来源论文: https://arxiv.org/pdf/2407.16572 生成时间: Feb 18, 2026 05:10

0. 执行摘要

在量子化学领域，准确预测分子的电子激发态能量对于理解和设计光化学过程、材料特性至关重要。方程运动耦合簇三重激发（EOM-CC3）方法因其能够提供接近基准（benchmark-quality）的结果而备受推崇，尤其对于具有显著双激发特征的激发态，其准确性远超EOM-CCSD。然而，传统EOM-CC3方法面临着严峻的计算瓶颈，其计算复杂度与系统尺寸的七次方（N^7）成正比，并伴随着巨大的内存需求，这使其对中型及大型分子体系的应用变得不切实际。这促使了对更具可扩展性但仍能保持高精度的替代方法的需求。

Piotr Michalak和Michał Lesiuk提出的降秩方程运动耦合簇三重激发（RR-EOM-CC3）方法，正是为了解决这一核心科学问题。该方法的核心在于采用张量分解技术，特别是Tucker-3分解格式，来压缩基态和激发态的三重激发振幅。通过对工作方程的精心重构和因子化，RR-EOM-CC3成功地将方法的正式计算复杂度降低到了N^6，同时大幅减少了内存存储需求。该方法的另一个显著优势是其准确性可以通过选择定义三重激发子空间大小的两个参数（Nsvd和NSVD）来严格控制，为用户提供了在计算成本和精度之间进行权衡的灵活性。

研究团队对RR-EOM-CC3方法进行了广泛的测试，将其计算结果与规范EOM-CC3对应方法进行了比较。结果表明，在推荐的默认设置下，RR-EOM-CC3与规范EOM-CC3之间的差异远小于后者与完全组态相互作用（FCI）相比的固有误差。这一结论对于以单激发为主的价态和具有显著双激发特征的困难激发态均成立，尤其在EOM-CCSD方法完全失效、误差高达数电子伏特的场景下，RR-EOM-CC3依然表现出色。对于L-脯氨酸和庚嗪等大型分子，RR-EOM-CC3展示了显著的计算成本降低，包括计算时间缩短和内存需求减少。例如，L-脯氨酸的计算速度提升了两倍，内存需求减少了五倍。这些成果无疑彰显了RR-EOM-CC3方法在准确计算大型分子激发态能量方面的巨大潜力，为复杂化学体系的理论研究开辟了新的途径。

1. 核心科学问题，理论基础，技术难点，方法细节 (3000字)

1.1 核心科学问题：准确与经济的激发态能量计算

电子激发态是光化学、光学光谱学和大气物理学等众多科学领域的核心研究对象。了解分子被激发到更高电子态后的性质变化，对于揭示许多在基态中受限或不可能发生的化学和物理过程至关重要。理论方法在补充实验观察、解释现象和预测未知行为方面发挥着不可替代的作用，因此，开发能够准确可靠地描述分子激发态的理论方法一直是量子化学研究的重点。

在单参考方法范畴内，存在一系列旨在描述激发态的方法。概念上最简单的是组态相互作用单激发（CIS），但其精度通常不足以满足实际需求。为弥补此缺陷，发展了如CIS(D)或CIS(D∞)等考虑双激发的近似校正方法。时间依赖密度泛函理论（TDDFT）因其吸引人的精度与成本比而得到广泛应用，但其结果对交换-关联泛函的选择敏感，需要仔细的基准测试。代数图解构造（ADC）方法近年来也备受关注，它是一种微扰方法，具有使用显式厄米特哈密顿量等优点。最后，方程运动耦合簇（EOM-CC）家族提供了一个系统可改进的方法层次结构，允许在给定激发水平进行截断。

本研究聚焦于EOM-CC方法，特别是EOM-CC3。公认的是，对于基准质量的结果以及描述具有显著双激发特征的激发态，需要包含三重激发。对于基态，三重激发通常通过CCSD(T)方法纳入，该方法被广泛认为是量子化学的“黄金标准”，其计算成本远低于完整的CCSDT模型。然而，对于激发态，定义一个类似的微扰(T)校正要困难得多。作为替代，CC3模型保留了方法的迭代性质，并通过近似处理三重激发振幅（与CCSDT相比）来实现。近年来，CC3方法已成为中型系统事实上的基准质量标准，能够提供约0.03 eV的精度。

尽管EOM-CC3具有诸多优势，但它是一个计算成本与系统尺寸的七次方（N^7）成正比的昂贵方法。随着系统尺寸的增加，大量的浮点运算和显著的内存需求超出了大多数机器的能力。为了缓解这些问题，文献中曾提出使用对自然轨道（PNOs）、多级方法和高效实现技术等方案。因此，核心科学问题在于：如何在保持EOM-CC3高精度的同时，显著降低其计算成本和内存需求，使其能够应用于更大规模的分子体系，从而实现准确且经济的电子激发态能量计算？

1.2 理论基础：EOM-CC与EOM-CC3方法概述

方程运动耦合簇（EOM-CC）理论是计算分子激发能的成熟方法，它建立在基态耦合簇（CC）理论的基础之上。激发态的EOM波函数可以写为：

Ψ = R e^T |0> (1)

其中，|0>是参考Hartree-Fock行列式，T是基态簇算符，R是激发算符。T和R通常被定义为一系列m-重激发算符的和：

R = R0 + R1 + R2 + … + RM (2) T = T1 + T2 + … + TM (3)

其中Rm和Tm是m-重激发算符，分别依赖于一组振幅。T算符的振幅通常通过前期的基态CC计算确定。EOM方程通过将式(1)代入薛定谔方程并投影到参考行列式以及一系列单、双、三等激发行列式上获得：

<0|[H_N, R]|0> = ω <0|R|0> <i_a|[H_N, R]|0> = ω <i_a|R|0> <ij_ab|[H_N, R]|0> = ω <ij_ab|R|0> <ijk_abc|[H_N, R]|0> = ω <ijk_abc|R|0> (4)

这里ω是激发能，H_N = e^(-T) H_N e^T 是相似变换后的哈密顿量。这些方程实际上等价于一个有效哈密顿量矩阵H的单值本征方程，其元素由Hmn = <μm|[H_N, μn]|0>给出。μn是所有n-重激发算符的集合符号。R0参数与其余方程解耦，可设为零。

本研究聚焦于EOM-CC3方法，其中T和R算符被截断，忽略了高于三重的激发（即R3和T3以上）。T算符中的簇振幅由基态CC3计算确定。在EOM-CC3方法中，确定R3的方程采用了额外的近似（与EOM-CCSDT相比），而投影到单激发和双激发行列式上的处理方式与EOM-CCSDT相同。通过Baker-Campbell-Hausdorf公式展开H_N算符后，EOM-CC3方程呈现如下形式：

<i_a|O_1^CCSD + [H_N, R3]|0> = ω R_a^i (5) <ij_ab|O_2^CCSD + [H_N, R3] + [[H_N, T3], R1]|0> = ω R_ab^ij (6) <ijk_abc|[F_N, R3] + [[H_N, T2], R1] + [H_N, R2]|0> = ω R_abc^ijk (7)

其中O_1^CCSD和O_2^CCSD表示EOM-CCSD方程中的各项。本研究采用了T1-相似变换形式来简化工作方程。相应的T1-变换双电子积分记为(pq|rs)。

1.3 技术难点：EOM-CC3的N^7瓶颈

众所周知，EOM-CC3方法的计算成本与系统尺寸N的七次方（N^7）成正比，而EOM-CCSD方法的计算成本与N^6成正比，这表明涉及三重激发振幅的项是导致计算复杂度增加的关键。EOM-CC3的N^7缩放主要来自于对三重激发振幅T3和R3的计算和操作。这些三重激发振幅是四阶张量，包含O(N^6)个元素，在N^7缩放的计算中，每一步都需要对这些张量进行复杂的收缩，从而导致计算量和内存需求的指数级增长。

为了更详细地分析，我们回顾EOM-CC3理论中依赖于T_ijk^abc或R_ijk^abc的所有项，并分析它们的成本。引入排列算符P2和P3来简化表达式：

P2 = (1 + P_ij^ab) (8) P3 = (1 + P_ij^ab)(1 + P_ik^ac + P_jk^bc) (9)

其中P_ij^ab交换复合索引ia和jb。投影到单激发和双激发行列式上会产生涉及三重激发振幅的矩阵元，例如：

<i_a|[H_N, R3]|0> (10) <ij_ab|[H_N, R3]|0> (11) <ij_ab|[[H_N, T3], R1]|0> (12)

这些项在领先阶上通常具有O^3V^3或O^3V^4的缩放，尤其在处理双电子积分与单激发激发态振幅的收缩时。而三重激发振幅方程本身，即方程(7)右侧的项，也具有O^3V^4的缩放。这些高阶项是EOM-CC3的主要计算瓶颈，其涉及的虚拟轨道和占据轨道索引数量导致了N^7的整体缩放。

1.4 方法细节：降秩EOM-CC3（RR-EOM-CC3）

RR-EOM-CC3方法的核心策略是利用张量分解技术，将基态和激发态的三重激发振幅表示为Tucker-3格式，从而在不显式构造完整高阶张量的情况下，降低计算复杂度。

1.4.1 三重激发振幅的Tucker-3分解

在RR-EOM-CC3中，基态和激发态的三重激发振幅分别表示为：

T_ijk^abc = t_xyz U_ia^x U_jb^y U_kc^z (16) R_ijk^abc = r_XYZ V_ia^X V_jb^Y V_kc^Z (17)

其中，t_xyz和r_XYZ是核心张量，U和V是投影矩阵（或因子矩阵），它们将全秩振幅投影到低维子空间。x, y, z是基态三重激发压缩子空间的维度，其大小由Nsvd表示；X, Y, Z是激发态三重激发压缩子空间的维度，其大小由NSVD表示。在讨论缩放时，假设O « V < NSVD ≈ Nsvd ≪ Naux。

关键在于，在RR-EOM-CC3的所有计算中，只需使用压缩的核心张量t_xyz和r_XYZ，以及投影矩阵U_ia^x和V_ia^X。全秩振幅T_ijk^abc和R_ijk^abc从未显式计算和存储，这大幅降低了内存需求和计算成本。

1.4.2 投影矩阵的生成：HOOI过程

投影矩阵U和V在CC3/EOM-CC3迭代之前通过分解一些近似的三重激发振幅来确定，并在后续迭代中保持固定。这避免了在每次迭代中重新计算投影矩阵的昂贵操作。

基态投影矩阵U的生成：

对于基态CC3计算，该工作遵循参考文献[100-102]中引入的方法，使用在(T)或[T]计算中出现的近似T3振幅来生成投影矩阵。这种选择在基态的降秩CC3和降秩CCSDT计算中均已显示出令人满意的精度。

激发态投影矩阵V的生成：

对于激发态，文献中尚未讨论近似R3振幅的选择。本研究提出了以下公式来生成近似R3振幅：

R_ijk^abc = (ε_a + ε_b + ε_c - ε_i - ε_j - ε_k - ω_CCSD)^(-1) P3 [(ai|lj) R_jk^ab - (ai|bd) R_jl^ab] (18)

其中，激发能ω_CCSD和双激发振幅R_ab^ij来自EOM-CCSD计算。该表达式的合理性可以通过EOM有效哈密顿量的Löwdin分区理论[103,104]来证明。在Löwdin分区框架内，式(18)中的振幅出现在EOM-CCSD波函数缺失三重激发的领先阶校正中，从而证明了其选择的合理性。

高阶正交迭代（HOOI）过程：

投影矩阵的分解过程采用高阶正交迭代（HOOI）方法[67,106,102]。HOOI可以看作是在固定Nsvd/NSVD值下，最小化式(16)和(17)中分解误差的最小二乘过程。该过程是迭代性的，其关键步骤是计算部分投影量：

R_ia,YZ^[n] = R_ijk^abc V_jb^Y^[n] V_kc^Z^[n] (19)

其中R_ia,YZ^[n]是当前迭代步n的部分投影量。更新后的投影矩阵V_ia^X^[n+1]通过计算R_ia,YZ^[n]的左奇异向量（使用奇异值分解）来获得，这些奇异向量对应于最大的奇异值。该过程重复进行，直到分解误差不再减小。重要的是，HOOI算法的副作用是收敛后的投影矩阵是正交的，即V_ia^X V_ia^X’ = δ_XX’，这对于简化工作方程非常有用。

HOOI方法的鲁棒性在于只需引用部分投影量R_ia,YZ，而无需全秩振幅。通过对能量分母进行数值Laplace变换（引入可忽略的误差），计算R_ia,YZ的成本对于基态振幅而言与N^5成正比。将此过程应用于激发态振幅也同样简单，只需将基态振幅T2替换为激发态R2，并在分母中包含ω_CCSD的位移，这不会显著影响计算成本。

HOOI的稳定性改进：

在应用于激发态振幅时，研究团队遇到一个在基态计算中不存在的轻微技术问题：HOOI迭代会在两个状态之间振荡。为解决此问题，提出了一种阻尼（damping）策略：将两次连续迭代获得的投影矩阵[n]V_ia^X和[n+1]V_ia^X（维度均为OV × NSVD）堆叠在一起，形成一个维度为OV × 2NSVD的临时对象W_ia^X。然后对W_ia^X进行奇异值分解，并将对应于最大奇异值的左奇异向量作为下一次迭代的投影矩阵。这种简单且廉价的修改有效地缓解了振荡问题。

1.4.3 工作方程的因子化与N^6缩放

RR-EOM-CC3方法的核心在于对三重激发振幅方程和三重激发对单、双激发振幅方程贡献的因子化，从而将总计算复杂度从N^7降低到N^6。

三重激发振幅方程（核心张量r_XYZ的求解）：

EOM-CC3方法的一个优点是三重激发振幅方程相对于EOM-CCSDT得到了显著简化，全秩三重激发振幅的表达式可以显式写出。从方程(7)出发，并采用CC3/EOM-CC3中常用的近似，得到：

(ε_a + ε_b + ε_c - ε_i - ε_j - ε_k) R_ijk^abc ≈ <ijk_abc|[[H_N, T2], R1] + [H_N, R2]|0> (21)

我们将方程右侧记为γ_ijk^abc。将Tucker分解形式的R_ijk^abc代入，并投影到激发态子空间V_ia^X上，通过一系列代数操作和利用投影矩阵的正交性（V_ia^X V_ia^X’ = δ_XX’）和能量项的对角化（V_ia^X (ε_a - ε_i) V_ia^X’ = ε_X δ_XX’），得到核心张量r_XYZ的求解方程：

(ε_X + ε_Y + ε_Z - ω) r_XYZ = V_ia^X V_jb^Y V_kc^Z (P_3 γ_ijk^abc) (27)

进一步，通过引入中间体，该方程的计算可以因子化，从而使r_XYZ的评估无需高于N^5的缩放步骤。例如，一些关键中间体及其最优操作顺序被定义为：

τ_ia^Z = T_jk^ac V_kc^Z (30a) ξ_ad^QX = B_ad^Q V_ia^X (30b) λ_ld^XQ = ξ_ad^QX B_ld^Q (30c)

这些中间体通过精心设计的收缩顺序，可以将其计算成本限制在N^5以内。最昂贵的中间体如ξ_QYZ和τ_QYZ在领先阶的缩放为OV NSVD^2 Naux，而其余的中间体缩放仅为系统尺寸的四次方。利用这些中间体，r_XYZ的完整表达式（式34）经过因子化后，每一单一步骤都不涉及超过五个唯一索引，最终实现N^5的缩放。

三重激发对单激发和双激发振幅方程的贡献：

接下来，需要因子化由三重激发投影到单激发和双激发行列式所产生的方程。对于单激发投影，仅涉及一项<i_a|[H_N, R3]|0>（式10）。使用R_ijk^abc的Tucker分解形式和引入中间体A_ij^X = B_ij^Q V_ia^X和B_kl^QX = B_kl^Q V_jb^X（式35, 36），该项可以写为：

<i_a|[H_N, R3]|0> = [(2A_ij^X A_jk^Q - B_ij^Q B_kl^Q) r_XYZ] V_jb^Y V_kc^Z V_ia^X (37)

该表达式中第二对括号内的最后一项是计算上最昂贵的，其形式缩放为N^6（更精确地说是O^3 NSVD^3 Naux）。

对于双激发投影，需要处理两项：<ij_ab|[H_N, R3]|0>（式11）和<ij_ab|[[H_N, T3], R1]|0>（式12）。

Fock算符部分的因子化： <ij_ab|[F_N, R3]|0> = P2 [[(F_kc V_jb^Y r_XYZ) V_kc^Z - (F_kc V_jb^Y r_XYZ) V_kb^Z] V_ia^X] (39)

该部分的总缩放为N^5。

波动势部分的因子化：

波动势部分更为复杂，需要引入多个中间体以实现最优因子化，例如：

Π_ik^QY Z = A_ik^X r_XYZ, Π_li^X = B_li^Q B_ik^Q, Γ_ia^QZ = B_ad^Q V_id^Z (40, 41)

这些中间体及其计算也限制在N^6以内。最昂贵的收缩为Γ_ka^QZ B_ki^Q和Γ_kb^QZ B_kj^Q，两者均具有O^2V NSVD Naux的缩放。此外，最后两对括号之间的收缩缩放为O^2V^2 NSVD Naux。

[[H_N, T3], R1]项的因子化：

对于<ij_ab|[[H_N, T3], R1]|0>项，引入了新的中间体如(kc|ld)~、α_ia^X和V_iald^X（式43-45）。最终的矩阵元可以写为：

<ij_ab|[[H_N, T3], R1]|0> = P2 [(~α_id^X R_ka^d t_xyz U_jb^y - ~B_kc^y U_jc^z t_xyz U_kb^x - ~α_id^X U_ld^d t_xyz R_kb^x)

  • (~α_id^X R_la^d t_xyz U_jb^y) U_ia^x + ~V_iald^X U_jd^Z R_kc^Z + ~V_iald^X R_jd^c U_ib^x] (46)

该项的计算同样通过逐项收缩，最昂贵的步骤为~V_iald^X中间体的形成，其成本为2O^2V^2 Nsvd Naux。

通过上述所有方程的因子化，RR-EOM-CC3方法成功地将三重激发项的计算缩放限制在N^6以内，从而实现了整体N^6的正式缩放。同时，由于张量分解本身带来的数据压缩，内存需求也得到了显著降低。

2. 关键 benchmark 体系，计算所得数据，性能数据 (2000字)

RR-EOM-CC3方法在各种分子体系上进行了严格的测试，旨在评估其在计算垂直激发能方面的准确性和计算效率。计算分为三部分：小型分子的基准测试、中型/大型分子的应用以及对具有显著双激发特征的激发态的测试。

2.1 计算细节

所有计算均在增强型Dunning基组aug-cc-pVDZ和aug-cc-pVTZ下进行。对于大型分子，采用了密度拟合近似来处理双电子积分，并使用标准aug-cc-pVXZ-RI辅助基组。整个过程中均使用了冻芯近似，不关联第一行原子的1s轨道。

小型分子的几何结构在B3LYP-D3/cc-pVTZ水平下使用PSI4量子化学程序优化。双激发态计算采用了Loos等人报告的高质量几何结构。L-脯氨酸和庚嗪等大型分子的几何结构也取自文献。RR-EOM-CC3程序依赖Davidson算法进行激发能计算，EOM-CCSD计算采用该算法的块版本，为EOM-CC3提供合理的初始猜测。Davidson算法的收敛阈值设置为激发能10^-5 hartree，残差向量最大系数10^-4，但针对乙二醛、苯和庚嗪等特定体系有所放宽。

在RR-EOM-CC3中，三重激发子空间的大小Nsvd（基态）和NSVD（激发态）是关键参数。为了简化分析和为用户提供更直观的选择，研究主要集中在“对角线”选择，即Nsvd = NSVD。具体地，对于激发态，默认选择NSVD等于分子轨道数量NMO（不包括冻芯轨道）。

2.2 小型分子的单激发态基准测试

测试集包括八种小型分子：BH3、C2H2、C2H4、CH3OH、CO、H2O、CH2O、NH3。目标是评估RR-EOM-CC3与精确EOM-CC3（使用PSI4程序计算）在第一激发能方面的绝对误差（|Δω|）随三重激发子空间大小（以NMO为单位）变化的趋势。

计算结果分析（图1）：

  1. 精度收敛性： RR-EOM-CC3方法在三zeta基组（aug-cc-pVTZ）中表现尤其出色。误差随NSVD/NMO参数的增加而迅速且规律地减小。
  2. 误差幅度： 即使对于适度大小的三重激发子空间（NSVD ≈ NMO），误差也仅为约0.005 eV。值得注意的是，EOM-CC3方法对于单激发态的固有误差（与FCI相比）约为0.03 eV。这意味着，对于NSVD ≈ NMO，RR-EOM-CC3因振幅分解引入的误差比精确EOM-CC3的固有误差小几倍。
  3. 基组依赖性： 在aug-cc-pVDZ基组中，达到相同精度水平需要更大的激发子空间。此外，在较小基组中，NSVD的收敛性不如aug-cc-pVTZ规律，且在NSVD < NMO时观察到轻微的振荡行为。这表明，降秩方法在较大基组中性能更好，这与先前在基态计算中发现的趋势一致。
  4. 推荐参数： 对于aug-cc-pVTZ基组，NSVD = NMO是一个合理的选择，它产生的误差比EOM-CC3的固有误差小六倍。对于aug-cc-pVDZ基组，为了保持相似的精度水平，NSVD需要更大，建议在1.35NMO到1.4NMO之间。这反映了aug-cc-pVDZ基组固有的基组不完备误差可能与方法自身的误差相当。

三重激发贡献的相对误差（|Δω/ωR3|）：

除了总激发能的绝对误差，研究还比较了RR-EOM-CC3方法的误差与精确EOM-CC3和EOM-CCSD激发能之间的差异（ωR3，代表三重激发组态对激发能的贡献）。这是一种更严格的测试，因为它评估了RR-EOM-CC3在捕获三重激发贡献方面的表现。

计算结果分析（图2）：

  1. 相对误差趋势： 同样，aug-cc-pVTZ基组表现优于aug-cc-pVDZ。对于NSVD = NMO，aug-cc-pVTZ中该参数约为0.2，随子空间增大进一步减小。aug-cc-pVDZ中，该比率在0.4到0.6之间，并在NSVD = 1.2NMO附近降至较低值。
  2. ωR3的量级： 对于所研究的分子，ωR3本身的量级相对较小（aug-cc-pVDZ中平均0.045 eV，aug-cc-pVTZ中平均0.042 eV）。这意味着即使绝对误差|Δω|有时达到ωR3的一半以上，但其绝对值仍然很小。
  3. 结论： RR-EOM-CC3方法在捕获三重激发对激发能的贡献方面表现出色，与精确EOM-CC3高度一致。

2.3 具有双激发特征的激发态

第二部分计算考察了具有双激发特征的激发态，分子包括丙烯醛、丁二烯、苯、亚硝基甲烷、亚硝酰和乙二醛。RR-EOM-CC3激发能与Loos等人提供的精确EOM-CC3数据进行比较。此处，Nsvd = NSVD = NMO被设定为默认参数。

计算结果分析（表2）：

  1. 双激发特征（%R2）： %R2参数（双激发振幅平方范数）作为双激发特征的指标，范围从苯的23.9%到亚硝基甲烷、亚硝酰、乙二醛的99.9%，显示了不同程度的双激发字符。
  2. 绝对误差（Δω）： 对于aug-cc-pVTZ基组，RR-EOM-CC3与精确EOM-CC3之间的绝对误差在0.002 eV到0.034 eV之间。这些误差通常略大于单激发态，但仍然非常小。
    • 值得注意的是，对于纯双激发态（如亚硝基甲烷、亚硝酰、乙二醛），EOM-CCSD的误差可能高达数电子伏特，而RR-EOM-CC3的误差仍保持在数十毫电子伏特范围内，表明其能够准确处理EOM-CCSD失效的场景。
  3. 相对误差（%|Δω/ωR3|）： 对于单激发态，此参数值较大。然而，对于双激发特征显著的激发态，%|Δω/ωR3|值远小于单激发态，对于纯双激发态甚至小于1%。这可以解释为，对于纯双激发态，ωR3（三重激发贡献）非常大（例如，乙二醛为5.4 eV），RR-EOM-CC3的绝对误差相对于如此大的三重激发贡献而言非常小。
  4. 结论： 尽管RR-EOM-CC3方法在生成三重激发振幅投影矩阵时依赖于EOM-CCSD结果（EOM-CCSD对于双激发态可能产生数电子伏特的误差），但它仍然能够以接近精确EOM-CC3的精度处理具有双激发特征的激发态，这体现了该方法的鲁棒性。

2.4 大型分子体系的性能

RR-EOM-CC3方法最显著的优势体现在其对大型分子体系的性能上，因为此时N^6的缩放优势最为明显，能够带来巨大的计算成本节约。研究对L-脯氨酸和庚嗪分子在aug-cc-pVTZ基组下的第一激发能进行了计算，并与文献中的精确EOM-CC3结果进行了比较。

L-脯氨酸：

  1. 激发能对比： 精确EOM-CC3激发能为5.72 eV。RR-EOM-CC3计算结果的误差小于0.01 eV。
  2. 性能对比（与文献[59]中规范EOM-CC3对比）：
    • 规范EOM-CC3： 44核，700 GB内存，总耗时约6-7天。
    • RR-EOM-CC3： 约140 GB内存，24核，耗时约3天。
    • 效率提升： 计算时间缩短约一半（2倍加速），内存需求减少约五倍。

庚嗪：

  1. 激发能对比： 精确EOM-CC3激发能为2.708 eV。RR-EOM-CC3计算结果为2.710 eV，误差仅为0.002 eV。需要注意的是，该小误差可能具有偶然性，因为根据前述小型分子基准测试，通常不应预期如此高的精度。
  2. 性能对比（与文献[116]中规范EOM-CC3对比）：
    • 规范EOM-CC3（文献[116]使用了D3h点群对称性，g=12，计算成本可降低g^2 = 144倍）： 2TB内存，每个激发态约6天。如果不在C1点群下进行对称性利用，计算时间和内存需求将是“不合理”的，远超大多数机器的能力。
    • RR-EOM-CC3（本研究在C1点群下实现）： 约261 GB内存，24核，耗时约7天。
    • 效率提升： 尽管本研究的RR-EOM-CC3实现在C1点群下，未能利用分子对称性，但其内存需求（261 GB）远低于文献中利用对称性加速的规范EOM-CC3（2TB），并且计算时间也保持在可接受的范围内。这表明，RR-EOM-CC3使得在不利用对称性的情况下，对大型分子进行EOM-CC3级别的计算成为可能，这本身就是一项显著突破。

总体性能与缩放讨论：

RR-EOM-CC3方法的N^6缩放，相比规范EOM-CC3的N^7，在处理大型体系时具有显著优势。根据分析，当占据轨道数O大于2-3时，降秩形式变得有利。尽管HOOI算法的N^5缩放具有较大的预因子，但对于目前可处理的体系而言，其贡献仍是整体计算成本的重要组成部分。总而言之，RR-EOM-CC3方法为大型分子体系的准确激发能计算提供了一种经济高效的途径，有望推动量子化学计算的边界。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link (1500字)

3.1 代码实现细节

论文详细阐述了RR-EOM-CC3方法的理论框架和数学公式，但并未直接提供具体的编程语言、代码库或开源仓库链接。然而，从其描述的算法和量子化学领域惯例来看，我们可以推断其实现涉及以下关键细节：

  1. 编程语言与框架： 鉴于量子化学计算对性能的严苛要求，核心计算部分很可能采用Fortran或C++实现，并可能使用Python作为脚本或用户接口层。论文中提及的PSI4、eT和CFOUR等程序通常是大型的、用这些语言编写的量子化学软件包。

  2. 张量代数库： 高效的张量操作是实现N^6缩放的关键。论文中描述了大量的张量收缩和中间体构造。这需要一个高度优化的张量代数库，例如BLAS/LAPACK、Tensor Contraction Engine (TCE) 或自行开发的高性能张量操作例程来处理多维数组的存储、索引和求和。

  3. 内存管理： 降秩方法虽然减少了张量的逻辑大小，但仍需要处理大量数据。论文强调了内存存储需求的显著降低。实现上需要精细的内存管理策略，例如：

    • 原地（in-place）操作： 尽可能减少不必要的内存复制。
    • 批处理（batched loops）： 对于某些中间体（如V_iald^X），采用分批计算和立即消费的策略，以减少瞬时内存占用。
    • 稀疏张量存储： 如果张量存在大量零元素，可能利用稀疏存储技术进一步节约内存，尽管对于耦合簇振幅而言，通常是稠密的。

  4. HOOI算法实现：

    • 数值Laplace变换： 为实现N^5缩放的投影量R_ia,YZ计算，需要实现数值Laplace变换来处理能量分母。这通常涉及将能量分母表示为一系列指数函数的和，将高阶积分转换为低阶积分。
    • 奇异值分解（SVD）： HOOI的核心步骤是SVD。这需要调用高性能的SVD库（如LAPACK的GESVD或GESDD）。
    • 阻尼策略： 论文提出的HOOI阻尼策略——将连续迭代的投影矩阵堆叠并进行SVD——需要额外实现这个矩阵构造和SVD步骤，以确保算法的收敛稳定性。

  5. 因子化工作方程的实现：

    • 中间体链： 论文中为计算r_XYZ以及三重激发对单、双激发项的贡献而引入的大量中间体（τ、ξ、λ、Π、Γ等）需要按照论文中括号指示的最佳操作顺序（即内部括号先计算）进行编码，以确保维持N^6或N^5的缩放。每个中间体都是一个独立的张量，其计算涉及特定的收缩模式。
    • 并行化： 现代量子化学计算离不开并行化。张量收缩本质上是并行友好的，可以利用多核CPU（通过OpenMP或BLAS的并行实现）或GPU加速。论文中提到计算在24核上运行，暗示了OpenMP或MPI并行。

  6. Davidson算法的集成： EOM-CC3最终归结为求解一个大型非对称矩阵的少数几个最低本征值和本征向量。这通常通过Davidson算法或其变体来实现。需要实现高效的矩阵-向量乘积例程，该例程内部封装了RR-EOM-CC3的因子化工作方程。

3.2 复现指南（概念性）

鉴于论文未提供直接代码，复现RR-EOM-CC3需要深入理解其理论细节和高效实现张量代数的经验。以下是一个概念性的复现步骤：

  1. 环境设置：

    • 选择一种高性能编程语言（C++或Fortran）及相应的编译器。
    • 集成高性能线性代数库，如BLAS和LAPACK（或MKL、OpenBLAS等优化版本）。
    • 集成一个高效的张量库或自行实现张量操作。
    • 准备量子化学基础工具，如Hartree-Fock求解器、积分转换模块等。

  2. 基态CC3的实现：

    • HF计算： 首先进行受限Hartree-Fock（RHF）计算，获得规范的分子轨道和轨道能量。
    • CCSD T1/T2振幅求解： 实现传统的CCSD方程，求解T1和T2振幅。
    • 近似T3振幅的生成： 根据论文，可以采用(T)或[T]等近似方法生成全秩T3振幅（无需存储）。这通常涉及单次或非迭代的三重激发贡献计算。
    • HOOI生成基态投影矩阵U：
      • 实现用于生成T3投影矩阵的HOOI过程。该过程需要根据近似T3振幅进行，但避免显式构造全秩T3。
      • 利用数值Laplace变换加速相关中间量的计算，确保N^5缩放。
      • 执行SVD以更新投影矩阵。
      • 可能需要实现HOOI阻尼策略以确保收敛。
    • 降秩CC3方程求解： 在HOOI获得投影矩阵U和核心张量t的初始猜测后，迭代求解简化的CC3方程，更新T1、T2和t振幅。此步骤需要将T3项表示为因子化形式。

  3. EOM-CC3的实现：

    • EOM-CCSD的R1/R2振幅求解： 作为RR-EOM-CC3的起点，先进行EOM-CCSD计算以获得激发能ω_CCSD和R1、R2振幅。这可以作为后续Davidson迭代的初始猜测。
    • 近似R3振幅的生成： 根据论文提出的公式（式18），利用EOM-CCSD的R2和ω_CCSD来生成近似的全秩R3振幅（同样无需显式存储）。
    • HOOI生成激发态投影矩阵V：
      • 实现用于生成R3投影矩阵的HOOI过程，其原理与基态类似，但针对激发态振幅和能量分母进行调整。
      • 同样利用数值Laplace变换和SVD，并应用阻尼策略。
    • 降秩EOM-CC3方程求解：
      • 实现Davidson算法或其变体，用于求解RR-EOM-CC3的本征值问题。
      • 核心：实现高效的矩阵-向量乘积（σ = H_eff * C）： 这一步需要将H_eff中所有涉及三重激发的贡献（即<i_a|[H_N, R3]|0>、<ij_ab|[H_N, R3]|0>和<ij_ab|[[H_N, T3], R1]|0>）表示为论文中详细因子化后的形式（式34、37、39、42、46）。每个因子化步骤都对应一系列张量收缩和中间体计算，必须严格按照N^6缩放的要求设计。
      • 在Davidson迭代中，每次计算σ向量时，都需要重新计算这些因子化项。

  4. 参数控制： 实现Nsvd和NSVD参数的控制接口，允许用户指定压缩子空间的大小，并根据基准测试结果选择推荐值。

论文中提到了用于进行计算和对比的现有量子化学软件包：

  • PSI4： 用于几何优化。PSI4是一个开源的量子化学软件包，可在其官方GitHub仓库找到：https://github.com/psi4/psi4
  • eT： 用于规范EOM-CC3计算。eT是一个由Paul et al.开发的量子化学程序，其GitHub仓库地址为：https://github.com/eT-lab/eT
  • CFOUR： 用于规范EOM-CC3计算。CFOUR是一个功能强大的量子化学程序包，其主页为：http://www.cfour.de。CFOUR通常不是完全开源的，但其源代码可供学术用户获取。

关于RR-EOM-CC3的开源仓库链接：

论文中并未直接提供RR-EOM-CC3方法的开源代码仓库链接。 这意味着本研究中描述的RR-EOM-CC3实现是作者团队的内部代码库，可能尚未公开。对于希望复现或使用该方法的其他研究人员来说，这是一个重要的局限性。未来，如果作者团队能将此工作开源，将极大地促进该方法在更广泛社区中的应用和发展。

4. 关键引用文献，以及你对这项工作局限性的评论 (1500字)

4.1 关键引用文献

本研究构建在量子化学、特别是耦合簇理论和张量分解的深厚基础之上。以下是论文中引用的关键文献类别及其代表性工作，它们构成了RR-EOM-CC3方法发展的理论基石和技术支撑：

  1. EOM-CC理论与EOM-CC3方法：

    • [27] Sekino, H.; Bartlett, R. J. Int. J. Quantum Chem. 1984, 26, 255–265. EOM-CC理论的早期奠基性工作，为激发能计算提供了框架。
    • [28] Stanton, J. F.; Bartlett, R. J. J. Chem. Phys. 1993, 98, 7029-7039. 系统性的EOM-CC方法，包括激发态属性的计算。
    • [51] Christiansen, O.; Koch, H.; Jørgensen, P. J. Chem. Phys. 1995, 103, 7429-7441. 引入CC3迭代三重激发模型，是EOM-CC3的直接前身。
    • [52] Koch, H.; Christiansen, O.; Jørgensen, P.; Sanchez de Merás, A. M.; Helgaker, T. J. Chem. Phys. 1997, 106, 1808-1818. 完整的CC3模型，包括连接三重激发的迭代耦合簇方法。
    • [59] Paul, A. C.; Myhre, R. H.; Koch, H. J. Chem. Theory Comput. 2021, 17, 117–126. EOM-CC3的高效实现，为本研究提供了性能比较基准。

  2. 张量分解理论与量子化学应用：

    • [67] Kolda, T. G.; Bader, B. W. SIAM Rev. 2009, 51, 455-500. 关于张量分解及其应用的全面综述，为理解Tucker分解提供了理论背景。
    • [90] Tucker, L. R. Psychometrika 1966, 31, 279-311. Tucker分解的原始工作，奠定了其在数据分析中的应用基础。
    • [106] De Lathauwer, L.; De Moor, B.; Vandewalle, J. SIAM J. Matrix Anal. Appl. 2000, 21, 1324-1342. 关于高阶张量最佳秩-1和秩-(R1, R2, …, RN)近似，为HOOI算法提供了理论依据。
    • [77] Kinoshita, T.; Hino, O.; Bartlett, R. J. J. Chem. Phys. 2003, 119, 7756-7762. 奇异值分解应用于近似耦合簇方法，是张量分解在CC理论中应用的早期探索。
    • [100] Lesiuk, M. J. Comput. Chem. 2019, 40, 1319–1332. 作者之前关于耦合簇三重激发振幅高效奇异值分解的工作，为本研究中投影矩阵的生成（HOOI）奠定了基础。
    • [102] Lesiuk, M. J. Chem. Phys. 2022, 156, 064103. 作者之前关于五次方缩放降秩耦合簇理论的工作，是本研究方法论的直接前身。

  3. 激发态能量基准与挑战性体系：

    • [33] Loos, P.-F.; Scemama, A.; Blondel, A.; Garniron, Y.; Caffarel, M.; Jacquemin, D. J. Chem. Theory Comput. 2018, 14, 4360-4379. 关于激发态高精度能量和基准的“登山策略”研究，提供了EOM-CC3的基准数据。
    • [114] Loos, P.-F.; Lipparini, F.; Matthews, D. A.; Blondel, A.; Jacquemin, D. J. Chem. Theory Comput. 2022, 18, 4418-4427. 使用EOM-CC4修订参考值，为双激发态的准确性评估提供了背景。
    • [116] Loos, P.-F.; Lipparini, F.; Jacquemin, D. J. Phys. Chem. Lett. 2023, 14, 11069–11075. 关于庚嗪等分子的反转单线态-三线态能隙化学准确估计，为大型分子计算提供了基准。
    • [120] Loos, P.-F.; Boggio-Pasqua, M.; Scemama, A.; Caffarel, M.; Jacquemin, D. J. Chem. Theory Comput. 2019, 15, 1939–1956. 双激发的参考能量，揭示了EOM-CCSD在某些双激发态上的失败。

  4. 计算技术与方法学：

    • [117] Davidson, E. R. J. Comput. Phys. 1975, 17, 87-94. Davidson算法的原始描述，是EOM-CC求解器中常用的迭代方法。
    • [103] Löwdin, P.-O. J. Math. Phys. 1962, 3, 969-982. Löwdin微扰理论，提供了有效哈密顿量分区的理论基础，用于推导近似R3振幅的合理性。

4.2 对这项工作局限性的评论

尽管RR-EOM-CC3方法在降低计算成本和内存需求方面取得了显著进展，并在保持高精度方面表现出色，但该方法仍存在一些值得讨论的局限性：

  1. 投影矩阵的近似性及固定性：

    • 近似振幅生成： RR-EOM-CC3的T3和R3投影矩阵是基于“近似”振幅（基态采用类似(T)或[T]的T3，激发态采用基于EOM-CCSD的R3）生成的。尽管数值结果表明这种近似非常有效，甚至在EOM-CCSD对双激发态完全失效时仍能很好地工作，但这仍是一个近似步骤。该方法并不是在“精确CC3”的低秩子空间中工作，而是“精确CC3”本身的低秩近似。这种对EOM-CCSD结果的依赖，理论上可能在某些极端情况下引入偏差，尽管本文结果显示其出人意料地稳健。
    • 投影矩阵的固定性： 投影矩阵在主要迭代开始前生成并保持固定。这种策略虽然大大提高了计算效率，但也意味着压缩子空间不会根据迭代过程中振幅的变化而动态调整。更复杂的自适应方法，例如周期性更新投影矩阵，可能提供更高的精度或鲁棒性，但会带来额外的计算成本。

  2. 参数依赖性：

    • RR-EOM-CC3的精度直接依赖于压缩子空间的大小参数Nsvd和NSVD。虽然提供了控制精度的手段，但这些参数的最佳选择仍然是经验性的，并且可能因基组、分子体系和激发态类型而异。论文中提出的“对角线”选择（Nsvd = NSVD = NMO）或针对特定基组的推荐值（如aug-cc-pVDZ的1.35-1.4 NMO）是一种实用的启发式方法，但并非普适性的理论指导。开发更智能、自适应的参数选择机制将增强方法的自动化和易用性。

  3. 当前实现对C1点群的限制：

    • 论文明确指出，目前的RR-EOM-CC3实现在计算上仅限于C1点群。这意味着无法利用分子的空间对称性来进一步降低计算成本。对于高对称性分子（如庚嗪，D3h点群，对称操作数g=12），利用对称性可以使计算成本额外降低g^2倍（例如144倍）。在C1点群下运行，即使N^6缩放，计算成本仍然远高于利用对称性的同级别计算。这一限制了该方法对某些高对称性大型分子的潜在效率提升。

  4. 缺乏公开的源代码或伪代码：

    • 论文详细描述了方法的理论和数学推导，但未提供RR-EOM-CC3的具体实现代码或详细的伪代码。这对于希望复现该方法或将其集成到现有量子化学软件包中的其他研究人员来说是一个主要障碍，大大增加了方法推广和采用的难度。

  5. HOOI的预因子和小型体系开销：

    • 尽管HOOI算法具有N^5的渐近缩放，但论文承认其预因子（prefactor）较大，这可能意味着对于非常小的分子体系，HOOI的设置和初始计算开销可能抵消其渐近优势。因此，该方法在小分子上的优势不如在大分子上明显。

  6. EOM-CCSDT的扩展挑战：

    • 论文提及未来可能将降秩形式扩展到EOM-CCSDT。然而，完整的EOM-CCSDT涉及迭代求解T3振幅，这比RR-EOM-CC3中近似且固定T3/R3振幅的情况复杂得多。虽然框架是通用的，但将迭代T3纳入降秩框架将引入新的理论和实现挑战，例如如何高效地更新低秩T3核心张量和投影矩阵。

这些局限性并不减损RR-EOM-CC3作为一种前沿方法的价值。相反，它们指出了未来研究的方向，可以进一步完善和优化该方法，使其在更广泛的应用场景中发挥更大潜力。

5. 其他你认为必要的补充 (2000字)

5.1 广泛影响与重要性

RR-EOM-CC3方法的开发是量子化学计算领域的一个重大突破，其影响深远：

  1. 扩展高精度计算的可及性： 传统EOM-CC3方法因其N^7的计算瓶颈而主要限于小型分子。RR-EOM-CC3通过将其计算复杂度降低到N^6，使得EOM-CC3级别的精度能够应用于L-脯氨酸、庚嗪等中型乃至大型分子。这弥补了当前理论方法在精度和可扩展性之间的鸿沟，让研究人员能够探索以前无法企及的复杂体系的激发态性质。

  2. 推动光化学和材料科学研究： 准确的激发态能量和波函数对于理解光诱导过程、光物理机制至关重要。例如，通过精确模拟分子的吸收光谱、荧光、磷光以及非绝热动力学，可以更好地设计新型光敏材料、太阳能电池、OLED发光器件（特别是涉及单线态-三线态反转的体系）以及光催化剂。RR-EOM-CC3为这些应用提供了可靠的理论工具。

  3. 张量分解在量子化学中的应用范例： 本研究是张量分解技术在解决量子化学高阶关联效应方面潜力的一个有力证明。张量分解提供了一种通用的、数据驱动的方式来压缩高维张量，有效缓解了组合爆炸问题。RR-EOM-CC3的成功将鼓励更多研究人员将这些强大的数学工具应用于其他计算瓶颈，如更高阶的耦合簇方法（CC4、CCSDTQ）、多体微扰理论等。

  4. 为EOM-CCSD提供更可靠的基准： 即使对于EOM-CCSD表现不佳的困难双激发态，RR-EOM-CC3也能提供接近规范CC3的精度。这使其成为评估和发展更经济的EOM-CCSD替代方法（如TDDFT、ADC等）的宝贵基准，尤其在这些方法面对复杂激发态时的局限性日益凸显的背景下。

5.2 与其他成本降低方法的比较

为了将RR-EOM-CC3置于更广阔的计算化学方法背景中，将其与现有的一些成本降低策略进行比较是有益的：

  1. 对自然轨道（Pair-Natural Orbitals, PNOs）和局部相关方法：

    • PNOs通过识别对电子贡献最大的轨道来压缩双激发振幅，从而降低计算成本。局部相关方法则利用分子的局部性，将计算限制在特定区域或距离内。这两种方法主要通过轨道空间的压缩来降低成本，通常能将CC或EOM-CC方法的缩放从N^6降至N^5甚至更低。Paul et al. (Ref 65)也曾将PNO应用于CC3。
    • 与RR-EOM-CC3关系： RR-EOM-CC3通过张量分解在振幅空间进行压缩，而非轨道空间。这两种策略并非互斥，而是互补的。理论上，将RR-EOM-CC3与PNO或局部相关方法结合，有可能实现更深层次的计算成本降低（例如，从N^6进一步降低到N^4或N^3），从而将CC3精度推向更大规模的体系。

  2. 多级（Multilevel）方法：

    • 多级方法（Ref 66）结合不同理论级别的计算，例如用低级别方法处理大部分体系，用高级别方法处理关键区域或微扰校正。这种方法适用于异质体系或需要不同精度级别的区域。
    • 与RR-EOM-CC3关系： RR-EOM-CC3是一种单级别方法内部的优化。虽然多级方法可以降低整体成本，但其精度通常受到最低级别方法或连接方式的限制。RR-EOM-CC3则致力于在单一的EOM-CC3框架内提供更高精度。

  3. 微扰三重激发校正（EOM-CCSD(T), EOM-CC(2)T等）：

    • 正如论文所述（Refs 41-50），为激发态定义精确且稳健的微扰三重激发校正非常困难。这些方法通常是非迭代的，并且可能不适用于所有激发态类型或性质计算。
    • 与RR-EOM-CC3关系： RR-EOM-CC3保留了EOM-CC3迭代的本质，这对于精确定义和计算激发态属性（如跃迁偶极矩、非绝热耦合）至关重要，并且在处理复杂电子结构（如双激发态）时通常比单次微扰校正更稳健。

  4. TDDFT和ADC：

    • TDDFT和ADC方法通常比EOM-CC方法计算成本更低（通常为N^4或N^5）。然而，TDDFT的结果对交换-关联泛函的选择高度敏感，且通常缺乏系统改进性。ADC虽然更系统化，但在处理某些强相关或双激发态时可能不如EOM-CC3精确。
    • 与RR-EOM-CC3关系： RR-EOM-CC3提供了比TDDFT和ADC更高层次的理论精度和系统改进性，并且在N^6缩放下，使其在一些以前只能使用TDDFT/ADC的体系上变得可行，为这些体系提供了更可靠的基准参考。

总体而言，RR-EOM-CC3是解决EOM-CC3可扩展性问题的一种独特且有效的方法，它通过巧妙的数学工具（张量分解）在方法论层面实现了成本降低，同时保持了原始方法的高精度。其优势在于，与依赖轨道局部性或多级别近似的方法相比，它在整个电子波函数层面进行全局压缩，并保留了迭代方法的优点。

5.3 未来发展方向

RR-EOM-CC3方法的成功为未来的研究开辟了多个激动人心的方向：

  1. 扩展到EOM-CCSDT： 论文提及将其扩展到全方程运动耦合簇单、双、三重激发（EOM-CCSDT）方法[128]是自然的下一步。EOM-CCSDT能更完整地描述双激发态，尤其是纯双激发态，并为未来纳入四重激发（如CC4级别理论[54,114,129,130]）奠定基础。这需要应对迭代T3带来的额外复杂性，但理论框架是现成的。

  2. 应用到三重态： 将RR-EOM-CC3形式主义应用于三重态，对于理解单线态-三线态能隙反转现象至关重要[116,131-138]，这在有机发光二极管（OLED）材料设计中具有实际意义[139,140]。庚嗪的良好表现表明，将该研究扩展到三重态特别有吸引力。

  3. 自适应秩选择： 开发更智能、自适应的算法来动态确定最优的压缩子空间大小Nsvd和NSVD，而不是依赖于经验选择或固定的NMO比例。这可以通过误差估计、迭代收敛分析或机器学习方法来实现，以实现最佳的精度-成本权衡。

  4. 融入空间对称性： 将点群对称性集成到降秩框架中，以进一步优化计算性能。对于高对称性分子，对称性可以导致张量分块对角化，进一步降低有效计算成本，如庚嗪的案例所示。

  5. 探索其他张量分解格式： 除了Tucker-3分解，还可以探索其他张量分解格式，如张量链（Tensor Train/Matrix Product States）或正则多项式分解（Canonical Polyadic Decomposition, CPD）。这些格式可能在某些情况下提供更优的压缩比或不同的计算优势。

  6. 激发态性质的计算： 扩展RR-EOM-CC3框架以计算激发态的各种性质，如偶极矩、跃迁偶极矩、振子强度、非绝热耦合等。这些性质对于模拟光物理和光化学过程至关重要。EOM-CC3的非微扰性质使其非常适合此类计算。

  7. 与局部相关方法结合： 将RR-EOM-CC3与对自然轨道（PNOs）或局部相关耦合簇方法相结合，有望实现更低的计算复杂度，将EOM-CC3级别的精度推向数千个原子甚至更大的体系。

5.4 对用户的实际影响

RR-EOM-CC3的开发对量子化学用户具有直接而积极的影响：

  1. 更高的精度触手可及： 以前受限于计算成本而无法进行EOM-CC3计算的用户，现在可以在中大型分子上获得接近基准的高精度激发能，这对于验证更廉价方法的结果或进行需要高精度的研究至关重要。

  2. 更经济的计算： 显著降低的内存需求和计算时间（尤其对于大型分子），使得原本只有少数顶级计算中心能完成的任务，现在可以在更常见的计算资源上进行。

  3. 可控的精度与成本平衡： 通过调整Nsvd和NSVD参数，用户可以根据自身研究的特定需求，在计算时间和结果精度之间找到最佳平衡点。

  4. 处理挑战性激发态： RR-EOM-CC3在处理具有显著双激发特征的困难激发态方面的稳健表现，为用户在研究这些复杂电子结构时提供了更可靠的选择。

5.5 个人见解与展望

Michalak和Lesiuk的这项工作展示了张量分解技术在量子化学中的强大潜力，尤其是在应对高阶相关方法中固有的组合爆炸问题上。将N^7缩放问题巧妙地转化为N^6，同时在广泛的基准测试中保持了与规范CC3方法几乎相同的精度，这无疑是计算方法论上的一大步。特别是，该方法在处理双激发态时的鲁棒性令人印象深刻，即使在EOM-CCSD方法表现不佳的情况下，RR-EOM-CC3仍能准确捕获三重激发对能量的贡献，这揭示了其近似策略的深刻有效性。

此项研究不仅解决了EOM-CC3实际应用中的关键瓶颈，更为未来量子化学方法的发展提供了新的思路。将数学上优雅的张量分解框架与物理化学问题相结合，从而实现计算效率和精度的双赢，是计算科学追求的理想目标。展望未来，若能将此方法与并行计算、机器学习辅助的参数优化、以及其他局部相关方法进一步融合，量子化学将能够模拟更大、更复杂的体系，从而在材料科学、生命科学和环境科学等领域带来革命性的洞察。

当然，开源代码的缺失是当前的一个遗憾，但如果未来能公开发布，必将极大地加速其在学术界的传播和应用。这项工作是量子化学计算能力不断扩展的又一个里程碑，为我们提供了窥探分子世界更深层次奥秘的有力工具。