来源论文: https://arxiv.org/abs/2605.24617v1 生成时间: May 26, 2026 12:45

量子计算与AI的深度共盟：QiankunNet-QSCI 解析强关联电子结构的全新范式

0. 执行摘要

在强关联电子结构计算（如过渡金属催化剂、金属酶活性中心）中，由于近简并态和电子纠缠的指数级激增，经典数值算法（如 DFT、DMRG、FCI）与近期喧嚣的中介尺度量子（NISQ）变分算法（如 VQE）均遭遇严重的精度或资源瓶颈。为了打破这一僵局，中国科学技术大学联合合肥国家实验室等顶尖科研团队，提出了一项革命性的混合量子-经典计算框架——QiankunNet-QSCI。

该框架将基于“祖冲之 3.1 号”105 比特超导量子处理器的高效“幺正选择组态相互作用（USCI）”变分量子采样，与物理启发的经典自回归 Transformer 神经网络（QiankunNet）进行深度协同。通过量子处理器在高度受限的极浅线路上捕获核心的多体量子干涉模式，再由经典物理神经网络进行降噪、重加权以及波函数完备化重构。该方案不仅在 40 量子比特的 $[Fe_2S_2(SCH_3)_4]^{2-}$ 铁硫簇体系上成功达到化学精度（误差 $\le 1.12 \pm 0.30 \times 10^{-3}$ Ha），更将模拟尺度前所未有地推进至包含 114 个电子、73 个活性轨道的 146 量子比特固氮酶 P 簇（P-cluster）模型。这标志着“量子重要性采样 + 经典 AI 精炼”的范式已成为攻克强关联多体物理问题的极具前景的实用道路。

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：强关联体系的“指数墙”

精确预测过渡金属簇（如铁硫蛋白活性中心、固氮酶等）的电子结构，是现代化学、材料科学和多相催化领域的圣杯式难题。这类系统的核心特征在于：存在大量能量极度接近的近简并 d 轨道或 f 轨道，导致电子在不同轨道间的排布呈现极强的多组态（Multi-configurational）特性，即静电关联（Static Correlation）。在此类系统中：

1. 基于单参考态的经典**密度泛函理论（DFT）**由于无法处理自旋非局域化，会产生严重的非局域化误差和静态关联失效。
2. **完全组态相互作用（FCI）**随着活性轨道的增加，行列式维度呈现指数爆炸 $O\left(\binom{2N}{N_e}\right)$。
3. **密度矩阵重整化群（DMRG）**虽然能够高效处理准一维轨道拓扑，但在三维过渡金属簇（如铁硫核）中，由于量子纠缠面积熵不满足，其所需的键合维度（Bond Dimension, $D$）将发生指数激增，面临难以跨越的计算瓶颈。

量子计算作为革命性工具，理论上能在多项式时间内表示多体波函数，但当下的 NISQ 变分量子特征值求解（VQE）算法面临着“变分梯度消失（贫瘠高原）”、“测量 Shots 指数激增”以及“物理器件退相干噪声”三大致命痛点。如何开发出一种对硬件极其友好、且能保持高物理化学精度的量子-经典协同算法，是强关联计算领域的最大挑战。

1.2 理论基础与范式转移：QSCI 路线的重生

为了规避 VQE 对硬件控制和测量的苛刻要求，量子选择组态相互作用（QSCI）路线应运而生。QSCI 的本质不再将量子计算机用作变分能量求解器，而是将其转变为“高效的多体波函数概率分布采样器”。

QSCI 的核心流程是：在量子计算机上制备一个能够大致反映关联特性的试探态（Ansatz），通过对计算基矢进行大量的投影测量（Projective Measurements），采集一组高频、高权重的 Slater 行列式 $\mathcal{S}$。随后，在经典计算机上构建该子空间的哈密顿矩阵：

通过对角化（例如使用 Davidson 算法）求解该子空间哈密顿量的最低特征值。这种方法的妙处在于：哈密顿量的矩阵元是在经典计算机上完全精确、无噪声地计算出来的，量子器件上的物理噪声和 Shots 涨落仅仅影响筛选出的子空间 $\mathcal{S}$ 的质量，而不会直接对能量测量引入一阶噪声偏差。

然而，传统的 QSCI 的局限性依旧明显：当体系变大时，由于硬件噪声干扰，量子制备态极易发生坍缩或概率平坦化，导致采集到的行列式夹杂着海量不满足自旋、粒子数守恒的“垃圾噪声”，而无法高效触及低权重但对动态关联极具贡献的组态，导致能量收敛缓慢。

1.3 技术难点与方法细节：QiankunNet-QSCI 方案设计

QiankunNet-QSCI 通过三大核心创新模块，彻底解决了传统 QSCI 的瓶颈。其整体架构分为两个主要阶段，如下图所示：

[ 第一阶段：变分量子重要性采样 ] 
经典极低精度预筛选 -> 构建极浅 USCI 算符 -> “祖冲之 3.1”硬件采样 -> 对称性过滤与子空间确定
                                                                          |
                                                                          v
[ 第二阶段：经典物理启发式 AI 精炼 ] 
QiankunNet Transformer 变分自回归重构 -> H-Couple 空间自适应拓展 -> Davidson 精确子空间对角化

1.3.1 极简幺正选择组态相互作用（USCI）算符设计

为了在 NISQ 硬件上实现高效采样，必须大幅度压缩量子线路深度。研究团队提出了一种专门用于硬件采样的 USCI 试探态。其通用数学表达为：

其中，$|\Phi_0\rangle$ 为 Hartree-Fock 参考行列式。$\hat{\kappa}$ 代表轨道旋转算符（用于实现轨道自洽松弛弛豫）：

而 $\hat{T}_s$ 是精心挑选的激发算符，其仅耦合参考态与通过低成本经典算法（如极小空间的选定 CI，HCI/SHCI）预筛选出的化学显赫组态 $\mathcal{S}$：

去投影近似（Projector-free Approximation）：在传统的幺正选择性 CI 中，为了确保行列式的一对一旋转，需要引入昂贵的行列式投影算符 $\hat{P}_J = |D_J\rangle\langle D_J|$。然而，这会在 Jordan-Wigner 变换后映射为极长、极深、极难执行的多比特受控 Pauli 链。USCI 做出了关键物理近似，抛弃所有投影算符，将其退化为紧凑的幺正耦合簇（UCC）激发元：

这一近似不仅严格保留了系统的粒子数与自旋守恒，更大幅消减了受控门的层数。结合在硬件部署中实施的**度限制连接拓扑（Degree-capped Connectivity）**编译策略（限制单个比特的纠缠交互次数），使得 $[Fe_2S_2(SCH_3)_4]^{2-}$ 体系的采样电路物理深度压缩至仅为 137，彻底规避了传统 UCC 动辄上千门深度的硬件死穴。

1.3.2 乾坤网（QiankunNet）：变分自回归波函数重构

量子采样获取的仅是一个受噪的、粗糙的主导组态基矢子空间。如何无偏差地纠正读出噪声并预测未采样的重要动态关联行列式？QiankunNet（乾坤网）作为经典 AI 精炼器登场。

QiankunNet 采用 Decoder-only 的 Transformer 架构。输入为行列式的占据轨道状态比特串 $x = (x_1, x_2, \dots, x_N) \in \{0, 1\}^N$。波函数用振幅和相位子网络分别进行独立参数化：

• 自注意力（Self-Attention）机制的物理对齐：Transformer 的自注意力机制天然契合量子多体纠缠。通过在全电荷轨道上执行 Query-Key 关联，多头自注意力层能够无视空间距离，高效捕获轨道之间的长程、非局域多体关联。这是限制玻尔兹曼机（RBM）等传统局域前馈网络无法比拟的。
• 变分能面优化：QiankunNet 的训练绝非对量子直方图进行简单的监督学习，而是采用最严格的变分能量最小化：

通过变分自回归对系数进行梯度反向传播训练。这使得神经网络能够发挥降噪（Denoising）、**重加权（Reweighting）以及完备自回归补全（Completing）**的功能，从而变分地平滑噪声畸变，极大逼近真实的电子基态波函数。

1.3.3 H-Couple 哈密顿量耦合自适应空间拓展

为了捕获大规模的动态电子关联能，必须进一步膨胀量子计算机筛选出的子空间 $\mathcal{S}$。研究采用了一种非微扰的哈密顿量耦合（H-Couple）拓展方案：

1. 定义所有通过一次或二次激发与子空间 $\mathcal{S}$ 内组态耦合的外部一阶拓展行列式集合 $\mathcal{N}(\mathcal{S})$（根据 Slater-Condon 规则，$H_{\mu I} \ne 0$）。
2. 引入**振幅加权评分制（Amplitude-weighted Score）**对外部候选组态进行自适应重要性度量：

3. 设定严格的评分截断阈值 $\tau$，仅将满足 $s_\mu \ge \tau$ 的优质组态并入扩展空间 $\mathcal{S}' = \mathcal{S} \cup \mathcal{C}_\tau$，最后在经典机上执行 Davidson 高效精细对角化，从而在确保**变分界（Variational Bound）**不被破坏的前提下，以极小计算开销捕获最大份额的动态关联能。

2. 关键 Benchmark 体系与性能数据

QiankunNet-QSCI 在三种极具物理化学代表性的体系中，展现出了惊人的计算效率和精度表现。

2.1 $H_{10}$ 环状一维链体系：硬件噪声鲁棒性与收敛极速验证

• 体系设置：10 个氢原子均匀分布于半径为 $1.0 \text{ \AA}$ 的圆环上（FCI 希尔伯特空间共有 63,504 个自旋守恒行列式，其中非平庸组态约 31,388 个）。
• 超导采样对比（LUCJ vs USCI）：在“祖冲之 3.1 号”上进行 1,000,000 次 Shots 采样。
  • 经典 LUCJ 试探态（全 20 量子比特执行，电路深，单比特门 1192 个，CZ 门 330 个）：共采集到 635,237 个独特二进制串，但仅有 38,608 个比特串满足 10 电子数守恒约束。采样概率分布高度展宽平坦，真正的化学主导基态组态（FCI 排名第 1）甚至跌出了采样前十名。这表明在深层线路上物理噪声彻底淹没了物理信号。
  • 本研究 USCI 试探态（自适应收缩至 8 比特子空间执行，物理门极简）：仅产生 256 个独特比特串，其中 36 个物理守恒比特串高亮突出，高概率区间精准锁定了 FCI 基态前五名主导组态，量子重要性采样纯度得到跨越式提升。
• 变分收敛极速表现：

这极具说服力地证明了高物理保真度的 USCI 量子采样能给经典 AI 网络提供最为纯净和聚焦的初始物理先验，使训练逃离了收敛泥潭。

2.2 双铁硫簇 $[Fe_2S_2(SCH_3)_4]^{2-}$（40 量子比特）：首次硬核突破化学精度

过渡金属双铁硫簇是生物体氧化还原反应的重要中心，由于铁离子间复杂的自旋排斥与轨道重叠，是强关联电子结构研究的标志性体系。

• 体系设置：CAS(30e, 20o)，折合 40 个自旋轨道，映射为 40 块超导量子比特。选用 TZP-DKH 标量相对论高阶基组。
• 采样资源与深度：在处理器上使用 40 比特，USCI 逻辑层深度仅为 41（硬件编译后包含 193 个物理 CZ 门，深度 137），累计采集 $10^8$ 次有效物理采样。通过物理对称性筛选，收割了 34,500 个严格符合粒子数和自旋守恒的优质行列式（占全 FCI 空间的 $0.003\%$）。
• 计算能量与精度表现：

能量误差 vs 采样的保留组态数（对标 DMRG 极限外推能：-116.5912 Ha）

  Energy Error (Ha)
   10^0  |................ (CISD 经典基准线, 误差 ~ 0.5 Ha)
         | 
   10^-1 |---------------- (CCSD 经典基准线, 误差 ~ 0.12 Ha)
         | 
   10^-2 | 
         |        * Zuchongzhi 3.1 + USCI 原始投影能量
   10^-3 |============================================== (化学精度阈值 1.6 mHa)
         |            ★ QiankunNet-QSCI 最终精炼能量 (误差 1.12 ± 0.30 mHa)
   10^-4 +------------------------------------------------------
         10^4           10^5           10^6           10^7
                           Retained Configurations

关键结论：QiankunNet-QSCI 收敛能量为 $-116.5912$ Ha，绝对误差被锁定在极其耀眼的 $1.12 \pm 0.30 \times 10^{-3}$ Ha，完美击穿化学精度壁垒！ 这一表现彻底碾压了经典 CCSD 算法。进一步的波函数激发结构分析（图 4a）清晰揭示了波函数被 7-8 次的高阶多体激发强烈占据，这有力证实了强关联物理下“单参考 CCSD 算法瘫痪、QiankunNet-QSCI 绝尘领先”的科学事实。

2.3 固氮酶 P 簇（Nitrogenase P-Cluster）（146 量子比特）：探索超大规模活性空间

固氮酶 P 簇（$Fe_8S_7$ 核心体系）被公认为经典多体量子化学计算的“终极修罗场”之一。研究人员使用 QiankunNet-QSCI 对其进行极具野心的 146 比特模拟探索。

• 体系设置：CAS(114e, 73o) 模型，映射至 146 块量子比特。
• 自旋通道因式分解采样（Spin-factorized Sampling）：146 量子比特直接纠缠在物理上会面临严重的噪声降级。研究人员极富物理直觉地将轨道的 $\alpha$ 和 $\beta$ 自旋通道进行物理拆分，分别注入两个独立的 73 比特寄存器：
  • $\alpha$ 自旋 USCI 采样电路（73 量子比特）：包含 380 个单比特门、154 个 CZ 门（12 层），生成 1,345 个物理守恒行列式。
  • $\beta$ 自旋 USCI 采样电路（73 量子比特）：包含 693 个单比特门、146 个 CZ 门（6 层），生成 3,335 个物理守恒行列式。
• 重要性采样增益：与无电路指导的均匀随机抽样（仅能获取约 $3 \times 10^{-5}$ 的物理守恒占比，即 $10^8$ 次 Shots 里仅有预期 $56$ 次有效结果）相比，本研究在硬件上直接实现了 $24\times$（$\alpha$ 通道） 和 $60\times$（$\beta$ 通道） 的量子重要性采样效率增益。通过经典 AI 将自旋因式分解通道进行外积交叉并执行 $H$-Couple 和 QiankunNet 深度训练，完美复原了强烈的自旋间多体纠缠。
• 精度对标：无任何 FCI 参考数据。QiankunNet-QSCI 计算能量相比当前业界最昂贵（耗费 48 张大显存 GPU 卡，键合维度高达 14,000）的经典 DMRG 外推线，绝对能量误差仅剩 $\approx 18 \text{ mHa}$，水平等同于经典顶级张量网络 DMRG($D=4000 \sim 5000$) 的精细解，实现了量子化学模拟史上的惊人突破。

3. 代码实现细节与复现指南

本工作的开源代码已经发布至 GitHub 仓库。以下是为科研人员准备的深度复现指南。

3.1 开源仓库与核心软件包

• GitHub 仓库: https://github.com/xzzeng001/QiankunNet-QSCI
• 主要依赖平台:
  • $Q^2$Chemistry（自主知识产权的高性能集成量子计算化学软件平台）
  • PySCF（经典从头算分子模拟化学包，用于积分生成与经典对标运算）
  • PyTorch（用于搭建和变分训练自回归 Transformer 乾坤网）
  • Dice（用于执行经典热浴选择组态相互作用 HCI 对角化）

3.2 深度复现五步工作流

[ 步骤 1：PySCF 轨道积分导出 ] -> [ 步骤 2：经典预筛选与矩阵元生成 ] -> [ 步骤 3：Q2Chemistry 编译 USCI 线路 ] 
                                                                                   |
                                                                                   v
[ 步骤 5：QiankunNet 变分精炼 & H-Couple ] <- [ 步骤 4：硬件运行或噪声模拟采样 ]

步骤 1：经典自洽场计算与双电子积分导出

在经典计算节点上使用 PySCF 运行 Hartree-Fock，获得基组分子轨道系数并导出活性空间哈密顿积分元。

import numpy as np
from pyscf import gto, scf, ao2mo, fci

# 以简易 H10 环体系为例构建输入
mol = gto.Cell()
mol.atom = '''
    H 0.00000 0.00000 1.00000
    H 0.58778 0.00000 0.80901
    # ... 其余氢原子坐标配置
'''
mol.basis = 'cc-pvdz'
mol.build()

# 运行自洽场计算
mf = scf.RHF(mol).run()

# 提取单电子与双电子分子轨道积分元
h1_mo = np.einsum('pi,pj,pq->ij', mf.mo_coeff, mf.mo_coeff, mf.get_hcore())
eri_mo = ao2mo.kernel(mol, mf.mo_coeff)
np.save("h1_mo.npy", h1_mo)
np.save("eri_mo.npy", eri_mo)

步骤 2：经典预筛选产生基础行列式空间

调用微型 FCI 或选择性 CI（如 HCI 算符在 $Q^2$Chemistry 内置模块）提取具有高幅度（例如 $|c| > 0.01$）的前 $10 \sim 20$ 个核心行列式。这些核心组态将作为 USCI 量子线路的设计锚点。

步骤 3：USCI 量子线路自动编译

调用 $Q^2$Chemistry 的编译引擎，导入分子轨道积分和核心行列式集合。该引擎将自动丢弃复杂的 Projection 结构，采用 Jordan-Wigner 变换把费米子激发算符映射为硬件原生 CZ 门，并根据“祖冲之 3.1”的方形晶格耦合限制（限制最大交叉度，防止串扰和门爆炸）输出高度压缩后的可执行 OpenQASM 2.0 线路代码。

步骤 4：物理运行或噪声环境模拟采样

在真机上执行步骤 3 生成的电路，或者在经典节点上配置自带的去极化及读出噪声模拟算子进行模拟采样。采样过滤模块会自动执行以下逻辑：

def symmetry_and_particle_filter(bitstrings, target_electrons, target_ms):
    """
    物理过滤器：剔除硬件噪声中未满足电荷守恒和自旋投影守恒的坏点行列式
    """
    valid_determinants = []
    for bitstr, count in bitstrings.items():
        # bitstr 形如 '11111000001111100000' (20位对应10个空间轨道)
        alpha_bits = [int(x) for x in bitstr[0::2]]
        beta_bits = [int(x) for x in bitstr[1::2]]
        
        n_alpha = sum(alpha_bits)
        n_beta = sum(beta_bits)
        
        # 物理限制校验
        if (n_alpha + n_beta) == target_electrons and (n_alpha - n_beta) == (2 * target_ms):
            valid_determinants.append((bitstr, count))
    return valid_determinants

步骤 5：QiankunNet 变分精炼与 H-Couple 空间拓展

将过滤后高质的采样行列式集送入物理神经网络乾坤网，并开启其变分优化主循环。网络超参数见下表：

通过变分收敛后，直接调用内置的 H_Couple_Expansion 模块执行非微扰二次拓展和 Davidson 矩阵自适应对角化，即可优雅输出达到化学精度的绝对电子能。

4. 关键引用文献与硬核局限性学术评论

4.1 核心引用文献路线图

1. QSCI 混合范式奠基: Kanno, K. et al. arXiv:2302.11320 (2023). [Ref 16]
   • 学术贡献: 首次完整确立了通过量子采样确定哈密顿量有效子空间，再在经典端精确构建哈密顿量对角化求特征值的混合算法流程。
2. 经典高关联标杆 (DMRG): Chan, G. K. L., & Sharma, S. Annu. Rev. Phys. Chem. (2011). [Ref 8]
   • 学术贡献: 提供了强关联模拟领域最负盛名的经典张量网络标杆，为评估量子算法提供了最可信的极限参考线。
3. 乾坤网 (QiankunNet) 物理底座: Shang, H., Guo, C., Wu, Y. et al. Nat. Commun. 16, 8464 (2025). [Ref 26]
   • 学术贡献: 首次系统性推导了基于自回归 Transformer 解决多电子非相对论薛定谔方程的可行性，是本研究中 AI 精炼模块的直接理论前身。
4. 超导硬件控制里程碑: Gao, D. et al. Phys. Rev. Lett. 134, 090601 (2025). [Ref 29]
   • 学术贡献: 正式确立了“祖冲之 3.0/3.1号”105 比特处理器在大规模物理比特变分控制和读出保真度上的世界级技术优势。

4.2 硬核局限性与深刻思辨

作为量子物理与化学模拟的研究人员，我们虽然为这一突破性进展欢呼，但也必须极度清醒、辩证、客观地剖析本工作在现阶段暴露的学术与工程局限性：

1. 对经典高阶先验（Pre-screening）的强耦合依赖： USCI ansatz 的编译构造，从本质上讲，是基于经典高关联近似算法（如低精度 HCI/SHCI 或 CISD）所筛选出的主要行列式集合。如果面对某些极其复杂的“超级强关联”体系，经典 HCI 由于多体物理的高度交织，无法给出定性正确的初始显赫组态集，那么量子线路的设计将会完全“跑偏”。量子采样将失去准确的物理锚点，导致整个混合框架的基石动摇。
2. 极其昂贵的经典 AI 变分算力负载： 我们必须注意到，在固氮酶 P 簇的计算中，为了精炼 146 量子比特对应的电子状态，QiankunNet 在顶奢的 NVIDIA H100 GPU 上足足狂飙了 7,219.2 个 GPU 小时！这意味着，所谓的“量子计算化学优越性”，在目前阶段其实是将相当一部分算力重担转移到了经典的高参数变分神经网络拟合上。整个协同链路中，究竟是量子处理器里的多体相互作用干涉起到了决定性的、经典不可替代的拓扑指引作用，还是经典巨量参数 Transformer 通过暴力变分优化硬生生完成了波函数修复？这一点仍然需要更严谨的控制变量实验和计算复杂性边界划分来予以证实。
3. 势能面（PES）连续扫描的几何不稳定性： USCI 幺正算符的选取和电路连接度（Degree Capping）由于采取了高度定制化的非平庸组态选择，这意味着每一个分子几何坐标点（Bond Length, Angle）对应的量子电路拓扑都可能是非连续、突变的。当我们需要对化学反应路径进行平滑的势能面扫描或求解受力（Force）进行分子动力学模拟时，这种电路线路的物理不连续性将给能量梯度的推导引入严重的物理噪音，可能会面临工程上的严峻挑战。

5. 补充解析：从 VQE 到量子采样重建的范式革命

QiankunNet-QSCI 的横空出世，其最深远的意义并不在于在某些复杂的铁硫核上卷赢了经典算法几个毫哈特里（mHartree）的能量，而在于其在更深层次的计算哲学上宣告了 VQE 范式的退潮，和“量子采样 + 经典 AI 精炼”范式的强势崛起。

5.1 哲学视角的深刻转变：放手硬件，拥抱协同

在 NISQ 量子化学计算诞生之初，学界的主流范式（如标准 VQE）是试图将量子计算机作为**“高精度模拟计算器”**。这种范式的底层逻辑是完美的物理主义：通过在多层变分电路上极为精细地调节每一个受控旋转门的旋转角度 $\theta_i$，试图在含噪的超导载体上完美精确复现出薛定谔方程多体哈密顿量的最低本征态，再在真机上通过繁琐的 Hamiltonian 项拆分执行数以亿计的期望值测量来读出能量本征值。

但在嘈杂的 NISQ 现实中，这种完美主义在物理上撞墙了：

• 硬件控制的轻微漂移（Drift）和量子比特热弛豫会彻底摧毁微妙的多体干涉相位；
• 期望值测量由于 $O(N^4)$ 项的庞大和含噪，使得所需的物理 Shots 呈现灾难性膨胀，将计算化学家生生拖死在采样时间上。

QiankunNet-QSCI 采取了极其务实的实用主义范式漂移：

+-------------------------------------------------------------------------+
|                         旧范式：VQE (完美物理主义)                      |
| 量子处理器：[精细参数化] -> [多层深电路] -> [高敏感度期望值测量(10^9 Shots)] |
| 经典处理器：[仅做参数迭代更新]                                           |
+-------------------------------------------------------------------------+
                                     |
                                     v (范式漂移)
+-------------------------------------------------------------------------+
|                     新范式：QiankunNet-QSCI (协同实用主义)               |
| 量子处理器：[极浅物理电路] -> [粗粒度快速采样(捕获多体干涉粗糙图像)]        |
| 经典处理器：[自回归 Transformer AI 精炼波函数] -> [高精度的经典矩阵对角化] |
+-------------------------------------------------------------------------+

量子计算硬件被“降级”也同时被“解放”为了一个**“粗粒度物理概率生成器”。它不再需要给出准确、无噪、纯净的绝对本征波函数，也不必承担高敏感度的能量测量任务。它仅仅利用超导量子比特在微观上极强、极富物理表现力的多体纠缠与干涉优势，在宏观上给经典计算机“指引一个正确的大致物理方向”**——即高效产出一批最主导、最具静电关联特征的 Slater 行列式骨架（希尔伯特空间的方向标）。

接下来的降噪、平滑、去畸变以及大面积动态关联能补全，全部由处于绝对舒适区、拥有千亿晶体管和先进自注意力架构的经典 AI 处理器以及经典矩阵对角化软件去完美闭环。这种“量子打粗胚，经典 AI 雕细琢”的协同生态，毫无疑问，是真正突破当今 NISQ 荒漠物理局限、实现实用化量子计算化学的唯一通途。

5.2 结语：未来量子化学校园的新范式

QiankunNet-QSCI 的成功实践向我们展示了多学科交叉融合时爆发出的无穷威力。我们可以预见，在未来的五年中，量子化学计算的研究范式将发生剧烈变革：基于自回归 Transformer 等物理启发的 AI 神经网络将成为量子计算化学的核心标配。随着超导量子硬件比特数在 Zuchongzhi 系列上的进一步推进、门保真度的阶跃、以及在量子纠错层面的局部引入，当这种混合协同计算架构深度嵌入到分子动力学、催化机制剖析以及生物大分子构象搜索时，我们距离在经典硅基计算机与量子芯片上重现大自然最鬼斧神工的催化奇迹，将不再遥远。