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.