量子-经典混合算法的新突破：利用多参照微扰理论增强 QSCI 计算精度——芳香族分子的深度实测

来源论文: https://arxiv.org/abs/2503.22221 生成时间: Feb 24, 2026 11:16

0. 执行摘要

量子化学计算在材料科学和药物设计中具有举足轻重的地位。然而，传统的方法如密度泛函理论（DFT）在处理强相关体系（如激发态、自由基和多核过渡金属配合物）时往往力不从心。虽然波函数理论（WFT）中的完全配置相互作用（Full CI）能提供精确解，但其计算复杂度随体系增大而呈阶乘级增长。近年来，量子选择配置相互作用（QSCI）作为一种新兴的量子-经典混合算法，旨在通过量子计算机的高效采样能力来识别重要的电子配置，并在经典计算机上进行对角化。

尽管 QSCI 在减少噪声影响和处理大配置空间方面具有潜力，但在当前的噪声中等规模量子（NISQ）设备上，受限于量子比特数和相干时间，QSCI 往往只能在较小的活性空间内运行，难以捕捉到必要的动力学相关（Dynamical Correlation）。

本文介绍的最新研究提出了一种名为 QSCI-PT 的框架。该方法将 QSCI 得到的波函数作为参考态，引入经典的多参照微扰理论（MRPT），具体采用通用多配置拟简并微扰理论（GMC-QDPT）。通过对典型的芳香族分子——萘（Naphthalene）和并四苯（Tetracene）的计算验证，QSCI-PT 显著提高了激发能的预测精度，使其接近实验观测值，为在 NISQ 时代实现定量精度的量子化学模拟开辟了新路径。

1. 核心科学问题，理论基础与技术细节

1.1 核心科学问题：精度与规模的权衡

在波函数理论中，配置相互作用（CI）方法通过 Slater 行列式的线性组合来构建波函数。Truncated CI（截断配置相互作用）虽然降低了成本，但会损失精度。QSCI 的核心思想是：与其人工指定截断方案（如 CISD），不如利用量子计算机的叠加态特性，通过测量采样自动筛选出对目标态贡献最大的配置（Selected Configurations）。

然而，技术难点在于：

1. 硬件噪声：NISQ 设备上的门操作和读取误差会导致错误的配置被选中，或漏掉关键配置。
2. 活性空间受限：目前量子硬件支持的轨道数非常有限（如本文实验中的 8 个量子比特对应 4 个活性轨道），这导致静态相关虽能部分捕捉，但动力学相关几乎完全丢失。
3. 激发态挑战：如何同时在同一子空间内精准描述基态与多个激发态。

1.2 理论基础：QSCI 的三步走策略

QSCI 算法包含以下三个关键步骤：

• 第一步：初始态准备。使用量子算法（如 VQE 或 VQD）生成目标电子态的粗略近似 $|\psi_{in}⟩$。
• 第二步：采样与筛选。在计算基组下对量子态进行多次测量，获得比特串（即电子配置）。统计频率，保留出现频率最高的 $R$ 个配置，构成子空间 $\mathcal{S}_R$。
• 第三步：经典对角化。在经典计算机上构建哈密顿矩阵 $H_R$，其矩阵元为 $(H_R)_{xy} = ⟨x|\hat{H}|y⟩$，其中 $|x⟩, |y⟩ \in \mathcal{S}_R$。求解特征值方程 $H_R \mathbf{c} = E_R \mathbf{c}$ 得到能量和 CI 系数。

1.3 技术进阶：结合 GMC-QDPT 捕获动力学相关

为了弥补 QSCI 活性空间过小的缺陷，研究者引入了 GMC-QDPT。这是一种非常灵活的多参照微扰理论，它不要求参考空间必须是完全活性空间（CAS）。

在 QSCI-PT 流程中，首先通过 QSCI 筛选出主要的电子配置（Parent Configurations），然后通过经典方法对这些配置进行“增广”（Augmentation）。例如，通过单双激发（SD）产生补偿配置。最终，GMC-QDPT 在这个增广的配置空间上运行，利用二阶微扰处理轨道空间中其余部分的动力学相关能。

技术细节：

• RSP Ansatz：采用实值对称保持（Real-valued Symmetry-Preserving）拟阵。其优势在于自动守恒电子数 $N_e$、自旋分量 $S_z$ 和时间反演对称性。这在 NISQ 设备上极大地减少了搜索空间的维度，并提高了抗噪能力。
• 单对角化方案：为了处理激发态，QSCI 收集基态和多个激发态的采样配置，并集成为一个共同的参考空间，通过一次经典对角化获得所有能级，确保了态之间的正交性。

2. 关键 Benchmark 体系与数据性能分析

2.1 实验对象：萘与并四苯

研究选择了具有显著多配置特征的 $\pi$-共轭体系：

• 萘 (Naphthalene)：主要关注 $1L_a$ 和 $1L_b$ 激发态。这两个态在 Platt 标记法中非常经典，$1L_a$ 主要受 HOMO→LUMO 贡献，$1L_b$ 则是多配置混合态。
• 并四苯 (Tetracene)：随着环数增加，电子相关效应更加复杂，是检验算法迁移性的理想模型。

2.2 关键计算数据（以萘为例）

根据论文 Table 1 和 Table 2 的数据：

数据性能解读：

1. 原位 QSCI 的局限：单纯的 QSCI（即使在模拟器上）对激发能的预测偏差超过 1.5 eV。这证明了仅靠 4 个活性轨道无法描述激发态的精细结构。
2. PT 的魔力：引入 GMC-QDPT 后，即便配置空间很小，误差立刻大幅下降。而采用“QSCI + SD”增广空间后的 QSCI-PT，其 $1L_a$ 的误差仅为 0.01 eV，达到了极高的定量精度。
3. 硬件表现：在 ibmq_osaka 真实硬件上，尽管由于噪声导致部分三激发配置丢失，但通过经典的 SD 增广补偿，最终的 QSCI-PT 结果依然能够保持稳定，展现了极强的鲁棒性。

2.3 采样频率分析

论文 Figure 6 展示了无噪声模拟与真实硬件采样的对比。在 ibmq_osaka 上，虽然观测到了噪声诱导的配置污染，但通过后选择（Post-selection）剔除不满足 $N_e$ 和 $S_z$ 守恒的比特串，最重要的主导配置（Main Configurations）依然能够以高频率被捕获。这验证了 QSCI 在当前硬件水平下的可行性。

3. 代码实现细节与复现指南

该工作的实现依赖于多个开源工具链，以下是复现该计算流程的逻辑架构：

3.1 软件包栈

• QURI Parts：用于实现 QSCI 算法的核心逻辑，包括哈密顿量构建、量子态采样方案等。 Repo Link
• Qiskit：用于连接 IBM Quantum 硬件和运行 ibmq_qasm_simulator。 Repo Link
• GAMESS：作为经典的化学引擎，执行关键的 GMC-QDPT 微扰计算。该软件支持自定义配置空间的输入，是 QSCI-PT 衔接的关键。 Link
• PyQuante/PySCF (可选协同)：常用于处理分子积分和 Hartree-Fock 轨道生成。
• Gaussian16：论文中用于分子的几何优化（B3LYP/6-31G(d)）。

3.2 复现步骤指南

1. 几何优化：首先在经典软件中优化萘或并四苯的几何结构，采用 $D_{2h}$ 对称性。
2. 轨道准备：执行 Hartree-Fock 计算，提取 HOMO-1, HOMO, LUMO, LUMO+1 轨道积分。将其转换为量子哈密顿量形式。
3. VQD 初始态准备：
   • 使用 RSP Ansatz（深度 $d=3$）。
   • 设置惩罚因子 $\alpha=3.0$ 确保态的正交性。
   • 使用 BFGS 优化器在模拟器上预演参数。
4. 执行 QSCI 采样：
   • 在 ibmq_osaka 上设置 shots=9999。
   • 进行后选择过滤，提取前 $R=27$ 个主导配置。
5. 经典 PT 增强：
   • 将选中的配置作为参考空间输入到 GAMESS 的 GMC-QDPT 模块。
   • 若要运行 QSCI+SD，需在经典侧生成相对于参考配置的所有单双激发。
   • 设置入侵态避免（ISA）位移值为 0.02。

4. 关键引用文献与局限性评论

4.1 关键引用

1. Kanno et al. (2023): 提出了 QSCI 的原始框架，奠定了该研究的量子采样基础。
2. Nakano et al. (2002): 开发了 GMC-QDPT 理论，使得在非 CAS 参考空间下运行微扰理论成为可能。
3. Preskill (2018): 关于 NISQ 时代的定义及其挑战，解释了为何我们需要此类混合算法。
4. Platt (1949): 提供了芳香族分子激发态的理论分类基础。

4.2 局限性评估（Technical Critique）

作为一名技术作者，我认为该工作虽然出色，但仍存在以下局限：

• 初始态依赖性：QSCI 的成功高度依赖于第一步生成的初始态质量。如果 VQD 未能收敛到包含关键配置的局部最小值，采样过程将彻底失效。对于更复杂的分子，Barren Plateau（贫瘠平原）问题依然存在。
• 经典瓶颈：虽然量子计算机处理了配置筛选，但当参考空间增广到 SDTQ（单双三四激发）级别时，经典侧的哈密顿矩阵构建和微扰求和计算量依然巨大。对于超过 20 个活性轨道的体系，GMC-QDPT 的计算成本可能变得不可接受。
• 基组截断误差：研究采用了 cc-pVDZ 基组，这在描述某些激发态时可能仍嫌不够，但更高基组会进一步增加量子模拟的负担。
• 噪声阈值：文章提到，当量子比特数增加时，噪声将指数级影响采样精度。目前仅在 8 量子比特上验证，未来在 50+ 量子比特上的表现尚待观察。

5. 补充：深度洞察与行业启示

5.1 为什么选择芳香族分子？

芳香族分子是光电材料（如 OLED、有机太阳能电池）的基础。其 $\pi o \pi^*$ 跃迁涉及大量电子相关，是波函数理论的“试金石”。QSCI-PT 在此体系上的成功，预示着该算法在有机光电半导体设计领域具有巨大的应用价值。

5.2 对 NISQ 应用的启发

很多研究者试图完全在量子计算机上解决问题，导致线路过深、误差过大。本文采取的“量子负责采样筛选（找重点），经典负责微扰修正（补细节）”的哲学，是目前最务实、也最接近生产环境的量子化学路径。

5.3 未来展望：自适应 QSCI

研究中提到的 ADAPT-QSCI 可能是一个方向，即动态地构建参考空间。结合本文的 PT 修正，未来我们或许能够看到一种“自适应量子微扰理论”，它能根据实时采样的信噪比自动调整经典 PT 的截断深度，实现算力资源的最优分配。

5.4 技术作者总结

QSCI-PT 不仅仅是一个算法的简单叠加，它体现了对量子力学（处理非动态相关）和经典数学工具（微扰法处理动态相关）的深刻理解。对于追求化学精度的开发者来说，与其等待完美无噪的量子计算机，不如像本文作者一样，在现有的“喧闹”硬件中，用经典的智慧修剪出一片宁静的精度绿洲。