[论文解读] A unified quantum computing quantum Monte Carlo framework through structured state preparation

Giuseppe Buonaiuto, Antonio Márquez Romero+5 more|arXiv (Cornell University)|Mar 26, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

论文通过使用任务自适应的量子态制备单元，将QCQMC扩展到处理基态、激发态、优化以及跨多领域的有限温度问题，并且跨领域基准测试显示QMC扩散可以提高精度。

ABSTRACT

We extend Quantum Computing Quantum Monte Carlo (QCQMC) beyond ground-state energy estimation by systematically constructing the quantum circuits used for state preparation. Replacing the original Variational Quantum Eigensolver (VQE) prescription with task-adapted unitaries, we show that QCQMC can address excited-state spectra via Variational Fast Forwarding and the Variational Unitary Matrix Product Operator (VUMPO), combinatorial optimization via a symmetry-preserving VQE ansatz, and finite-temperature observables via Haar-random unitaries. Benchmarks on molecular, condensed-matter, nuclear-structure, and graph-optimization problems demostrate that the QMC diffusion step consistently improves the energy accuracy of the underlying state-preparation method across all tested domains. For weakly correlated systems, VUMPO achieves near-exact energies with significantly shallower circuits by offloading optimization to a classical tensor-network pre-training step, while for strongly correlated systems, the QMC correction becomes essential. We further provide a proof-of-concept demonstration that Haar-random basis state preparation within QCQMC yields finite-temperature estimates from pure-state dynamics.

研究动机与目标

• 将QCQMC的应用扩展到基态能量估计之外的领域以激励研究拓展。
• 通过改变态制备单元，将QCQMC应用到不同领域，建立通用工作流程。
• 展示领域特异的基底（通过VQE、VFF、VUMPO等）如何提升与目标态的重叠。
• 在QCQMC中展示有限温度与激发态能力。
• 在分子、凝聚态、核结构和图优化等问题上进行基准测试以评估性能。

提出的方法

• 将标准基于VQE的态制备替换为领域自适应的单元U_g以生成量子游走者。
• 将量子游走者构造成|ψ̃_i⟩ = U_g|b_i⟩并在变换基中计算哈密顿量矩阵元。
• 通过QCQMC扩散步骤传播游走者，并对激发态与有限温度估计进行多目标(M)串行评估。
• 使用Hadamard测试电路来估计跃迁振幅及其符号以获得哈密顿量矩阵元。
• 探索多种态制备策略（VQE、VFF、VUMPO、SPA、UCCSD、HEA）及保持对称性的编码，以控制表达能力与电路深度。
• 为目标量（基态、激发态、有限温度）提供估计量，包括投影能量、变分能量以及基于 Haar-random 的热估计。

Figure 1: A schematic workflow of the Cross-domain QCQMC.

实验结果

研究问题

• RQ1 QCQMC如何在基态能量估计之外推广至激发态、优化和有限温度观测？
• RQ2 是否可以通过问题定制的量子基底（VFF、VUMPO或对称性保持的解法）改善与目标态的重叠并降低量子电路深度？
• RQ3 不同态制备策略如何影响在化学、核结构、凝聚态与图优化问题上的QCQMC性能？
• RQ4 在QCQMC中 Haar 随机基态制备在多大程度上能产生有限温度估计？
• RQ5 影响收敛的实际超参数（时间T、时间步Δτ、初始游走者）在不同领域有何要求？

主要发现

f(H)	U_g	QMC^{(M)}_{G}	\overline{f^{(M)}}(H)
Ground State	VQE/VFF/VUMPO	M=0,G=1	E_{pr}^{(m)}
Excited States	VFF/VUMPO	M≠0,G=1	E_{var}^{(m)}
Optimization problem	VQE	M=0,G=1	E^{0}_{\rm{pr}},|\widetilde{\Psi}^{0}\rangle"],[
Finite temperature averages	Random Haar/ t-design	M=0,G>1	E^{0}_{\rm{sf}}

• 通过针对领域特定的幺正变换定制量子基底，QCQMC框架能够处理激发态谱、优化以及有限温度观测。
• VUMPO与VFF在弱相关系统上在深度较浅的电路下实现近似精确能量，并可通过经典预训练得到帮助。
• 对于强相关系统，QCQMC的修正成为实现高精度结果的关键。
• Haar 随机基态制备使在QCQMC中通过纯态动力学获得有限温度估计成为可能。
• 利用对称性与编码（如Hamming 权重）可减小子空间尺寸与电路深度，同时保持目标性质。
• 在分子、凝聚态、核结构和图优化的基准测试中，QCQMC扩散步骤始终提升能量精度。

Figure 2: Modified Hadamard test to compute the absolute value of all the transition matrix elements $|\widetilde{P}_{ij}|=|\langle b_{j}|U^{\dagger}PU|b_{i}\rangle|$ for a fixed input state $|b_{i}\rangle$ .