科学家们近期提出了一种新型的适应性随机编译器，旨在提高量子模拟的精度。该方法由吴宇霞、范云卓和张丹博三位研究者共同开发，利用哈密顿量的波动动态调整采样概率，从而优先考虑对量子态演化影响最大的哈密顿量项。这种波动引导的算法为量子模拟提供了一种直观且基于物理原理的方法，有效地提升了模拟的保真度。
在近似中等规模量子（NISQ）设备上进行量子模拟时，科学家们面临着量子比特数量、相干时间和门保真度等诸多限制。为了应对这些挑战，研究团队专注于提高哈密顿模拟的效率，这是许多量子算法中的核心任务。他们开发的适应性随机编译器（ARC）通过动态调整哈密顿量的各个项，优化了Trotter化过程，从而更有效地利用量子资源。
该算法通过量子费舍尔信息（QFI）作为指导指标，量化模拟对参数变化的敏感性。此外，研究还探索了离散和连续变量量子计算的结合，后者特别适合模拟某些系统，例如具有玻色模式的系统。为了进一步优化模拟过程，研究团队还研究了经典阴影技术，这是一种高效估计量子态特性的技术。
通过对离散变量、连续变量和混合变量系统的实验，研究人员验证了新方法的有效性。尽管测量波动带来了计算开销，但他们也指出，通过使用经典阴影技术可以显著降低这一负担。数值模拟结果一致表明，波动引导的适应性算法在性能上与早期的适应性方案相当或更优，这验证了基于哈密顿量项波动优先采样的有效性。这一研究不仅为量子计算的误差抑制提供了新的视角，也显著提升了复杂量子模拟的实际应用潜力。
