可调谐从体积律到面积律的随机量子态集合

论文信息

标题: Ensembles of random quantum states tunable from volume law to area law

作者: Héloïse Albot, Sebastian Paeckel

发布日期: 2026-04-16

arXiv ID: 2604.15300v1

PDF链接: 下载PDF

论文背景与研究动机：从体积律到面积律的随机态探索

在量子信息科学、量子多体物理和量子计算领域，随机量子态扮演着至关重要的角色。它们不仅是测试量子协议、评估量子算法性能的基准，也是理解量子系统典型行为、研究量子相变和量子混沌现象的关键工具。长期以来，从哈尔测度 中采样的随机纯态被视为“最随机”的标准。一个 $n$ 量子比特的哈尔随机态，其系数在 $2^n$ 维的复希尔伯特空间中均匀分布。

然而，这种“标准”随机态存在一个根本性的、限制其广泛应用的问题：其纠缠特性表现为体积律。对于一个将系统划分为两个部分（A 和 B）的二分，纠缠熵 $S_A$（通常用量子化的冯·诺依曼熵衡量）与子系统 A 的体积（即其包含的量子比特数）成正比。这意味着纠缠随系统尺寸线性增长，是“高度纠缠”的。这种特性带来了双重挑战：

1. 经典模拟的不可行性：体积律纠缠的量子态，其描述复杂度随系统尺寸指数增长，使得用经典计算机（如通过矩阵乘积态）进行高效模拟变得极其困难甚至不可能。这与我们通常关注的低能物理（如哈密顿量的基态）形成了鲜明对比，后者往往表现出面积律纠缠，即纠缠熵与子系统边界的面积成正比（在一维链中，面积即常数），因此可以被经典算法高效近似。
2. 物理代表性的缺失：许多物理上感兴趣的量子系统，特别是局域哈密顿量的基态和低激发态，由于相互作用局域性的限制，通常表现出面积律纠缠。因此，哈尔随机态无法代表这些典型物理态，用它们作为测试基准可能会得出与真实物理系统不符的结论。

因此，一个核心的研究动机和长期存在的障碍是：如何构造一个可控的、能够平滑地在体积律和面积律之间调谐的随机量子态集合？ 这不仅能提供一个更贴合物理现实的随机性基准，还能为研究纠缠相变、探索量子混沌与可积性的边界提供理想的理论工具。本文提出的 $\sigma$-系综，正是为了直接解决这一挑战。

核心方法：构建可调谐的 $\sigma$-系综

本文的核心创新在于引入了一个仅由单一参数 $\sigma$ 控制的随机量子态家族——$\sigma$-系综。其构造方法巧妙地将对纠缠结构的直接控制，转化为对子系统特征值概率分布的设定，并利用矩阵乘积态框架进行全局态的重构。

方法概述与直觉

核心思想是逆向工程：我们不直接生成一个随机态然后分析其纠缠，而是先指定我们想要的纠缠结构（通过子系统约化密度矩阵的特征值分布来控制），然后反向构造出一个满足该条件的全局纯态。

对于一个 $N$ 个格点的一维系统，我们考虑从左端开始不断增大的子系统序列：第一个格点、前两个格点、……、前 $N-1$ 个格点。对于第 $k$ 个这样的子系统，其约化密度矩阵 $\rho_k$ 的特征值谱 $\{\lambda_i^{(k)}\}$ 决定了该分割下的纠缠熵。通过控制这些特征值谱的随机分布，就能控制纠缠的尺度行为。

技术细节分步解析

第一步：定义特征值概率分布

作者为每个子系统 $\rho_k$ 的特征值谱设定了一个由参数 $\sigma$ 控制的概率分布。具体而言，他们引入了一个基于截断正态分布的模型。特征值 $\lambda_i$ 被映射到一个“能量”变量 $E_i = -\ln \lambda_i$。对于第 $k$ 个子系统，这些 $E_i$ 被建模为从一个均值为 $\mu_k$、方差为 $\sigma^2$ 的正态分布中独立同分布地采样，并施加一个下界截断以确保归一化（$\sum \lambda_i = 1$）。

这里的关键是：

• 参数 $\sigma$：它是整个系综唯一的控制旋钮。$\sigma$ 控制着特征值分布的“分散程度”。
• 均值 $\mu_k$：它与子系统大小 $k$ 有关，其函数形式被精心选择，以确保最终能重构出一个物理的全局纯态。论文中暗示 $\mu_k$ 需要满足一定的约束条件，这些条件源于量子态的层级结构（即较大子系统的密度矩阵包含较小子系统的信息）。

第二步：通过 MPS 进行态重构

在设定了所有子系统的特征值谱 $\{\{\lambda_i^{(k)}\}\}$ 之后，如何找到一个全局纯态 $|\Psi\rangle$，使得其对所有 $k$ 的约化密度矩阵 $\rho_k$ 都具有这些指定的特征值？

这是问题的难点所在。作者巧妙地利用了矩阵乘积态 的形式来解决。在 MPS 表示中，一个纯态可以写为： $|\Psi\rangle = \sum_{s_1,\ldots,s_N} A^{s_1} A^{s_2} \cdots A^{s_N} |s_1, s_2, \ldots, s_N\rangle$ 其中 $A^{s_i}$ 是关联于格点 $i$ 和物理自由度 $s_i$ 的矩阵。MPS 的核心是中心规范形式，在该形式下，第 $k$ 个键（bond）处的中心矩阵 $C^{[k]}$ 的奇异值平方，恰好就是子系统 $[1:k]$ 的约化密度矩阵 $\rho_k$ 的特征值。

因此，重构过程变得直接：

1. 对于每个 $k$，从指定的概率分布中采样得到 $\rho_k$ 的特征值 $\{\lambda_i^{(k)}\}$，取平方根得到一组奇异值 $\{\sigma_i^{(k)}\}$。
2. 将这些奇异值作为 MPS 在第 $k$ 个键处的中心矩阵 $C^{[k]}$ 的奇异值。
3. 随机生成满足幺正/等距条件的左、右正交矩阵，与这些中心矩阵结合，形成完整的随机 MPS 张量 $\{A^{s_i}\}$。
4. 由此生成的 MPS $|\Psi\rangle$ 即为我们所需的 $\sigma$-系综的一个随机样本。

纠缠行为的调谐机制

参数 $\sigma$ 如何控制从体积律到面积律的转变？

• $\sigma \to 0$（面积律区）：当 $\sigma$ 很小时，特征值分布高度集中。这意味着对于任何子系统 $k$，其约化密度矩阵 $\rho_k$ 的特征值谱中，只有一个特征值接近 1，其余都接近 0。这对应于极低的纠缠熵，且熵值不随 $k$ 增大而增长，即面积律。生成的态类似于乘积态。
• $\sigma \to \infty$（体积律区）：当 $\sigma$ 很大时，特征值分布非常平坦。对于大小为 $k$ 的子系统，其约化密度矩阵 $\rho_k$ 的特征值大致均匀分布在 $2^k$ 个可能的值上（受限于截断和归一化）。这导致纠缠熵 $S_k \propto k$，即体积律。此时，$\sigma$-系综逼近哈尔随机态的行为。
• 中间 $\sigma$：通过调节 $\sigma$，可以连续地改变特征值分布的平坦度，从而实现对纠缠熵尺度行为的精细控制，可能观察到从面积律到体积律的临界转变点。

创新点与核心贡献

1. 单一参数的可调谐系综：本文最大的创新是提出了一个仅由 $\sigma$ 参数控制的随机态家族，首次实现了在同一个理论框架下，对随机量子态的纠缠行为进行从面积律到体积律的连续、可控调节。这解决了该领域长期存在的一个关键障碍。
2. 基于特征值分布与 MPS 的构造范式：将纠缠控制问题转化为对子系统特征值概率分布的设定，并利用 MPS 的中心规范形式进行高效、严格的逆向重构。这一方法论为设计和研究具有特定纠缠结构的随机态提供了新的通用范式。
3. 经典可模拟性与物理代表性：通过将 $\sigma$ 调至小值，该系综生成本质上具有面积律纠缠的态，这意味着它们可以用 bond dimension 较小的 MPS 高效表示和模拟。同时，这些态更接近局域哈密顿量的典型基态，从而提供了比哈尔随机态更具物理代表性的随机性基准。
4. 连接信息论与多体物理：该工作将量子信息中关于随机态和纠缠熵的理论，与多体物理中用于模拟的 MPS 数值工具紧密结合，架起了一座桥梁。

实践应用建议与未来发展方向

在量子计算与模拟中的应用建议

• 量子算法基准测试：在开发新的量子变分算法（如 VQE）或量子机器学习模型时，可以使用 $\sigma$-系综作为测试问题。通过调节 $\sigma$，可以生成从简单（面积律，类似乘积态）到复杂（体积律，类似随机态）的一系列问题，系统性地评估算法在不同纠缠复杂度下的性能、收敛速度和稳健性。
• 量子硬件验证：对于量子处理器，可以设计实验来制备 $\sigma$-系综的态（例如通过浅层随机量子电路近似）。测量其在不同分割下的纠缠熵，并与理论预测对比，可以作为验证量子态制备保真度和衡量芯片“随机态生成能力”的新基准。
• 张量网络算法测试：该系综是测试和发展经典张量网络算法（如 DMRG、TEBD）的绝佳平台。可以固定 $\sigma$ 生成大量随机 MPS 样本，用于测试算法在寻找基态、时间演化或计算关联函数时的平均性能和最坏情况性能。

在人工智能（机器学习）中的潜在交叉应用

• 生成模型与表示学习：$\sigma$-系综的构造过程本质上是一个具有特定结构先验的生成模型。这可以启发新型的量子生成对抗网络或量子玻尔兹曼机的设计，其中“纠缠复杂度” $\sigma$ 可以作为一个可学习的隐变量或超参数，用于控制生成数据的复杂度和相关性结构。
• 复杂数据表示：高纠缠（大 $\sigma$）的量子态可以编码复杂的数据关联。研究如何将经典数据（如图像、图数据）嵌入到 $\sigma$-系综的态中，并利用 $\sigma$ 参数来量化数据的内在复杂度，可能为数据科学提供新的分析工具。
• 强化学习环境：可以将构造一个目标 $\sigma$-系综态的任务设计为一个强化学习环境。智能体通过操作量子门（动作）来生成态，其奖励函数基于最终态与目标纠缠熵分布的匹配程度。这可用于自动发现制备特定纠缠结构量子态的电路。

未来研究方向展望

1. 实验实现与验证：如何在当前的量子模拟器或量子处理器上有效制备 $\sigma$-系综的态？需要设计浅层、高效的量子电路来近似这些态，并开发相应的纠缠层析协议。
2. 超越一维：当前工作基于一维 MPS。如何将这一框架推广到二维或更高维度？这可能需要借助投影纠缠对态或其它高维张量网络，其技术挑战性更大，但应用前景更广。
3. 动力学推广：目前研究的是静态随机纯态。一个自然的发展是构造具有可调纠缠尺度的随机量子过程或时间演化算子的系综，用于研究量子混沌、信息置乱和热化动力学。
4. 严格的理论分析：需要对 $\sigma$-系综的精确统计性质进行更深入的理论分析，例如其态之间的平均距离、关联函数的统计行为、以及与随机矩阵理论的联系等。
5. 探索临界现象：在中间 $\sigma$ 值，可能存在一个纠缠相变点。深入研究该临界点附近的标度行为和普适性类，将有助于理解量子多体系统中的纠缠相变。

总结与展望

《Ensembles of random quantum states tunable from volume law to area law》这篇论文提出了一项简洁而强大的理论创新：$\sigma$-系综。它通过一个参数，优雅地统一了从低纠缠的面积律态到高纠缠的体积律态的光谱，解决了随机量子态研究中的一个核心痛点。

这项工作的意义远不止于提供了一个新的数学构造。它为我们思考量子随机性、量子纠缠和经典可模拟性之间的关系提供了新的视角。通过将信息论约束（特征值分布）与强大的数值表示工具（MPS）相结合，它开辟了一条设计具有定制化纠缠属性的量子态的新途径。

展望未来，$\sigma$-系综有望成为量子信息、多体物理和量子计算领域的一个标准工具。它既可作为测试新思想、新算法的“标尺”，也可能启发我们对量子物质复杂相、量子机器学习模型表达能力的全新理解。随着量子硬件的进步，在实验上探索这一可调谐的随机性景观，必将带来更多令人兴奋的发现。