全息深度热化技术：实现安全高效的量子随机态生成新范式

研究人员针对传统深度热化(DT)在量子随机态生成中面临的可扩展性差和安全性漏洞等问题，提出全息深度热化(HDT)新方法。通过"混序-测量-重置"循环过程，将空间需求降至系统无关常数，并消除数据系统与攻击者的量子关联。实验在IBM量子设备上仅用8量子比特即实现5量子比特真随机态生成，相比前人工作资源需求降低6倍。该成果发表于《Nature Communications》，为量子基准测试、优势认证等应用提供高效解决方案。

　　

量子随机态生成是量子计算与量子信息科学的核心问题，在黑洞物理、量子复杂度理论等基础研究，以及量子设备基准测试、量子优势认证等应用中具有关键作用。传统深度热化(DT)方法虽能产生近似Haar随机态，但存在两大瓶颈：一是需要辅助系统规模随目标系统线性增长，二是在面对量子纠缠攻击时安全性不足。这些限制严重阻碍了其在近期量子设备中的应用。

针对这一挑战，Bingzhi Zhang等研究人员提出全息深度热化(HDT)技术。该方法通过时间维度补偿空间资源，采用迭代的"混序-测量-重置"循环：每个时间步中，固定的小规模高复杂度酉算子作用于数据系统与辅助系统，随后测量并重置辅助量子比特。理论证明该过程能指数收敛至Haar随机系综，同时逐步消除数据系统与潜在攻击者间的量子关联。

关键技术方法包括：(1)构建多步酉算子序列实现时空资源转换；(2)通过帧势(Frame potential)量化系综与Haar随机的偏差；(3)采用波特-托马斯(PT)分布验证随机性；(4)在IBM量子设备上实现含中电路测量的硬件高效量子线路；(5)分析量子互信息动态评估安全性。

研究结果主要包括：

1. 收敛性证明：HDT的典型一阶帧势精确解显示其以d_B^-t速率指数收敛。数值模拟验证高阶K-design同样遵循该规律，实验测得概率分布(PoP)逐步逼近PT分布，在5量子比特系统中实现d_A=32维随机态生成。

1. 时空权衡：发现普适标度律N_B×T≈KN_A，当N_B=N_A时量子线路规模最小（红三角），相比传统DT（橙点）资源显著降低。实验验证不同N_B下重标度时间τ=tN_B的动力学坍缩。

1. 安全性验证：证明传统DT在纠缠攻击下互信息仅降常数2，而HDT可使平均互信息E_z[I(R:A_out|z)]随步骤数衰减至零。条件态互信息分布随N_Bt增大呈现高度集中特性。

1. 量子机器学习增强：通过参数化酉算子并优化损失函数L_t=(1-q_t)D(E_t,|ψ₀?)+q_tD(E_t,E_Haar)，实现帧势与Haar值的更好匹配。

该研究建立了量子随机态生成的新范式，其核心贡献在于：理论层面提出HDT框架并严格证明其收敛性；实验层面在资源受限的近期量子处理器上实现突破性规模扩展；安全层面首次系统分析并解决量子关联攻击问题。这些进展为量子密码学、设备基准测试等应用提供了实用化工具，同时为理解测量诱导相变等基础问题提供了新视角。未来可进一步探索哈密顿动力学实现、计算伪随机态关联等方向。