基于采样的量子优势实验通常面临三个相互关联的挑战：构造具有可信经典困难性的量子线路、在深线路中有效抑制硬件误差，以及在目标线路难以经典模拟时仍能可靠验证实验保真度。IBM 最近提出掺杂 Clifford 采样（Doped Clifford Sampling，DCS）方案：以高纠缠 Clifford 线路为骨架，借助时空码和 syndrome 后选择进行低开销错误探测，并在不破坏校验结构的位置插入T门以引入非稳定子资源。其实验使用 70 个数据量子比特和 27 个辅助量子比特，实现了一个具有 70 层纠缠门和 468 个 T 门的线路，并给出 95% 置信水平下 0.284 的态保真度下界。IBM 论文本次报告将首先介绍 DCS 的背景、IBM 的实验设计及其经典困难性论证，随后从有限规模经典模拟的角度重新审视这一具体实例。我们观察到，该线路采用开放边界的一维砖墙结构，且 CZ 纠缠门的算符 Schmidt 秩为 2。将单比特门吸收入局域张量后，线路可化为一个短边约为线路深度一半的平面张量网络；沿空间方向演化“时间边界态”，可以构造缩并宽度为线路层数除以2的确定性路径，其宽度和稠密缩并代价均与 T 门的数量及位置无关。在 IBM 的 70 比特、70 层实例上，最大中间张量包含 2^35 个 complex64 元素，负载为 256 GiB。结合批量振幅计算与通信感知的多 GPU 缩并，我们在 32 个节点（每节点 8 块 NVIDIA H100 GPU）上，于 37.3 分钟内完成了 IBM 公布的 2051 个输出批次所对应的精确振幅计算，并得到 0.35034 的 log-XEB 估计值。最后，本报告将讨论渐近复杂度、有限实例的可模拟性与实验量子优势之间的区别，并说明结构感知的经典模拟如何同时服务于实验验证和未来线路设计、经典模拟论文、多 GPU 缩并论文。

Biography

潘峰，现任新加坡科技设计大学（Singapore University of Technology and Design，SUTD）助理教授，新加坡量子科技中心（Centre for Quantum Technologies，CQT）研究员。他于 2022 年毕业于中国科学院理论物理研究所并获得理论物理博士学位。博士毕业后，他曾在CQT从事博士后研究。

他的研究聚焦于张量网络、量子计算、统计物理、机器学习、量子纠错与高性能科学计算，旨在将物理与数学结构转化为可扩展的算法及现代 GPU 实现，用于解决复杂量子系统和概率模型中的计算难题。代表性工作包括任意张量网络缩并、随机量子线路的经典模拟与采样、张量网络消息传递、多 GPU 大规模张量网络缩并，以及量子纠错的最大似然解码与噪声估计。他与 NVIDIA、Google Quantum AI 和 Quantinuum 等机构保持着积极的合作与学术交流。

Inviter: 张潘研究员