1. 量子退火器热力学测量的背景与意义

量子退火器作为一种特殊的量子计算设备，其核心原理是利用量子隧穿效应寻找能量景观的全局最小值。与传统计算机不同，量子退火器通过精心设计的退火过程，使量子系统从初始哈密顿量缓慢演化到目标哈密顿量，在此过程中系统状态会趋向于基态或热平衡态。这种特性使得量子退火器不仅可用于组合优化问题的求解，还能作为研究统计物理系统的实验平台。

在热力学模拟方面，量子退火器的一个重要应用是生成符合Gibbs分布的样本集合。Gibbs分布（又称玻尔兹曼分布）是统计力学中描述系统在热平衡状态下概率分布的基础模型，其数学形式为：

P(s) ∝ exp(-E(s)/kT)

其中E(s)表示系统在状态s下的能量，k为玻尔兹曼常数，T为系统温度。Gibbs分布在物理学、化学、生物学以及机器学习等领域都有广泛应用，例如在受限玻尔兹曼机（RBM）等概率图模型中就采用了这一分布。

关键提示：量子退火器实现Gibbs采样的质量直接决定了其在统计物理模拟和机器学习应用中的可靠性。因此，对采样分布的实验验证至关重要。

2. 实验设计与方法解析

2.1 硬件平台与系统架构

本研究使用了四台D-Wave量子退火器进行实验，包括Advantage system4.1、Advantage system6.4、Advantage2 System1.1和Advantage2 Prototype2.6。这些设备的核心组件是超导flux量子比特，通过可编程耦合器连接形成特定拓扑结构。

量子退火器的哈密顿量可表示为： H = -A(s)/2 Σσ_x^i + B(s)/2 ΣJ_ijσ_z^iσ_z^j

其中A(s)和B(s)是退火函数，s∈[0,1]是退火参数。A(s)随s增加而减小，B(s)则相反。实验采用标准前向退火方案，关闭了自动重缩放功能，启用flux漂移补偿，并设置了10μs的读取热化时间。

2.2 一维反铁磁Ising环模型

为验证Gibbs采样质量，研究团队选择了一维周期性反铁磁Ising环作为基准模型。该模型的哈密顿量为： H = Σσ_z^iσ_z^{i+1} (周期性边界条件)

这个模型具有精确的解析解，可以严格计算不同温度下的理论分布。在反铁磁Ising环中，定义域壁为相邻自旋指向相同方向的情况（违反反铁磁序）。对于Nqb个量子比特的环，域壁数目Ndw的理论概率分布为：

p(Ndw; teff) = 2 (Nqb choose Ndw) exp(-2Ndw/teff)/Z(teff, Nqb)

其中teff是无量纲有效温度，Z是配分函数。通过比较实验测量的域壁分布与理论预测，可以量化Gibbs采样的准确性。

2.3 温度提取方法

从实验数据提取有效温度的关键步骤如下：

1. 对每组参数(Nqb, jenc, τ)，收集10,000-100,000次退火运行的样本
2. 从原始数据统计域壁数目，构建经验分布ξ(Ndw)
3. 最小化经验分布与理论分布的总变差距离(TVD)： ε(teff) = 1/2 Σ|ξ(Ndw)-p(Ndw;teff)|
4. 使用共轭梯度算法优化teff，初始值通过平均域壁密度⟨ndw⟩=⟨Ndw⟩/Nqb估计

TVD的取值范围为0到1，可以直观理解为"最大百分比误差"。这种方法相比传统的基于能量的温度估计更加稳健，特别适合大规模系统。

3. 实验结果与关键发现

3.1 Gibbs采样质量评估

实验覆盖了三个数量级的系统规模（Nqb从11到4001）、多种耦合强度(jenc从0.1到1.0)和退火时间(τ从10μs到1000μs)。主要发现包括：

1. 系统规模无关性：有效温度teff基本与系统大小Nqb无关（图2），这一结果支持了有限尺寸标度分析的可靠性。早期在小系统上的研究曾观察到尺寸效应，但本实验在大规模系统中未发现明显依赖。

2. 退火时间依赖性：teff随退火时间τ单调递减（图3c,d），最终趋于渐近值。这表明较长的退火时间使系统更接近热平衡。

3. 设备代际差异：新一代Advantage2系统的有效温度明显低于前代设备（约低2倍），同时表现出更强的量子相干性特征（图3a,b）。

3.2 温度偏移现象的发现

最关键的发现是推翻了teff ∝ 1/jenc的原有假设。实验数据表明存在一个与耦合无关的温度偏移¯teff：

teff = ¯teff + α(τ,Nqb)Tmachine/Jphys

这个偏移量在不同机器上约为0.2-0.4（图4a），且随退火时间变化（图4b）。温度偏移的可能来源包括：

• 残余纵向噪声或flux噪声
• 量子退相干效应
• 量子比特提前"冻结"现象

这一发现对量子退火器的应用有重要影响：在需要精确控制有效温度的场景中，必须考虑这一偏移量，否则会导致系统性偏差。

3.3 物理温度与机器温度的关系

通过定义物理温度Tphys = Jphysteff，可以研究量子退火器的实际工作温度。实验发现：

α(τ,Nqb) = Tphys/Tmachine

通常大于1（图4b），表明量子比特的实际工作温度高于标称的15mK。但在最新Advantage2系统上，α可能低于1，这可能反映了更强的量子效应或不同的噪声特性。

4. 实际应用中的注意事项

4.1 参数选择建议

1. 退火时间：对于热力学模拟应用，建议使用较长退火时间（≥500μs）以获得更稳定的Gibbs分布。短退火时间（<50μs）下量子相干效应会显著影响采样质量。

2. 耦合强度：中等耦合强度（jenc≈0.3-0.7）通常能获得最佳采样质量。过强耦合可能导致基态占据主导，过弱耦合则会使系统进入高温无序态。

3. 系统规模：为避免有限尺寸效应，建议Nqb≥100。但也要注意硬件限制，过大的系统可能需要链式嵌入，引入额外复杂性。

4.2 常见问题排查

1. 分布偏差过大：

   • 检查耦合强度是否合适
   • 尝试增加退火时间
   • 验证量子比特校准状态

2. 温度估计不稳定：

   • 增加采样次数（>50,000次）
   • 检查域壁统计是否达到稳态
   • 考虑使用更稳健的估计方法

3. 设备间结果不一致：

   • 注意不同代际设备的特性差异
   • 考虑温度偏移量的影响
   • 统一退火参数和读取设置

5. 技术实现细节与优化

5.1 实验配置要点

1. 嵌入方案：实验采用"无链式"嵌入，即每个逻辑自旋对应一个物理量子比特（图1e）。这种方案避免了链式耦合引入的额外复杂性，但要求硬件拓扑与问题图结构兼容。

2. 参数扫描策略：为高效利用QPU资源，采用动态样本分配策略：

   • 高耦合或低温区域分配更多样本（达100,000次）
   • 中等参数区域使用10,000-20,000次
   • 基于预期复杂度线性插值分配

3. 数据采集优化：考虑QPU的1秒/任务限制，精心设计实验序列：

   • 并行提交多个参数组合
   • 平衡退火时间、编程时间和读取开销
   • 使用Ocean SDK API实现自动化流程

5.2 分析方法改进

1. 温度提取算法：采用两阶段优化策略：

   • 第一阶段：从平均域壁密度获得初始估计
   • 第二阶段：共轭梯度法最小化TVD
   • 典型收敛需30次迭代以内

2. 误差处理：对特殊情况的处理方案：

   • 极低温区域（teff<0.4）：方法失效（系统总是处于基态）
   • 极高温区域：统计饱和（最大熵状态）
   • 使用黄金区域标记无效数据点（图2）

3. 多设备一致性检查：为确保结果可靠性：

   • 在四台不同QPU上重复实验
   • 比较相同参数下的teff和ε
   • 分析设备间差异的系统性模式

6. 未来研究方向与潜在应用

6.1 基础研究延伸

1. 温度偏移的物理起源：需要进一步研究¯teff的微观机制，可能途径包括：

   • 详细噪声谱表征
   • 量子退相干过程建模
   • 冻结效应动态分析

2. 复杂系统Gibbs采样：当前结果限于一维系统，未来可探索：

   • frustrated系统（如kagome晶格）
   • 更高维晶格
   • 长程相互作用模型

3. 量子-经典交叉区域：研究退火时间在量子相干时标附近的转变：

   • 量子Kibble-Zurek机制与热化的竞争
   • diabatic极限下的采样特性

6.2 应用领域拓展

1. 优化问题求解：Gibbs采样质量直接影响：

   • 量子近似优化算法(QAOA)
   • 量子增强的蒙特卡洛方法
   • 组合优化问题的解分布

2. 机器学习应用：在以下领域有潜在价值：

   • 受限玻尔兹曼机训练
   • 概率图模型采样
   • 生成式模型实现

3. 量子基准测试：建立标准化的评估框架：

   • 跨平台Gibbs采样指标
   • 温度标定协议
   • 噪声影响量化方法

在实际操作中发现，新一代量子退火器虽然提供了更高的量子相干性，但在Gibbs采样应用中可能需要特殊的参数调整。特别是在短退火时间区域，量子效应会显著影响采样分布，这在某些模拟中可能成为干扰因素，但在研究量子-经典交叉现象时却可能成为优势。