Symmetry-guided quantum state preparation: Branched-Subspaces Adiabatic Preparation (B-SAP)

量子态准备是量子计算和量子模拟的核心，使其能够跨越物理、化学和数据科学领域探讨复杂的多体系统。虽然已有的变分量子算法（VQA）和等瘫准备（AP）提供了可行的路径，但两者都面临严重的局限性。本文引入一种混合算法，将 VQA 和 AP 的概念优势通过运用群论结构和经典后处理来近似多体哈密顿量的基态和激发态所具有的优势相结合。我们通过对周期边界条件下的一维 XYZ 海森堡模型应用该方法，评估其在广泛参数和系统规模下的性能。我们的结果显示，在系统规模多项式缩放的电路深度下，能够准确准备低能本征态。