来源论文: https://arxiv.org/abs/2605.12614v1 生成时间: May 14, 2026 10:55

0. 执行摘要

在嘈杂中型量子（NISQ）时代，如何高效利用稀缺且昂贵的量子计算资源是科研界的头等大事。尽管现有的量子处理器（QPU）已经达到 100+ 比特的规模，但受限于量子电路的深度和相干时间，单个化学分子的模拟往往只能占用其中一小部分比特，造成了显著的“空间资源浪费”。同时，云端任务排队时间的冗长也极大地限制了算法迭代的效率。

本文解析的最新工作提出了一种专门针对局部酉耦合簇 Jastrow（LUCJ）Ansatz 的量子多路编程（Quantum Multi-Programming）框架。该框架允许在同一台 QPU 上并行执行多个独立的量子化学电路。核心挑战在于如何解决并行执行带来的硬件串扰（Crosstalk）。作者通过引入**基于采样的量子对角化（SQD）**及其扩展版本（ext-SQD）作为稳健的后处理协议，证明了即使在存在串扰的情况下，也能以极高的精度（误差小于 0.001 kcal/mol）复现经典 Heat-bath Configuration Interaction (HCI) 的参考值。这一工作为量子化学在云端量子平台的大规模应用奠定了坚实的技术基础。

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：资源碎片化与队列瓶颈

当前的量子计算面临两个自相矛盾的现状：一是单芯片比特数持续增加（如 IBM Heron 已达 156 比特），二是单个高保真量子化学模拟电路通常只需要 10-30 个比特。这种不匹配导致了大量比特在计算时处于闲置状态。此外，量子计算的实验通常需要成千上万次的采样（Shots），在云平台上，由于排队机制的存在，频繁提交小规模电路会导致极低的任务吞吐量。

1.2 理论基础：LUCJ Ansatz 与 JW 映射

本研究选用了 Local Unitary Cluster Jastrow (LUCJ) Ansatz。相比于传统的 UCCSD，LUCJ 在处理电子相关性时具有更紧凑的电路结构，其截断形式如下：

$$|\Phi_{qc}\rangle = e^{\hat{K}_1} e^{i\hat{J}_1} e^{-\hat{K}_1} |x_{RHF}\rangle$$

其中，$\hat{J}_1$ 代表密度-密度算符，$\hat{K}_1$ 对应单体算符，$|x_{RHF}\rangle$ 是受限 Hartree-Fock (RHF) 态的比特串。通过 Jordan-Wigner (JW) 变换，费米子算符被映射到物理比特上。LUCJ 的核心优势在于其局部性（Locality）：密度-密度相互作用通过辅助比特（Ancilla）在异旋态之间传递，形成“之字形”（Zig-zag）布局，这种架构极大地减少了对全连通性的需求，非常适合重六角（Heavy-hex）结构的 IBM 硬件。

1.3 技术难点：硬件串扰的恶魇

量子多路编程的最大敌人是串扰。当两个电路在同一芯片上并行执行时，原本隔离的控制线、冷却系统甚至比特间的残留耦合会导致额外的噪声。串扰主要分为两类：

  1. 操作串扰（Operational Crosstalk）：两个电路在同一时刻执行门操作（如 CNOT）时互相干扰。
  2. 空闲串扰（Idling Crosstalk）：一个电路在执行时，导致邻近电路的空闲比特发生态改变。

实验表明，串扰可能导致门错误率增加一个数量级，这对于需要化学精度（1 kcal/mol）的量子化学任务来说几乎是致命的。

1.4 方法细节：双层实验类设计

为了实现并行化，作者在 Qiskit Experiments 基础上开发了两个核心类：

  • LUCJ_SubExperiment：负责生成参数化电路。它从 FCIDUMP 文件读取分子积分，通过 CCSD 计算初始振幅，并使用 ffsim 进行双分解优化，最终生成 JW 映射后的单次迭代电路。
  • LUCJ_ParallelExperiment：作为编排层。它管理多个子实验实例，将它们转译（Transpile）并合并为一个巨型电路。为了确保并行独立性，子实验被强制映射到 QPU 的互斥物理分区上，并插入“缓冲层”空闲比特。

在转译阶段，作者采用了 RemoveIdentityEquivalent 和 FoldRzzAngle 等 Pass 来压缩电路深度，减少冗余操作。通过 compose 方法将所有分区的测量操作映射到独立的经典寄存器中，确保数据检索的准确性。

2. 关键 Benchmark 体系与性能数据解析

2.1 测试体系：乙醇（Ethanol）的双构象模拟

作者选择了乙醇分子作为 Benchmark。这是一个具有 9 个原子的非对称分子，在量子化学模拟中具有中等复杂度。为了增加挑战性，研究设置了两个状态：

  1. 平衡态构象 ($EtOHEq$)：代表势能面底部的稳定状态。
  2. O-H 键拉伸态 ($EtOH_{1.2}$, 拉伸至 1.2 Å)：远离平衡态，电子相关性更强，采样难度更高。 这两个状态的相对能量差约为 14 kcal/mol，提供了一个清晰的基准来评估量子计算的区分能力。

2.2 布局（Layout）设计与缓冲策略

作者设计了三种不同的并行布局（Layout 1, 2, 3），主要区别在于两个子电路之间**缓冲空闲比特（Buffer Idle Qubits）**的数量。最小缓冲距离在图中以红色圈出。实验通过 10 次独立重复运行来消除设备时间漂移（Temporal Drift）的影响。

2.3 性能数据：串扰真的被消除了吗？

下表总结了实验的关键数据（均以相对于 HCI 参考值的绝对能量偏差 kcal/mol 表示）：

| 布局 | 执行模式 | |HCI - First-SQD| |HCI - Last-SQD| |HCI - ext-SQD| | :— | :— | :— | :— | :— | | Layout 1 | 并行-EtOH1.2 | 5.50 ± 0.25 | 0.56 ± 0.03 | 0.152 ± 0.002 | | | 串行-EtOH1.2 | 5.65 ± 0.19 | 0.57 ± 0.03 | 0.152 ± 0.002 | | Layout 2 | 并行-EtOH1.2 | 5.53 ± 0.23 | 0.47 ± 0.02 | 0.148 ± 0.004 | | Layout 3 | 并行-EtOHEq | 4.82 ± 0.20 | 0.50 ± 0.01 | 0.164 ± 0.002 |

关键观察结论：

  1. 并行 vs 串行的等效性：在所有布局中，并行执行所得的能量与串行执行（基准）在统计学上是兼容的。例如在 Layout 1 中，并行的平均偏差是 5.50，而串行是 5.65。这说明多路编程并没有因为串扰而引入灾难性的误差。
  2. SQD 的收敛威力：在“First-SQD”阶段，由于硬件噪声和有限采样，误差高达 4-5 kcal/mol。但经过 5 次 SQD 迭代（Last-SQD），误差迅速降至 0.5 kcal/mol 左右。最终经过 ext-SQD（引入额外 Slater 行列式扩展空间），能量偏差进一步压缩到 0.001 kcal/mol 级别。这一精度远超通常定义的“化学精度”（1 kcal/mol）。

3. 代码实现细节与复现指南

3.1 软件栈与核心工具

复现该工作需要集成以下开源工具链：

  • Qiskit Experiments (v0.13.0)：底层并行框架。
  • ffsim：用于费米子算子的高效模拟和电路双分解（Double Factorization）。
  • Qiskit Addon: SQD (v0.12.0)：核心后处理插件。
  • PySCF & PyCI：用于生成经典参考值和计算 CCSD 初始振幅。

3.2 复现步骤指南

  1. 数据准备：使用 PySCF 执行 RHF 和 CCSD 计算，生成乙醇分子的 FCIDUMP 文件。
  2. Ansatz 构建：
    • 调用 ffsim 的 UCJOpSpinBalanced.from_t_amplitudes 方法，将 CCSD 的 $t_2$ 振幅压缩为 UCJ 算子。
    • 使用 LUCJ_SubExperiment 类定义物理比特映射（Physical Qubits）和辅助比特（Ancillas）。
  3. 并行编排：
    • 实例化 LUCJ_ParallelExperiment，将多个子实验加入列表。
    • 调用 generate_preset_pass_manager（优化等级设为 0，防止转译器自动重映射比特）。
  4. QPU 运行：
    • 设置 shots=200,000。建议激活 XY4 动力学解耦（Dynamic Decoupling, DD） 序列，以抑制并行运行时闲置比特的退相干。
  5. SQD 后处理：
    • 配置 SQD 参数：10 个批次，每批次 3000 个样本，运行 5 次迭代。
    • 在最后一步执行 ext-SQD，设置配置交互（CI）阈值为 $10^{-5}$ 进行子空间扩展。

3.3 开源仓库链接

4. 关键引用文献与局限性评论

4.1 关键引用文献

  1. Preskill, J. (2018)：提出了 NISQ 概念，奠定了本研究的背景基调。
  2. Motta, M. et al. (2023)：LUCJ Ansatz 的原创论文，本框架的核心理论来源。
  3. Robledo-Moreno, J. et al. (2025)：SQD 算法的理论基础，证明了采样对角化在处理大规模体系中的潜力。
  4. Das, P. et al. (2019)：量子多路编程的早期探索，讨论了排队论模型。

4.2 工作局限性评价

尽管该工作展示了令人振奋的成果，但作为技术作者，我认为仍有以下局限值得深入讨论：

  • 隐形串扰的掩盖：作者在文中坦承，由于 SQD 算法本身具有极强的噪声鲁棒性，实际上“掩盖”了串扰的存在。这意味着如果换成对噪声更敏感的算法（如 VQE 的能量直接测量），串扰可能依然是瓶颈。SQD 实际上是把“硬件问题”转化为了“采样后处理成本”。
  • 测量限制：当前框架要求所有并行的电路必须使用相同数量的测量（Shots），这限制了异构任务的合并效率。如果一个分子需要 1M shots 而另一个只需要 10k，后者将不得不浪费大量时间等待。
  • 比特性质不均一性：虽然作者通过布局设计避开了劣质比特，但随着并行电路数量增加，必然会触碰低保真度的边缘区域。如何自动化、智能地根据实时校准数据进行分区（Partitioning），本文尚未给出通用算法。
  • 关于 LLM 的一点趣事：文末提到使用了 Claude Sonnet 4.6 进行润色，这也反映了当前科研论文写作的新范式。但值得注意的是，AI 辅助可能导致某些技术术语的过度平滑，读者在复现时应更关注数学定义而非修辞描述。

5. 补充深度解析：SQD 的数学灵魂与硬件协同

5.1 为什么 SQD 是“串扰杀手”？

传统的 VQE 依赖于哈密顿量算符期望值的测量（$E = \langle \Psi | H | \Psi \rangle$），任何硬件偏差都会直接反映在能量期望值上。而 SQD 的逻辑完全不同：它通过采样获取比特串（Slater 行列式），然后在经典计算机上投影哈密顿量算子：

$$\hat{P}_{S^{(b)}} = \sum_{x \in S^{(b)}} |x\rangle \langle x|$$

即使串扰导致采样分布发生了轻微偏移，只要这些采样仍然落在一个相对合理的 Hilbert 子空间内，对角化过程本身会自动纠正这种偏差，寻找到该子空间内的最低能量。这就是为什么本文中并行与串行结果几乎重合的根本原因——SQD 本身就是一种极高阶的错误缓解（Error Mitigation）技术。

5.2 XY4 动力学解耦的关键角色

在并行执行时，当电路 A 在运算，电路 B 的比特可能在“等待”。这些闲置比特会积累相位误差。本文采用了 XY4 脉冲序列：在空闲时间内周期性地施加旋转脉冲，抵消背景环境磁场引起的退相干。这是多路编程能落地的隐形功臣。

5.3 展望：量子化学的“工业化”

本框架展示了量子化学从“单分子实验室演示”走向“高通量筛选平台”的雏形。想象一下，未来的药物分子设计中，我们可以利用一台 433 比特的 Osprey 芯片，同时并行模拟 10 个以上的小分子片段。通过本文提出的 Parallel Experiment 类和 SQD 链条，这种吞吐量的线性提升将直接把化学发现的时间尺度从月级缩短到天级。

对于科研人员来说，现在就开始熟悉 Qiskit Experiments 的并行逻辑，并掌握 ffsim 的算子压缩技巧，是通往未来大规模量子模拟的必经之路。