讲个 non-trivial 的吧: 如何用随机行走 (random walk) 和谱图论 (spectral graph theory) 来计算哈密顿量的谱隙 (spectral gap). 谱隙和凝聚态物理中的一系列性质相关, 比如说无谱隙 (gapless) 系统和临界 (critical) 现象, 比如说 [4] 中的无阻挫 (frustration-free) 系统;
大家猜测某些有谱隙 (gapped) 系统满足面积定律 (area law), 这和哈密顿量基态的纠缠直接相关.
而从理论计算机科学的观点来看, 谱隙也可以视作 lower bound, 使用纯组合工具来证明似乎也在情理之中. 严格来说, 下文所需的数学基础仅有线性代数和离散数学 (一点图论), 以及熟悉量子信息中的记号 (如 Dirac 符号) 和基本概念 (如哈密顿量和基态).
故事先从 Markov 链的收敛速度和图论中某些量的联系开始.
不妨想象一座城市的路网, 假定这座城市的车辆总数恒定, 并且所有在路上的车辆的车主都想回家. 如果大家都回家是稳定状态的话, 那么什么情况会需要很长时间到达稳定状态? 自然是堵车, 堵车可能是怎么造成的呢:城市中的某个区域里几乎都是写字楼, 大家都想出去, 可是只有很少的人能出去;
在某条干道上大家被堵死了.
这样两种可能性分别对应于 Mark Jerrum 和 Alistair Sinclair 在 1996 年荣膺 Godel Prize 的工作[1]中, 用图论中的量来刻画 Markov 链的 mixing time (rate) 的两种方法, 分别对应于conductance 和 maximum edge load (canonical path) [2]. Markov 链的 mixing time, 即在给定初始状态的情况下, 需要多长时间的演化才能使得系统的状态和 Markov 链的稳定状态 (stationary distribution) 足够接近.
而 mixing time 应该如何估计呢? 事实上它的上界和 Markov 链的转移矩阵的逆谱隙, 即
相关. 等等......既然 Markov 链的转移矩阵和哈密顿量说的都是矩阵, 而且至少都是半正定且对称的, 那它们的谱隙之间不能没有关系吧? 确实有一些人这么想过, 比如 Alexei Kitaev 和 Peter Shor:前者在证明 k-local Hamiltonian problem 是 QMA-complete 的 soundness 部分时[3], 即不满足的实例对应的哈密顿量的基态能量大于某个常数, 用时间演化对应的 Markov 链上的 conductance 计算谱隙.
后者构造了一系列的无阻挫哈密顿量[4], 并从哈密顿量所允许的量子态的演化出发构造了一个图, 用图上的随机行走对应的 canonical path 来证明这些哈密顿量是无谱隙的.
下面就说说前者吧, 我会忽略掉大部分细节, 除了与随机行走相关的部分.
Kitaev 关于 k-LHP
是 QMA-complete 是为数不多的把经典证明"量子化"的成功尝试之一. 如果读者熟悉 Cook-Levin 定理的证明的话, 就知道证明 k-SAT
是 NP-complete 是把非确定性 Turing 机的纸带的演化过程, 转换成布尔表达式. 比如从 Wikipedia 上找到的下面的图,右边是Turing 机的纸带, 表示 Turing 机当前的"状态" (确切地说是 configuration 中的一部分);
演化过程 (即左侧 Step) 中的纸带被按照顺序顺次排列;
纸带在演化的每一步中的变化都是局部的, 如图中的红色圆圈所示部分.
于是呢, 可以看到上面的构造最核心的想法是利用计算历史 (history of computation). 如果我们想把上述证明"量子化"的话, 即构造任意量子线路与 k-local Hamiltonian 的对应关系. 我们可以考虑下述基态
, 其中
是输入,
是用以验证输入是否被接受的证据 (witness),
是演化所在的步骤. 因为这里的计算历史是