来源论文: https://arxiv.org/abs/2605.04604v1 生成时间: May 07, 2026 04:49

走向轻量化与量子启发：GQKAE 深度解析——利用 HQKAN 优化生成式量子本征求解器

0. 执行摘要

在量子化学模拟领域，精确求解多体系统的基态能量始终是核心挑战。传统的变分量子本征求解器（VQE）在近期的噪声中等规模量子（NISQ）设备上表现出巨大的潜力，但也面临着“贫瘠高原”（Barren Plateaus）和复杂的连续参数优化难题。生成式量子本征求解器（GQE）通过将电路构建转化为离散的自回归序列生成任务，有效地规避了部分优化困境。然而，基于 GPT 架构的传统 GQE 在处理大规模分子活性空间时，其庞大的前馈网络（FFN）带来了沉重的参数负担和显存开销。

近日，由 Yu-Cheng Lin 和 Yu-Chao Hsu 等研究人员提出的生成式量子启发 Kolmogorov-Arnold 本征求解器（GQKAE），通过引入**混合量子启发 Kolmogorov-Arnold 网络（HQKAN）**模块，成功打破了这一瓶颈。实验数据表明，GQKAE 在保持甚至提升化学精度的同时，将可训练参数量和显存占用降低了约 66%，并在实际运行时间（Wall-time）上实现了显著加速。这一工作不仅在理论上融合了最新的 Kolmogorov-Arnold Networks (KAN) 架构与量子启发激活函数，更在工程实践上展示了高效 HPC-量子协同设计的可能性。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题：经典生成模型的“参数肥大”与量子电路的离散搜索

在量子化学模拟中，我们需要在指数级增长的 Hilbert 空间中寻找哈密顿量 $\hat{H}$ 的基态。GQE 的核心思想是：与其在量子设备上优化连续的旋转角度，不如利用经典生成模型（如 Transformer）学习如何从一个预定义的算子池中“挑选”出一串算子，构建出最优的 Ansatz 电路。

然而，现有的 GPT 式 GQE 存在一个技术痛点：Transformer 内部的**逐位置前馈网络（FFN）**通常占据了模型参数总数的绝大部分。当分子系统变大、算子池增加、电路序列增长时，FFN 的线性层权重矩阵 $W_1, W_2$ 会急剧膨胀，导致在高性能计算（HPC）环境中进行模型训练和推理时的资源开销（Memory & Latency）变得不可接受。GQKAE 的核心使命就是：如何在不损失表达能力的前提下，极度压缩经典端（生成模型）的规模？

1.2 理论基础：从 MLP 到 KAN 的范式转移

传统的 FFN 基于多层感知器（MLP）架构，遵循“固定激活函数 + 可学习权重”的原则。而 2024 年大火的 Kolmogorov-Arnold Networks (KAN) 理论源自 Kolmogorov-Arnold 表示定理，其核心是将可学习的参数放在“边”上（即函数本身是可学的），而非“点”上。其数学形式为：

$$x_{l+1,j} = \sum_{i=1}^{n_l} \phi_{l,j,i}(x_{l,i})$$

其中 $\phi$ 是可学习的一元非线性函数。相比于 MLP，KAN 在函数逼近效率上具有对数级的优势，即达到相同精度所需的参数量远少于 MLP。

1.3 技术细节：HQKANsformer 与 DARUAN 激活模块

GQKAE 并非简单地套用 KAN，而是设计了一种针对量子任务优化的HQKANsformer 架构：

  1. DARUAN (Data Re-Uploading ActivatioN)：这是 GQKAE 的“量子启发”灵魂。它利用单比特量子电路的“数据重上传”机制来模拟一元非线性映射。公式如下： $$\phi(x;\theta) = \langle 0 | \hat{U}^{\dagger}(x;\theta) \hat{M} \hat{U}(x;\theta) | 0 \rangle$$ 通过重复编码，DARUAN 能够诱导出丰富的傅里叶谱，从而以极少的参数（仅需量子电路的相位参数）实现高度复杂的非线性映射。
  2. HQKAN 模块：在 Transformer 的每个 Block 中，原本的 FFN 被替换为“编码器-QKAN-解码器”结构。输入向量先被投影到低维潜空间（Latent Space），通过 QKAN 进行高效的非线性变换，再投影回原始维度。这种“瓶颈”设计是实现 66% 压缩率的关键。
  3. QSCI 评价流水线：生成模型产生的序列被转化为量子电路，在模拟器（或真机）上运行。通过测量得到的比特串（Slater 决定子）构建截断子空间，进行经典对角化（CI 策略）获得能量 $E_{QSCI}$，并将其负值作为强化学习的奖励（Reward）信号。

1.4 技术难点：离散策略的训练稳定性

由于电路构建是离散的序列生成，梯度无法直接回传。GQKAE 采用了 GRPO (Group Relative Policy Optimization) 算法，这是一种在大型语言模型（LLM）训练中表现优异的强化学习策略。通过对一批采样的序列计算相对优势，GRPO 能够比传统的 PPO 更稳定地更新模型，避免了因奖励信号波动导致的收敛失败。

2. 关键 Benchmark 体系，计算数据与性能分析

为了验证 GQKAE 的鲁棒性，研究团队选择了六个极具代表性的分子体系，涵盖了从简单的氢链到复杂的二聚体系统。

2.1 实验体系配置

  • H4 (8 qubits)：研究等距离拉伸下的键断裂。
  • N2 (16 qubits)：涉及氮氮三键的断裂，具有极强的静态关联（Static Correlation），是量子化学中的硬骨头。
  • LiH (20 qubits)：测试在大活性空间下的收敛能力。
  • C2H6 (12 qubits)：研究内旋转能垒（Torsional Barrier）。
  • H2O (16 qubits)：考察键角弯曲对能量的影响。
  • (H2O)2 (16 qubits)：水分子二聚体，用于测试分子间弱相互作用的捕捉能力。

2.2 核心性能数据（见表 II）

分子体系GQE 参数量 (M)GQKAE 参数量 (M)参数压缩率显存占用 (MB)加速比 (Speedup)
H455.2614.3~74%162.9 -> 42.613.6%
N255.2414.5~73.7%162.8 -> 42.79.0%
LiH55.2414.5~73.7%162.8 -> 42.79.8%
H2O42.814.6~65.8%163.1 -> 55.46.8%

结论：在所有测试体系中，GQKAE 的参数量稳定维持在 14M 左右，而传统的 GPT 架构则需要 42M 到 55M。这意味着 GQKAE 成功实现了约 66% 的平均压缩率。同时，显存占用从 162MB 骤降至 42-55MB，这对于在边缘设备或资源受限的 HPC 节点上部署模型具有决定性意义。

2.3 化学精度与收敛动力学（见图 3, 4, 5）

  • 精度：在 $N_2$ 和 $LiH$ 等强关联体系中，GQKAE 的最终能量误差不仅达到了 1.6 mHa 的“化学精度”门槛，甚至在收敛速度和最终残差上优于标准 GQE。
  • PES 曲线：图 4 显示，GQKAE 产生的势能面曲线与精确的 CASCI 参考线完美重合，准确捕捉到了 $N_2$ 三键断裂时的非动力学关联效应。对于乙烷的旋转能垒，GQKAE 预测值为 0.122 eV，与实验值 0.13 eV 吻合极好，表现优于传统的 CCSD。

3. 代码实现细节与复现指南

对于科研工作者而言，复现 GQKAE 需要关注以下组件的集成：

3.1 软件栈与工具链

  • 量子后端：使用 NVIDIA CUDA-Q。其原生 GPU 加速能力对于大规模电路模拟（尤其是计算梯度和采样）至关重要。
  • 化学积分与基准：PySCF 用于生成一元、二元分子积分，选择活性空间。PyCI 用于进行经典的 CI 对角化，作为基准参考。
  • KAN 实现：采用了开源的 QKAN 实现（基于 PyTorch），并利用 FlashQKAN 技术进行了张量网络优化。
  • 强化学习：GRPO 算法实现，用于更新 Transformer 的 Policy 参数。

3.2 关键参数建议

  • 潜在空间维度 (d_latent)：建议设置为 12。研究发现，过高的维度会增加不必要的参数，而 12 维已足以通过 KAN 模块捕捉复杂的算子相关性。
  • 子空间维度 (d_max)：在 QSCI 后处理中，设置为 2000 即可在大多数系统中实现化学精度。
  • 采样率：每次迭代采样 $M=10$ 个电路，总训练步数 $N_{iter}=100$。

3.3 开源仓库链接

3.4 复现步骤

  1. 环境配置：安装 Python 3.10+, PyTorch 2.0+, CUDA-Q 及其依赖。
  2. 生成积分：使用 PySCF 处理目标分子（如 STO-3G 或是 cc-pVDZ 基组），保存 .hdf5 格式的积分文件。
  3. 模型初始化：构建 HQKANsformer 骨干网络，将 FFN 层替换为包含 DARUAN 激活的 HQKAN 模块。
  4. 训练：运行 GRPO 训练脚本，在 CUDA-Q 模拟器上并行生成电路并回传奖励信号。

4. 关键引用文献与深度评述

4.1 关键参考文献

  1. KAN (2024): Liu et al., “KAN: Kolmogorov-Arnold Networks”. 提出了基础架构。
  2. GQE (2024): Nakaji et al., “The generative quantum eigensolver (gqe)”. 奠定了生成式求解器的范式。
  3. QSCI (2023): Kanno et al., “Quantum-selected configuration interaction”. 提供了高效的子空间对角化评估方法。
  4. DARUAN (2025): Jiang et al., “Quantum variational activation functions empower Kolmogorov-Arnold networks”. 引入了量子启发激活函数。

4.2 局限性分析与批判性思维

尽管 GQKAE 在参数效率上取得了巨大成功，但作为技术评论者，我们仍需看到其局限性：

  • 序列长度 $L$ 的硬编码：目前的 $L$（算子数量）仍需手动指定（如 $H_2O$ 需要 $L=130$）。如果 $L$ 设置过短，模型无法触达基态；过长则会浪费量子资源。未来的方向应该是动态 $L$ 预测。
  • 对经典模拟的依赖：在训练阶段，模型需要频繁调用量子模拟器计算奖励。虽然 CUDA-Q 很快，但当比特数超过 40 时，经典模拟将成为瓶颈。如何利用零样本学习（Zero-shot Transfer）在小分子上训练并推广到大分子，是亟待解决的问题。
  • DARUAN 的实际量子硬件表现：论文中的 DARUAN 是在模拟器中实现的。在真实量子芯片上，由于读出误差和退相干，这种敏感的一元非线性映射是否还能保持预期的傅里叶特性，仍需实验验证。

5. 补充：HPC-量子协同设计的未来图景

GQKAE 的意义远不止于一个更快的本征求解器，它实际上为 HPC-Quantum Co-design 提供了一个范本。

5.1 边缘计算与分布式训练

由于模型规模压缩了 66%，我们现在可以将生成模型部署在更靠近量子硬件的控制端服务器上，甚至集成到低功耗的 FPGA/ASIC 中。这消除了将庞大权重在网络中频繁传输的延迟。

5.2 算子池的压缩演化

GQKAE 展现了其对算子序列模式的深度理解。结合 KAN 的可解释性，我们或许可以分析 HQKAN 内部的学到的一元函数，从而反向推导哪些 UCCSD 算子组合是“冗余”的。这可能导致更精简、更高效的量子 Ansatz 设计。

5.3 跨领域的可扩展性

除了量子化学，GQKAE 的这种“轻量化生成模型 + 物理反馈奖励”的架构，完全可以迁移到量子组合优化（QAOA）、量子纠错（QEC）码的自动发现等领域。KAN 的引入，标志着量子机器学习正从“大力出奇迹”的参数堆叠阶段，进入到“结构优化、参数精炼”的高质量发展阶段。

总结：GQKAE 凭借其量子启发的数学内核与极高的资源利用率，成功证明了即便在经典算力受限的情况下，我们也能够通过更聪明的模型结构，撬动量子化学模拟的巨大潜力。对于致力于近未来量子应用落地的研究者来说，这无疑是一个极具启发性的技术路线。