Gibbs 态制备

前置阅读：Trotterization 与哈密顿量模拟、量子奇异值变换（QSVT）详解；与 广义 QSP 与 QETU 的滤波路线直接衔接。

本词条要点：

1. 理解 Gibbs 态 ${\rho }_{\beta }\propto e^{-\beta H}$ 为什么是”被低估的基础件”：热力学模拟、SDP 求解器、量子 Metropolis 的共同入口。
2. 掌握三条主路线的原理与代价：虚时间滤波（非酉 → 后选择/LCU/QSVT）、热场双态/ purification、量子 Metropolis 采样。
3. 理解 $\Omega (\beta )$ 查询下界的物理来源（制备热平衡至少要等”系统弛豫那么久”），以及 $\beta$ 与精度 $\epsilon$ 的依赖为什么不同路线差别巨大。
4. 会按”谱隙已知否、需要态还是需要采样、容错时代”选择路线。

1. 问题：为什么制备一个”热平衡态”这么重要

温度 $\beta =1/T$ 下的热平衡态（Gibbs 态）是

$${\rho }_{\beta }=\frac{e^{-\beta H}}{Z(\beta )},Z(\beta )=\mathrm{tr}{e}^{-\beta H}.$$

它在至少四类问题里出现：

• 材料与化学：有限温性质（自由能、热容、输运系数）都从 ${\rho }_{\beta }$ 的期望值来；经典方法（量子蒙特卡洛）在符号问题面前经常失效，量子计算天然免疫。
• 热力学量与配分函数：$Z(\beta )$ 给出自由能 $F=-{\beta }^{-1}\ln Z$；有了 Gibbs 态制备 + 量子幅度/相位估计（振幅估计），可以把自由能估到 $\epsilon$ 精度而只花 $O(1/\epsilon )$（对比经典蒙特卡洛的 $1/{\epsilon }^2$）。
• 半正定规划 (SDP)：量子机器学习中的 SDP 求解器以 Gibbs 态为中间解的原像（Gibbs 态是相对熵投影的解），制备 Gibbs 态的复杂度直接决定求解器复杂度。
• 量子 Metropolis 采样：一般系综采样的量子加速也需要热态作为不变分布。

难点一眼可见：$e^{-\beta H}$ 是非酉的衰减算符——量子线路只能做酉演化，“按能量压低权重”这件事必须绕道。所有 Gibbs 制备算法，本质都是在回答”非酉的 $e^{-\beta H}$ 怎么被酉线路逼出来”。

2. 路线一：虚时间滤波——把 $e^{-\beta H}$ 当多项式做

与虚时间演化的关系：实时间 $e^{-iHt}$ 在 $t=-i\beta$ 处解析延拓就是 $e^{-\beta H}$。所以”制备 Gibbs 态”的第一直觉是虚时间演化 (imaginary-time evolution, ITE)：对任意初态 ${\rho }_0$，

$$\frac{e^{-\beta H}{\rho }_0{e}^{-\beta H}}{\mathrm{tr}(e^{-2\beta H}{\rho }_0)}\stackrel{\beta \text{ 增大}}{\to }|\mathrm{GS}⟩⟨\mathrm{GS}|$$

低能态按 $e^{-2\beta \Delta }$ 被指数压制——ITE 是滤波器，与 QETU 滤波是同一件事的两种语言。但要注意：纯滤波只给基态，不给 Gibbs 态；有限 $\beta$ 的 Gibbs 态是滤波后的态再除以配分函数权重的混合，需要更精细的构造——这正是”用多项式实现 $e^{-\beta x}/Z$ 型函数”的信号处理问题。

QSVT 式实现：把 $f(x)=e^{-\beta x}$（在 $H$ 的谱区间 $[-\Vert H\Vert ,\Vert H\Vert ]$ 上重标到 $[-1,1]$）做切比雪夫截断（QSP 详解”逼近精度”节的 Bernstein 椭圆分析直接适用：截断次数 $d=O(\beta \Vert H\Vert +\log (1/\epsilon ))$），随后有两条组装方式：

1. 后选择：信号处理线路以振幅 $\sim e^{-\beta E}/\sqrt{Z^{\prime }}$ 保留能量本征态分支，对辅助比特测量成功即得（近似）Gibbs 态——成功率 $1/\mathrm{poly}$，用振幅放大拉回；
2. LCU/线性组合：把 $e^{-\beta H}$ 与”剩余部分”组成一个更大的酉（块编码思想），确定性输出混合态——无失败分支，常数更大。

关键复杂度事实：查询复杂度对 $\beta$ 是线性 $\Theta (\beta )$——这是物理必然（下界），见第 4 节；对精度，截断只贡献 $\log (1/\epsilon )$，但”混合态输出的精度”（迹距离）通常再引入 $1/\epsilon$ 或 $\log (1/\epsilon )$ 依赖，取决于是否允许后选择与重复。

变分捷径 (variational QITE / QMETTS)：NISQ 时代不追求严格的 QSVT，而用参数化线路做 McLachlan 方程的虚时间流、或”METTS：最大纠缠态 + 虚时间投影交替”的经典-量子混合采样。精度无严格保证，但小系统上好用，是近中期实验的主力。

3. 路线二与三：purification 与 Metropolis

热场双态 (thermofield double, TFD / purification)。Gibbs 态 = 一个纯态的半边约化：

$$|{\mathrm{TFD}}_{\beta }⟩=\frac{1}{\sqrt{Z}}\sum _E{e}^{-\beta E/2}|E{⟩}_S|E{⟩}_E,{\mathrm{tr}}_E|\mathrm{TFD}⟩⟨\mathrm{TFD}|={\rho }_{\beta }.$$

这把”制备混合态”转化为”制备纯态”——而纯态制备是谱滤波的老本行（QETU/GQSP 或 QPE + 幅度放大，第 5、6 章）。代价：(1) 需要系统两倍大的寄存器（$E$ 侧是”热浴影子”）；(2) 逐能级的幅度 $e^{-\beta E/2}$ 是无奇偶性的光滑目标——正是 GQSP 拆掉奇偶约束后大显身手的场景。TFD 路线在现代资源估计里常给出最优常数。

量子 Metropolis (quantum Metropolis sampling)。Temme–Osborne–Vollbrecht–Lidar (2009) 把经典 Metropolis–Hastings 算法搬进量子：在能量本征值间做提议-接受-拒绝的随机游走，且用”相位回踢式”的量子化拒绝步骤避免测量坍缩破坏记忆。不动分布恰为 ${\rho }_{\beta }$，因此不需要知道配分函数，天然适合”只要采样、不要波函数”的应用（关联函数、热观测量的系综平均）。Chowdhury–Somma (2017) 的容错版本给出多项式复杂度；缺点是混合时间 (mixing time) 依赖问题的物理（无一般保证），且线路结构比滤波路线复杂。

三条路线画像：

路线	输出	对 $\beta$	对 $\epsilon$	需要	适合
虚时间滤波 / QSVT	Gibbs 态（迹距离 $\epsilon$）	$O(\beta )$	$\mathrm{poly}\log$ 到 $1/\epsilon$（视变体）	块编码或演化黑盒、能隙或谱信息	已知要”态”本身
TFD / purification	纯态双倍寄存器	$O(\beta )$	$\log (1/\epsilon )$ 友好	谱滤波 (QETU/GQSP)	追最优常数、容错时代
量子 Metropolis	系综采样	$\Omega (\beta )$ + 混合时间	$\log (1/\epsilon )$/样本	受控演化	只要观测值、不需知道 $Z$

4. 下界与极限：$\beta$ 是硬通货

查询下界 $\Omega (\beta )$：无论何种算法，制备 ${\rho }_{\beta }$（或从它采样）必须调用黑盒至少 $\Omega (\beta )$ 次。物理来源很直观：热平衡是信息从系统扩散到”热浴”的过程，而量子传播（Lieb–Robinson 型速度极限）以 $O(t)$ 的光锥展开——要建立温度 $\beta$ 对应的关联结构，至少需要”演化 $\beta$ 那么久”。滤波路线恰好做到 $\Theta (\beta )$：理论已经顶格。

精度依赖的分层：若允许输出”任意 $\epsilon$-接近的态”，滤波型算法对 $\epsilon$ 只需 $\mathrm{poly}\log (1/\epsilon )$（截断多项式足够光滑）；若要求输出严格 Gibbs 态的样本（如 Metropolis 的马尔可夫输出），每样本精度一般带 $1/\epsilon$ 或混合时间因子。资源估计时务必分清自己买的是哪一种”精度”。

低温极限：$\beta \to \infty$ 时 Gibbs 态退化为基态，问题变成的基态制备（QETU 滤波路线），复杂度由谱隙 $\Delta$ 与初态重叠决定而非 $\beta$——两章在低温处无缝衔接；反过来，基态制备的”模糊二分”也可以看作 Gibbs 制备在 $\beta \Delta \to \infty$ 的极限情形。

5. 应用接口

• 配分函数与自由能：${\rho }_{\beta }$ 制备 + 振幅估计给出 $\log Z$ 的 $O(1/\epsilon )$ 估计；相变点定位（自由能交叉）由此而来。
• 量子 SDP 求解器：以 Gibbs 态为对偶变量的原像，制备复杂度 $\times$ 迭代次数 = 求解器复杂度；Gibbs 的 $\Theta (\beta )$ 下界直接翻译为 SDP 的规模依赖。
• 有限温关联与输运：Metropolis/TFD 输出的系综样本 + 影子读出（经典影子应用）= 完整的有限温物性流水线。
• 验证：制备出的 ${\rho }_{\beta }$ 应通过影子保真度见证（对角熵分布、能量涨落 $⟨H^2⟩-⟨H{⟩}^2={\partial }_{\beta }^2\ln Z$ 的自洽检查）。

本词条总结

• Gibbs 态是热力学模拟、配分函数、SDP、Metropolis 的公共入口；核心难点是 $e^{-\beta H}$ 非酉。
• 三条主路线：虚时间滤波（QSVT/GQSP 实现，$\Theta (\beta )$ 顶格）、TFD purification（纯态化 + 谱滤波，常数友好）、量子 Metropolis（免配分函数，付混合时间）。
• $\Omega (\beta )$ 查询下界由量子传播速度限制背书；精度依赖分层（态距离 $\mathrm{poly}\log$ vs 采样 $1/\epsilon$）。
• 低温极限连接基态制备，读出端连接经典影子——Gibbs 制备是第 5、6 章技术在中端温度的汇合点。

习题

1. 证明 ITE 的滤波极限：对 ${\rho }_0$ 与基态重叠 $\eta >0$ 的初态，虚时间投影后的激发权重以 $e^{-2\beta \Delta }$ 衰减；由此估算”用 ITE 把重叠从 $\eta$ 提到 $1-\epsilon$“需要的 $\beta$（设谱隙 $\Delta$）。
2. 用 Bernstein 椭圆分析（QSP 详解）证明 $f(x)=e^{-\beta x}$ 的切比雪夫截断次数 $d=O(\beta \Vert H\Vert +\log (1/\epsilon ))$：写出 $M={\max }_{E_{\rho }}|f|$ 与 $\rho$ 的选取。
3. TFD 构造题：写出二维系统 $H=\mathrm{diag}(0,\Delta )$ 的 $|{\mathrm{TFD}}_{\beta }⟩$ 显式形式；求 ${\mathrm{tr}}_E$ 后验证为 Gibbs 态；计算制备它需要的幅度比 $\frac{\cos \text{-权重}}{\sin \text{-权重}}$ 并与 $\beta \Delta$ 联系。
4. 思考题：为什么量子 Metropolis 的”拒绝”步骤不能直接测量能量再回退？（提示：测量坍缩破坏提议分布的记忆；查 Temme 等人的相位记录解决方案并用自己的话复述。）
5. 能隙已知时，比较”QETU 模糊二分到基态”（大 $\beta$ 极限）与”QSVT 直接做 $e^{-\beta x}/Z$“两条路线的调用次数公式，找出交叉点（$\beta \Delta \approx ?$）并解释物理含义。

---

参考资料

• 本词条整理自《量子计算算法教程》原文：ch06-scientific-computing/gibbs-state
• 内容遵循 CC BY-NC-SA 4.0 许可协议