4. 量子化学计算中的统计误差与采样噪声

在量子化学的许多现代算法中，尤其是变分量子本征求解器（VQE）、量子蒙特卡洛（QMC）以及基于量子线路的期望值估计，最终结果并不是通过一次确定性计算直接得到的，而是通过对大量测量样本的统计平均来逼近。这意味着，即使量子态制备和线路本身完全理想，有限次测量也会引入统计误差，也就是我们常说的采样噪声。理解这种噪声的来源、传播方式以及如何量化它，是误差缓解工程中不可跳过的一环。

有限采样为什么会产生期望值偏差

假设我们要估计某个可观测量 \(A\) 在量子态 \(|\psi\rangle\) 下的期望值 \(\langle A \rangle = \langle \psi | A | \psi \rangle\)。在量子计算机上，通常的做法是将 \(A\) 分解为若干泡利字符串的线性组合：

A = Σ_i c_i P_i

其中 \(P_i\) 是泡利字符串，\(c_i\) 是实系数。对每一项 \(P_i\)，我们通过重复制备 \(|\psi\rangle\) 并测量来估计其期望值 \(\langle P_i \rangle\)。如果每个 \(P_i\) 测量 \(N_i\) 次，得到的结果是一个二项分布或多项分布的样本均值。根据中心极限定理，估计值 \(\hat{\langle P_i \rangle}\) 的标准差约为 \(\sqrt{\text{Var}(P_i)/N_i}\)。当 \(N_i\) 有限时，\(\hat{\langle P_i \rangle}\) 会围绕真实值波动，进而导致 \(\hat{\langle A \rangle}\) 出现偏差。这种偏差不是系统误差，而是随机误差，它不会因为算法改进而消失，只能通过增加测量次数或改进采样策略来压低。

测量次数与精度的定量关系

对于单个泡利字符串 \(P\)，其测量结果只有 +1 和 -1 两种可能。设真实期望值为 \(\mu = \langle P \rangle\)，测量 \(N\) 次后得到样本均值 \(\bar{x}\)。根据二项分布的性质，\(\bar{x}\) 的标准误为：

SE = sqrt((1 - μ²) / N)

当 \(\mu\) 接近 0 时，SE 最大，约为 \(1/\sqrt{N}\)；当 \(\mu\) 接近 ±1 时，SE 趋近于 0。因此，对于期望值接近 0 的项，需要更多测量次数才能达到同样的绝对精度。在实际工程中，我们通常设定一个目标精度 \(\epsilon\)，然后反推所需测量次数：

N ≥ (1 - μ²) / ε²

由于 \(\mu\) 未知，常用最坏情况 \(\mu=0\) 来估算，即 \(N \geq 1/\epsilon^2\)。例如，若希望单个泡利项的绝对误差不超过 0.01，则至少需要约 10000 次测量。对于包含几十甚至上百个泡利项的可观测量，总测量次数会迅速膨胀，这正是采样噪声成为量子化学计算瓶颈的原因之一。

采样误差如何传播到能量与性质

在 VQE 中，能量期望值 \(E = \langle H \rangle = \sum_i c_i \langle P_i \rangle\)。每个 \(\langle P_i \rangle\) 的估计误差会独立地传播到能量中。若各泡利项的测量相互独立，则能量的方差为：

Var(E) = Σ_i c_i² Var(⟨P_i⟩) ≈ Σ_i c_i² (1 - ⟨P_i⟩²) / N_i

如果对所有项分配相同的测量次数 \(N\)，则能量标准差为 \(\sqrt{\sum_i c_i² (1 - \langle P_i \rangle²) / N}\)。可以看到，系数 \(c_i\) 越大的项对总误差贡献越大。因此，在测量资源分配时，应该给系数绝对值大的泡利项分配更多测量次数，这就是所谓的“加权采样”或“最优分配”策略。类似地，其他分子性质如偶极矩、电荷密度等，也都是多个泡利项期望值的线性组合，误差传播规律相同。

误差条估计实战

在实际计算中，仅仅给出一个能量数值是不够的，我们还需要给出误差条，即能量估计的标准差。误差条估计有两种常用方法：解析传播和多次独立运行。

解析传播法：根据前面给出的方差公式，直接计算 \(\sigma_E = \sqrt{\sum_i c_i^2 (1 - \langle P_i \rangle^2) / N_i}\)。这种方法不需要额外测量，但要求我们知道每个泡利项的测量次数和估计的期望值。在 VQE 中，如果采用分组测量，还需要考虑组内协方差，公式会稍复杂一些，但基本思想不变。

多次独立运行法：将整个计算流程（包括态制备、测量、期望值估计）独立重复 \(K\) 次，每次得到能量 \(E_k\)，然后计算样本标准差 \(s = \sqrt{\frac{1}{K-1} \sum_{k=1}^K (E_k - \bar{E})^2}\)。这种方法更直接，但计算成本是 \(K\) 倍。通常 \(K\) 取 5 到 10 次即可给出合理的误差条估计。

一个具体的教学示例

假设我们用一个简化的 4 量子比特 VQE 计算氢分子在某个键长下的基态能量。哈密顿量包含 15 个泡利项，系数 \(c_i\) 的范围从 0.01 到 0.5。我们设定每个泡利项的测量次数 \(N_i = 10000\)，并假设所有 \(\langle P_i \rangle\) 接近 0（最坏情况）。则每个项的测量标准差约为 \(1/\sqrt{10000} = 0.01\)。能量方差约为 \(\sum_i c_i^2 \times 0.0001\)。若 \(\sum_i c_i^2 \approx 0.3\)，则 \(\sigma_E \approx \sqrt{0.3 \times 0.0001} \approx 0.0055\) Hartree。这意味着能量结果应报告为 \(E \pm 0.0055\) Hartree。如果希望将误差条缩小到 0.001 Hartree，则需要将测量次数增加约 30 倍，即每个项约 300000 次。这个例子清楚地展示了采样噪声对计算精度的硬约束。

在实际工程中，我们还可以通过改进测量策略来降低采样噪声，例如使用经典阴影（classical shadows）、分组测量（qubit-wise commuting groups）或基于系数的最优分配。这些方法的核心思想都是在总测量次数固定的前提下，让误差尽可能小。理解采样噪声的统计本质，是设计和评估这些误差缓解方案的基础。