哈密顿量模拟：演化算子如何归约为受控相位多项式

给定一个 $n$ 比特哈密顿量 $H$，量子模拟的目标是以可控误差实现 $e^{-iHt}$。表面上这是一个矩阵指数化问题，实际上它的成本几乎全部由三样算术原语决定：受控相位多项式、交换寄存器、重复应用。本词条先把这三样列成清单，再说明为什么受控 $e^{-iHt}$ 只能在叠加态里使用（Hadamard 检验与它不可分割的辅助位），最后讲透关键归约——当精度要求高到一定程度，$e^{-iHt}$ 的实现退化成模幂式的重复应用，因此哈密顿量模拟的成本表可以直接引用模幂卷而不必另起炉灶。

一、这个应用需要哪种算术原语

把 $H$ 写成 Pauli 基下的多项式

$$H=\sum _k{c}_k{P}_k,P_k\in \{\mathbb{I},X,Y,Z{\}}^{\otimes n},$$

系数 $c_k$ 是经典常量。于是演化的第一步永远是分解，而不是指数化：

$$e^{-iHt}=\prod _k{e}^{-i{c}_{k}t{P}_k}+\text{误差}.$$

每个因子 $e^{-i\theta P_k}$ 的构造是完全机械的：一串 CNOT 把 $P_k$ 里所有非 $\mathbb{I}$ 的位置收集到一根线上，中间放一个角度为 $2\theta$ 的受控旋转，再把 CNOT 反做一遍。这条结构给出算术需求清单：

原语	在本应用中的角色	落到本站哪一卷
受控相位多项式	$P_k$ 的每一个系数贡献一个受控旋转；系数数量就是旋转条数	[[qft/qft-synthesis
交换寄存器（SWAP 网络）	把 Jordan–Wigner 费米化后的长程耦合搬到相邻比特上	[[exponentiation/windowed-exponentiation
重复应用 / 模幂	乘积公式要排 $m$ 层；截断展开要算 $(-iHt{)}^k$	[[exponentiation/schoolbook-exponentiation
受控加法链	截断展开里累加 ${\sum }_k(-it{)}^k{H}^k/k!$	[[adders/constant-and-increment-adders

清单里最容易被漏掉的是第二行。模拟的深度不只由旋转条数决定，还由费米化引入的 SWAP 数决定；Kivlichan 等（2018）把两者放在同一个取舍里讨论，正是因为在实宽度下 SWAP 有时才是瓶颈。

二、Hadamard 检验：辅助位不是优化，是必需品

$e^{-iHt}$ 指数一般是无理角，所以没有解析的本征分解可用；人们能拿到的只有 $H$，而 $H$ 的期望值可以用 Hadamard 检验测。于是受控 $e^{-iHt}$ 只能在叠加态里工作：把系统寄存器放在 $|+⟩$ 与 $|\psi ⟩$ 的纠缠上，用辅助位做干涉把相位差读成布比概率。这就是为什么哈密顿量模拟的线路图里总有一根单独的辅助位。

Hadamard 检验测 ⟨ψ|e^{-iHt}|ψ⟩：H = h₀I + h₁X₁，t 为演化时间

图里 受控 e^{-iHt} 只有两个旋转，因为 $H$ 只有两项。一般情形下这里的旋转条数等于 $H$ 的 Pauli 项数，这是哈密顿量模拟的第一笔账，也是所谓”稀疏哈密顿量”假设的全部含义。

三、两条演化路线，以及它们如何汇合

有了受控 $e^{-iHt}$，误差就只剩如何逼近这一个选择。两条主流路线：

乘积公式把演化拆成 $m$ 份小步，每份是若干个 $e^{-i{c}_{k}t{P}_k/m}$ 的乘积。它的优势是每个因子的旋转角度小，角度合成便宜；代价是 $m$ 层串起来，深度 $O(m)$，且误差随 $m$ 线性改善（对二阶对称化的乘积公式也是 $O(1/m)$，不是 $O(1/m^2)$）。

截断展开直接算 $e^{-iHt}\approx {\sum }_{k=0}^K(-iHt{)}^k/k!$。它把演化变成”求 $H$ 的 $K$ 次幂并累加”，代价是需要一个宽度随 $K$ 增长的累加器，以及把 $H^k$ 展开成 Pauli 多项式的工作量。

乘积公式的一轮：三个 Pauli 因子的受控旋转，重复 m 轮

两条路线在这里汇合，而且汇合方式值得说清：乘积公式的 $m$ 层与平方-乘法的 $n$ 次模乘是同一件事。当目标误差 $\epsilon$ 小到 $m=O(1/\epsilon )$，总旋转条数就是 $O(1/\epsilon )$ 量级——这与 Shor 里 $n$ 次平方的结构一致，只是 $n$ 换成了 $1/\epsilon$。因此哈密顿量模拟的高精度区间可以直接引用模幂卷的账目，不必另立一套：层数、每层门数、每层深度、相邻层之间的比特复用，四项逐项对应。

Kivlichan 等（2018）的贡献正落在这条汇合的另一边：他们把电子结构哈密顿量的模拟压到 $O(k)$ 深度与 $O({\eta }^{-1})$ 纠缠深度，代价是允许乘积公式的层数不随精度线性增长（换用更好的因子分解与换位寄存器调度）。这句话反过来印证了上面的归约——深度账与重复次数账是同一笔账的两种记法。

四、两条容易被省略的账

SWAP 账。 Jordan–Wigner 变换把两体相互作用变成 Pauli 串，代价是每步演化都要把”模式”移回原位。单次交换的深度是 $\Theta (n)$，因此交换总数直接乘进总深度。可行的应对有两类：把交换与其他因子交错调度（对某些填充顺序可摊还掉一部分），或换用 Bravyi–Kitaev 之类的变换改变记账方式。本站在窗口指数化里给出 Shor 场景下的交换计数口径，可作类比。

稠密线性代数账。 换一种写法，施加 $H$ 就是做一次稀疏矩阵-向量乘；在允许无界复制的门集下，矩阵乘法可达对数深度（Høyer–Špalek（2003）给出的无界 fan-out 模型正是定义这一可达性的门集）。但这是放宽硬件模型的结论：Gokhale 等（2021）把 fan-out 从理想模型落到具体器件与噪声模型上后，收益会因复制带来的保真度损失而缩水。用这类上界给哈密顿量模拟做资源估算时，必须注明它依赖哪一层假设。

论文依据

• Kivlichan 等（2018） —— 电子结构哈密顿量模拟的线性深度与线性连接结果；乘积公式与受控换位寄存器的算术取舍是本词条第一、三节的核心依据，也是 SWAP 账与深度账并置讨论的出处。
• Høyer–Špalek（2003） —— 无界 fan-out 门集的奠基论文；用于说明”稠密矩阵乘法可达对数深度”是一个模型内结论而非器件结论。
• Gokhale 等（2021） —— 把 fan-out 落到具体器件技术与噪声模型，给出算术深度的换算；本词条用它标注理想模型结论的适用边界。

延伸阅读

• schoolbook-exponentiation —— 高精度区间里 $e^{-iHt}$ 退化的那套重复应用账目
• windowed-exponentiation —— 交换寄存器的计数口径
• constant-and-increment-adders —— 截断展开里的受控加法链
• qft-synthesis —— 每个 Pauli 因子那个任意角受控旋转的合成成本