MLGO微算法科技發佈可在現有量子計算機運行的變分量子模擬技術

在量子計算從實驗室走向工程化應用的進程中，如何在受噪聲和規模限制的現實硬件條件下，穩定求解複雜量子系統的關鍵物理量，已成為制約產業落地的重要瓶頸之一。虛時演化被公認為研究量子系統基態性質的核心工具之一，其通過抑制高能態、驅動系統自然收斂至低能態的機制，在理論與經典數值模擬中已被廣泛驗證。然而，由於虛時演化本質上對應非酉動力學過程，這一方法長期難以在真實量子計算機上直接實現，成為量子算法工程化中的一項根本性難題。

基於這一現實挑戰，微算法科技（NASDAQ:MLGO）量子計算研發團隊近日發佈了一項基於變分假設的虛時演化量子模擬技術。該技術以混合量子—經典算法為核心，通過變分參數化量子態對虛時演化過程進行近似投影，在避免非酉算符直接實現的同時，保留了虛時演化向基態收斂的關鍵物理特性。依託淺量子電路和誤差緩解機制，該方法可在現有量子計算機上穩定運行，為多粒子系統基態求解提供了一條具有工程可行性的全新路徑。

虛時演化在量子物理、量子化學和多體系統研究中佔據着基礎性地位。在理論上，通過將真實時間演化中的時間變量替換為虛數，可以使量子系統的高能態迅速衰減，從而在長時間極限下自然收斂到系統的基態。這一性質使得虛時演化成為求解基態能量、分析相變行為以及研究熱力學極限的重要工具。然而，虛時演化對應的動力學過程是非酉的，而量子計算機的基本演化由嚴格的酉算符構成，這一根本性矛盾長期限制了虛時演化在真實量子硬件上的直接實現。

傳統的解決思路往往依賴於複雜的線性組合方法、輔助量子比特擴展或深層量子線路結構，這些方法在理論上可行，但在實際硬件上往往面臨電路深度過大、噪聲累積嚴重、成功概率迅速下降等問題，難以在當前的中等規模量子設備上穩定運行。正是在這一背景下，微算法科技從近似實現虛時演化的物理效果這一核心目標出發，重新審視了虛時演化的本質需求，並提出了一種以變分假設為核心的混合量子—經典算法框架。

該技術的核心思想並非直接在量子計算機上實現非酉演化算符，而是通過構造一個參數化的量子態族，使其在參數空間中的演化軌跡儘可能逼近真實虛時演化所對應的態演化路徑。換言之，算法不再試圖模擬算符，而是轉而模擬狀態。這一轉變看似簡單，卻在根本上降低了對量子硬件的要求，使虛時演化的模擬首次能夠在淺量子電路條件下實現。

在具體實現層面，微算法科技變分虛時演化算法以參數化量子線路作為量子態的表示形式。初始狀態通常選取為一個容易製備的參考態。隨后，通過引入一組可調參數，對應量子線路中的旋轉角度或糾纏門結構，使該參數化量子態能夠在希爾伯特空間中覆蓋足夠豐富的物理態區域。這一參數化結構的設計充分考慮了當前量子硬件的可實現性，優先採用局域門和淺層糾纏結構，從工程上確保算法的可執行性。

虛時演化在該框架中的實現方式並非通過直接作用演化算符，而是通過在每一個演化步長上，求解一組由變分原理導出的參數更新方程。這些方程通常來源於最小化量子態與真實虛時演化態之間距離的條件，或者等價地，通過投影方法將虛時演化方程映射到參數空間中。由此得到的參數更新規則，既保留了虛時演化壓制高能態、向基態收斂的核心物理特性，又完全避免了非酉算符在量子線路中的直接實現。

在這一混合算法框架中，量子計算機的主要任務是製備當前參數下的量子態，並對與哈密頓量相關的期望值和相關矩陣元素進行測量。這些測量結果隨后被傳遞給經典優化模塊，由經典計算機完成線性方程組求解或參數更新計算，並生成下一步的參數值。量子與經典模塊在每一次迭代中形成閉環協同，從而實現對虛時演化過程的逐步逼近。

微算法科技（NASDAQ:MLGO）該算法天然具備良好的誤差緩解特性。由於參數更新依賴於期望值測量而非精確的量子態製備，算法對噪聲的敏感度顯著低於深電路量子算法。同時，變分框架允許在存在系統誤差的情況下，通過參數空間的調整自動吸收部分誤差影響，使最終收斂結果依然能夠保持較高的物理準確性。這一特性對於當前噪聲中等規模量子設備而言尤為關鍵，也正是該技術能夠在現有量子計算機上落地的重要原因之一。

該技術在實驗中展現出的穩定性和可擴展性，為其在更大規模系統中的應用奠定了基礎。隨着量子比特數量的增加和硬件性能的提升，該變分虛時演化框架可以通過擴展參數化線路結構和測量策略，平滑地過渡到更復雜的多體系統，而無需在算法層面進行根本性重構。這種隨硬件成長而自然擴展的特性，使該技術具備明顯的工程優勢。

從應用角度來看，微算法科技研發的基於變分假設的虛時演化量子模擬技術並不僅限於基態能量計算。由於虛時演化本質上是一種能量最小化過程，該算法框架可以自然推廣到一般形式的組合優化問題和連續優化問題中。在這些問題中，目標函數可以被編碼為量子哈密頓量，優化過程則通過變分虛時演化實現。這為量子優化算法和量子機器學習模型提供了一種統一且物理直觀的實現範式。

在量子機器學習領域，該技術同樣展現出重要潛力。許多量子機器學習模型的訓練過程可以被理解為在參數空間中尋找某種低能態或最優解，而變分虛時演化恰好提供了一種穩定、物理約束明確的參數更新機制。相比於完全依賴梯度下降的經典優化策略，該方法在高維參數空間中具有更強的收斂指引性，有望緩解量子神經網絡訓練中常見的梯度消失或局部極小值問題。

從企業研發的視角來看，該技術的提出並非孤立成果，而是微算法科技（NASDAQ:MLGO）長期圍繞可落地量子算法這一核心目標持續探索的結果。研發團隊在算法設計之初即充分考慮了硬件限制、測量成本和噪聲模型等工程因素，避免了僅在理想條件下成立的理論構造。這種以工程可實現性為導向的研發策略，使得該變分虛時演化技術不僅在理論上自洽，而且在實際量子計算平臺上具備明確的實施路徑。

未來，隨着量子硬件規模的進一步擴大和誤差率的持續下降，微算法科技計劃在現有算法框架基礎上，引入更靈活的參數化量子線路結構、自適應演化步長策略以及更高效的測量與誤差緩解技術，從而進一步提升算法的精度與收斂速度。同時，該技術也有望與其他混合量子—經典算法深度融合，形成面向量子化學、材料科學和人工智能等領域的通用量子計算解決方案。

微算法科技基於變分假設的虛時演化量子模擬技術在概念上成功彌合了虛時演化物理模型與量子硬件實現之間的長期鴻溝，在工程上為當前量子計算機提供了一種高效、穩定且可擴展的應用方案。它不僅為多粒子系統基態問題提供了新的求解工具，也為量子算法從理論走向產業應用提供了具有示範意義的技術範式。