1})\)

无

\(O(t^{2p+1}/r^{2p})\)

酉模拟，高精度

LCU（Taylor 截断）

\(O(dL)\)

有（\(O(e^{\lambda t})\) 次放大）

\(O(\varepsilon)\)，\(d=O(|H|t+\log(1/\varepsilon))\)

酉模拟

LCHS

\(O(r\log M)\)，\(r=\widetilde O(\Gamma^{1+1/p}q^{1+2/p}T^{1+1/p}/\varepsilon^{1+2/p})\)

有（\(O(q)\) 次放大）

\(O(\varepsilon)\)

非酉线性动力学

QSVT/QLSP 类

\(O(\kappa\log(1/\varepsilon))\)

部分

\(O(\varepsilon)\)

有块编码的矩阵

其中 \(C_2 = \max_{i,j}\|[H_i,H_j]\|\)、\(C_3\) 为嵌套交换子范数（与本系列乘积公式教程一致），\(\lambda = \|\vec\alpha\|_1\)，\(q = \|u_0\|/\|u(T)\|\)，\(\kappa\) 为 QLSP 条件数。LCHS 的独特优势有三条：

  1. 不依赖谱映射定理，因此对非正规、不可对角化的矩阵同样成立；

  2. 态制备成本最优（\(O(q)\)，匹配下界 \(\Omega(q)\)），而 QLSA 类方法还要乘 \(\kappa\log(1/\varepsilon)\)；

  3. 灵活的实现方式：除了相干的 LCU 实现，也可以在早期容错量子设备上用混合量子-经典方式实现——用量子计算机（非酉 Hadamard 检验与振幅估计）估计各关联函数 \(\langle u_0|U_{k}^\dagger O U_{k'}|u_0\rangle\)，经典地完成对 \(k, k'\) 的求和，从而计算可观测量 \(u(t)^*Ou(t)\)。

LCHS 在量子算法中的角色

与相位估计和酉模拟的关系。LCHS 把"模拟非酉传播子"归约为"模拟一族 Hermitian 哈密顿量"，而后者可以用本系列教程中的任意方法完成（乘积公式、截断 Taylor 的 LCU、Qubitization/QSVT）。在这个意义上，LCHS 是酉模拟工具箱向非酉问题的一次"接口转换"。

与薛定谔化的关系。同一时期发展的薛定谔化（见本章专文）从偏微分方程的角度给出平行的构造：它引入一个辅助变量 \(p\) 并做缠绕相位变换，得到增广 Hermitian 哈密顿量 \(H_-\otimes I - H_+\otimes\hat p\)。两者在傅里叶空间中演化的是同一族幺正 \(e^{-i(H\mp kL)t}\)，权重同为 Cauchy 核，且都需要 Hermitian 部分半正定。区别在于：LCHS 把 Cauchy 权重作为 LCU 系数直接对 \(k\) 求和；薛定谔化把它作为增广初态的傅里叶变换装载进辅助寄存器，再在实空间投影回收。

与变分/绝热方法的联系。虚时演化 \(e^{-\beta H}\)（例二）是基态制备与 Gibbs 态制备的核心非酉操作，LCHS 为其提供了系统化的量子实现路径，可作为 VQE 类启发式方法或绝热方法的替代组件。

当前进展与开放问题

年份

贡献

内容

2012

Childs & Wiebe

LCU 框架：用酉的线性组合模拟哈密顿量，精度依赖指数改进

2015

Berry et al.

截断 Taylor 级数的 LCU 模拟

2019

Gilyén et al.

QSVT 统一块编码类算法

2021

Childs, Su, Tran, Wiebe, Zhu

乘积公式误差的交换子缩放理论

2023

An, Liu, Lin

LCHS：非酉动力学的哈密顿量模拟线性组合表示（本文主题）

2023–2024

Jin, Liu, Yu 等

薛定谔化及与 LCHS 的互补视角

开放问题：

  1. 核函数的衰减速度。Cauchy 核 \(\frac{1}{1+k^2}\) 只有四阶衰减，迫使截断 \(K = O(1/\varepsilon)\)，把有效谱半径放大 \(K\) 倍。能否把核换成快衰减核、大幅缩短截断区间，是改进 LCHS 复杂度的关键方向。

  2. 可快进情形的推广。当 \(e^{-iL\tau}\) 可快进时相互作用图像消除了 \(K\) 的惩罚；对一般 \(L\) 寻找等价的消去手段仍是难题。

  3. 所有参数同时最优。对一般非酉动力学，是否存在对 \(q\)、\(T\)、\(\|A\|\)、\(\varepsilon\) 同时最优的算法，尚无定论。

总结

LCHS 把一个出人意料的分析恒等式变成了算法：非酉传播子 \(\mathcal{T}e^{-\int A}\) 等于一族幺正哈密顿量模拟对 Cauchy 密度 \(\frac{1}{\pi(1+k^2)}\) 的平均。恒等式的证明只用到 \(e^{-|x|}\) 的傅里叶表示、一个矩阵值的围道积分引理与微分方程匹配；算法的实现只用到 LCU；复杂度的每个因子（\(q\)、\(T\)、\(\varepsilon\)、\(\Gamma\)）都能沿误差预算逐项溯源。它不依赖谱映射定理，因此适用于非正规矩阵；它的态制备成本匹配理论下界。理解 LCHS 之后，读者可以把它与本系列的薛定谔化教程对照阅读，两者共同构成"非酉动力学的量子模拟"这一方向的两条主干路径。

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.