来源论文: https://arxiv.org/abs/2605.29521v1 生成时间: May 30, 2026 06:56

克服几何挫折：基于样品的克里洛夫量子对角化（SKQD）在强关联自旋系统中的极限界标

0. 执行摘要

在强关联凝聚态物理中，估计几何受挫晶格（如 Kagome 晶格和 $J_1-J_2$ 轴对称方晶格）上的反铁磁海森堡模型基态，被公认为最具挑战性的科学难题之一。经典的张量网络方法（如 DMRG 和 PEPS）以及量子蒙特卡洛（QMC）在面对强二维纠缠和“负符号问题”时均面临严峻的中长期瓶颈。而在噪声中等规模量子（NISQ）时代，变分量子特征值求解器（VQE）又因严重的“贫瘠高原（Barren Plateaus）”问题和高深的电路深度要求，难以扩展到16个自旋以上的系统。

近期，来自 Rensselaer 理工学院的 Calvin Brooks 和 Trevor David Rhone，以及 IBM Quantum 的 Henry Zou 合作发表了一项突破性工作，成功将基于样品的克里洛夫量子对角化（Sample-based Krylov Quantum Diagonalization, SKQD）算法应用于强受挫的反铁磁 XXZ 海森堡模型。通过引入规范比特串压缩方案（Canonical Bitstring Compression）和多初始态克里洛夫子空间扩展（Multi-initial State Krylov Expansion），研究人员在 IBM 的 156 量子比特 Heron r3 处理器（ibm_pittsburgh）上，成功实现了 12 到 72 个自旋规模的基态能量估计。特别是在 12 位 Kagome 晶格上，SKQD 取得了 0.0020% 的极高能量精度，彻底超越了此前变分算法（VQE）保持的 0.01% 的界标纪录，且全程无需任何变分优化参数。这一工作标志着非变分量子子空间方法在实用强关联自旋系统模拟中迈出了决定性的一步。

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：强受挫自旋系统的基态求解

几何受挫（Geometric Frustration）是指晶格几何结构阻止系统同时最小化所有两两相互作用的现象。例如，在反铁磁 Kagome（角共享三角形）晶格中，自旋无法同时处于反平行状态，这导致了高度简并的基态流形以及极其强烈的量子涨落。在这种强涨落驱动下，系统在零温下不展现出传统的磁有序，而是倾向于形成高度纠缠、无长程磁序、具有拓扑激发的奇异物态——量子自旋液体（Quantum Spin Liquid, QSL）。

研究受挫 XXZ 海森堡模型的基态对于探究 QSL 的存在性、稳定区间以及其与高温超导的潜在关联至关重要。其哈密顿量可表示为：

其中，$\langle i,j \rangle$ 表示最近邻偶合，$\langle\langle i,j \rangle\rangle$ 表示次近邻偶合（在 $J_1-J_2$ 模型中引入以加强受挫）。$\Delta$ 是各向异性（ZZ 变形）参数。当 $\Delta = 1$ 时退化为各向同性的 XXX 模型；而在本研究中，作者采用 $\Delta = 2$ 的变形，此变形在保留强受挫物理特性的同时，显著增加了计算基下基态的稀疏度，有利于基于采样的方法。

1.2 经典与量子变分算法的技术难点

• 经典计算瓶颈：精确对角化（ED）的希尔伯特空间维度随系统尺寸 $N$ 呈 $2^N$ 指数增长，在当前经典超级计算机上其极限约在 40 个自旋左右。张量网络（DMRG）在二维非条带状拓扑上由于纠缠熵的“面积律（Area Law）”要求，其所需的键合维度（Bond Dimension, $\chi$）会发生指数膨胀。而 QMC 则受困于严重的“负符号问题（Sign Problem）”。
• 量子变分算法（VQE）局限：VQE 依赖于变分 ansatz 线路深度的迭代调整，由于参数空间过于庞大，会遇到 Barren Plateaus 现象。此外，在真实物理硬件上，深度变分线路极易积累噪声，使能量估计迅速恶化，难以推广至 16 个量子比特以上。

1.3 SKQD 算法的理论基础

SKQD 旨在绕过变分优化过程。它通过以下三大支柱步骤构建量子-经典混合对角化框架：

1. 克里洛夫子空间生成：利用时间演化算符 $\hat{U}(\Delta t) = e^{-i \hat{H} \Delta t}$ 在量子计算机上制备一系列克里洛夫状态： $$\mathcal{K}^r = \{|v\rangle, \hat{U}|v\rangle, \hat{U}^2|v\rangle, \dots, \hat{U}^{r-1}|v\rangle\}$$
2. 物理采样（采样对角化）：在计算基（Z基）下测量这些随时间演化的状态，从而在经典计算机中收集大量极具代表性的高权重比特串（配置）。
3. 哈密顿量经典投影与对角化：将全哈密顿量 $\hat{H}$ 投影到这些被采样的比特串所张成的子空间中，在经典计算机上求解广义特征值问题。这极大地压缩了对角化所需的经典资源。

1.4 SKQD 的关键方法学改进（针对自旋模型）

原版的样本对角化（SQD）最初针对分子电子结构设计。当将其直接移植到无外部磁场的自旋受挫系统时，由于高度对称和自旋简并，会导致传统的**配置恢复（Configuration Recovery, CR）**机制彻底失效。为此，本工作引入了以下两项突破性的改进方法：

1.4.1 规范比特串压缩方案（Canonical Bitstring Compression）

配置恢复（CR）机制是通过分析前一次对角化得到的基态特征向量，计算每个格点的平均自旋占有率 $1 \times N$ 向量 $O = [o_1, o_2, \dots, o_N]$（其中 $o_i$ 为格点 $i$ 处于 $|1\rangle$ 态的概率）。接着利用该向量概率性地纠正由硬件噪声引起的无序比特串（例如破坏 $S_z = 0$ 守恒的噪声比特串）。

然而，海森堡哈密顿量具有全局自旋反转对称性（Spin-flip Symmetry）。这意味着每一个物理比特串 $\sigma$（如 1001）与其按位取反的互补比特串 $\bar{\sigma}$（如 0110）在基态中具有完全相同的权重（系数）。直接计算平均自旋占有率时，对称性会强制将所有格点的占有率平均化：

平均占有率退化为全 0.5 的无特征数组，导致配置恢复机制彻底瘫痪，无法纠错。为了解决这一本质缺陷，作者提出了规范压缩方案：在计算平均占有率前，将数据集中所有互补的比特串对进行剪枝，强制删除所有以 1 开头的比特串，仅保留“规范代表”（以 0 开头）。在这一压缩后的子集上计算出的占有率向量打破了平凡的对称性，保留了真实的物理关联。完成配置恢复后，再通过**简并度扩展（Degeneracy Expansion）**手动将删除的互补对添加回去。这一闭环流程保证了算法在强噪声环境下的自愈能力。

1.4.2 多初始态克里洛夫电路（Multi-initial State Krylov Circuit）

单个初始态制备的克里洛夫子空间在系统规模扩大时（$N \sim 40$）极易遇到覆盖率不足的窘境。为了丰富子空间的物理成分而不增加额外的量子门深度开销，作者设计了混合初始态制备方案：

• Singlet/Dimer 态（二聚单态）：将相邻量子比特对两两初始化为纠缠的 singlet 状态 $\frac{1}{\sqrt{2}}(|01\rangle - |10\rangle)$。这保证了初始状态天然处于反铁磁性最强的 $S_z = 0$ 扇区，提供了强量子纠缠基石。
• 变分平均场温启动态（Warm-start Product State）：从 Néel 态出发，通过经典坐标下降法，变分优化单比特 Bloch 球夹角 $(\theta_i, \phi_i)$，得到能量优化后的无纠缠乘积态。这一状态虽然缺乏长程纠缠，但包含了格点局部相互作用的平均场修正。

在执行量子演化时，算法分别在两种初始态下进行相同数量的克里洛夫演化。最后将两者产出的比特串采样融合成一个高度多元化的联合子空间。由于两种初始态在演化初期的重叠度极低，合并子空间不仅拓宽了对角化基组，还避免了因单一基底不完备导致的收敛停滞。

1.4.3 携带系统（Carry-over System）

为强化代际收敛稳定性，作者还引入了 Carry-over 机制：在每一次迭代中，将上一代 CR 阶段纠正成功率最高的前 30% 最优比特串无条件地手动保留，并直接塞入下一轮经典投影。这形成了一个正反馈滤波电路，极大地加速了自旋状态的能量收敛。

2. 关键 Benchmark 体系、计算数据与性能分析

为了全面衡量改进型 SKQD 算法的实际效能，作者针对三种典型晶格进行了大规模数值模拟与硬件测试，规模横跨 12 至 72 个自旋：

1. 1D 自旋链（1D Chain）：作为标准校准体系，1D 系统具有几乎完美的 DMRG 经典精确值，便于验证误差上限。
2. Kagome 晶格（$2 \times N \times 3$）：经典的二维强受挫晶格。具体实例包括：
   • $2 \times 2 \times 3$（12 Qubits）
   • $2 \times 4 \times 3$（24 Qubits）
   • $\dots$ 递增至 $2 \times 12 \times 3$（72 Qubits）
3. $J_1-J_2$ 方晶格（$3 \times N$）：设置极其敏感的受挫比例 $J_2 / J_1 = 0.5$（量子三相点附近）。具体实例自 $3 \times 4$（12 Qubits）一路测试至 $3 \times 24$（72 Qubits）。

2.1 基态能量估算核心数据（来自 Table I）

所有测试均在 IBM 领先的 Heron r3 超导处理器 ibm_pittsburgh 上真实运行，采样数设定为 $10^6$ shots。对于 1D 自旋链，克里洛夫最大阶数 $k=20$；对于高门深要求的二维 Kagome 及方晶格，最大阶数限制在 $k=5$。以下是核心计算结果数据汇整：

2.2 数据深度剖析与性能评估

2.2.1 极佳的低尺寸精准度

在 12 位 Kagome 晶格上，SKQD 的相对误差仅为 0.0020%。此前，由 Weaving 等人（2025）使用上下文子空间变分量子特征值求解器（Contextual Subspace VQE）对同一体系取得的最好记录为 0.01%。SKQD 在能量精度上实现了一个数量级的跨越，同时完全避开了变分梯度下降中代价高昂的成百上千次参数调节。在 24 个自旋的所有三类拓扑体系中，SKQD 一致保持了低于 0.4% 的亚百分级超高保真度，这充分印证了规范比特串压缩方案在保护有效信息方面的独特成效。

2.2.2 高尺寸下的误差退化分析

自 36 位自旋起，SKQD 的能量误差开始攀升（在 72 位系统上退化至 19% - 36%）。这一退化并非源于算法理论根基的崩溃，而是受制于量子经典交界处的采样极限与可用物理电路深度的双重物理硬约束：

1. 克里洛夫空间的采样瓶颈（希尔伯特空间指数膨胀）：$N=24$ 时，$S_z=0$ 扇区的维度为 $\binom{24}{12} = 2,704,156$；而到了 $N=36$，这一维度暴涨至 $\binom{36}{18} = 9,075,135,300$（逾 90 亿）。在固定 $10^6$ shots 的采样限制下（如图 11 所示），对于 $N \ge 36$ 的系统，实际收集到的独特比特串数仅占总物理空间的沧海一粟。低采样率直接限制了子空间的覆盖范围，导致高权重态被大量遗漏。
2. 物理门深的物理极限：对于 $J_1-J_2$ 方晶格，由于次近邻交互引入了复杂的交叉连线，在重十六进制（Heavy Hex）超导拓扑架构上进行转译编译时，会产生惊人的 SWAP 门开销。在固定克里洛夫演化步数 $k=5$ 的约束下，二维方晶格的双量子比特门深（2Q Depth）范围从 231（12 qubits）飙升至 676（72 qubits），这逼近了当前量子器件在不进行大规模纠错条件下的物理极限。

2.2.3 采样数对能量估算精度的单调调控力

图 4 展示了 24 位 Kagome 晶格在不同物理采样规模下（$100\text{k}$ 到 $1000\text{k}$ shots，克里洛夫演化步数 $k=8$）的收敛图谱。结果表明：每一次采样数的阶梯式提升，都会无一例外地带来基态估算能量的单调下降，使结果逼近 DMRG 极限。即便在 $1000\text{k}$ 采样规模下，能量迭代在第 20 次循环时仍未出现死锁（未完全平置），表明算法仍有未发掘的精度空间。这表明，未来通过调用更高配额的物理采样和更先进的纠错算法，该体系的相对误差可以被单调压缩。

2.2.4 初始态混合的消噪与收敛加速效益

图 5 展示了两种初始化策略的宏观效益对比。通过对所有几何及尺寸数据的平均，相较于纯单态（Dimer-only）初始化，采用 Dimer + Warm-start 混合双源制备使系统的平均最终能量相对误差从 18.63% 陡降至 13.95%，相当于在不增加额外量子处理时间的前提下，实现了 25% 的纯相对性能飞跃。尤其在 $48$ 到 $72$ 个量子比特的重度混沌区间内，这一双源机制有效地消除了单态基底单一造成的能量收敛死锁。

3. 代码实现细节、复现指南及开源工具链

本研究所使用的核心经典算力依托于 IBM 基于 Qiskit 平台开发的开源扩展组件包：Qiskit SQD (Sample-based Quantum Diagonalization)。读者可以按照本节指引复现该算法在受挫自旋系统中的实现。

3.1 核心软件包安装

复现本框架首先需要配置 Qiskit 及 SQD 插件。可在本地控制台直接执行以下指令：

pip install qiskit
pip install qiskit-aer  # 本地模拟执行环境
pip install qiskit-addon-sqd  # 核心SQD/SKQD算法库
pip install quimb  # 用于经典DMRG基准对比构建

3.2 算法核心复现工作流与 Python 伪代码

以下伪代码展示了如何在 Python 环境中，通过 qiskit-addon-sqd 构建 XXZ 海森堡哈密顿量，并利用多初始态混合测量结果在本地模拟器上执行带有规范对比压缩的对角化：

import numpy as np
from qiskit.quantum_info import SparsePauliOp
from qiskit_addon_sqd import SQDAlgorithm, ConfigurationRecovery

# =========================================================
# 1. 物理参数定义与XXZ哈密顿量自动构建
# =========================================================
num_spins = 12  # 复现12自旋Kagome
delta = 2.0     # ZZ各向异性变形
J1 = 1.0

# 假设 edges 包含了12个格点Kagome最近邻连接对
edges = [
    (0,1), (1,2), (2,0), (2,3), (3,4), (4,2), 
    # ... (省略完整Kagome连接定义)
]

pauli_list = []
for u, v in edges:
    # 构造 XX + YY + Delta * ZZ
    for op_char, coeff in [('X', J1), ('Y', J1), ('Z', J1 * delta)]:
        op_str = ['I'] * num_spins
        op_str[u] = op_char
        op_str[v] = op_char
        pauli_list.append(("".join(op_str), coeff))

Hamiltonian = SparsePauliOp.from_list(pauli_list)

# =========================================================
# 2. 规范比特串压缩与去简并核心算法实现
# =========================================================
def canonical_compression(bitstrings):
    """
    执行规范比特串压缩方案，剥离按位取反（Spin-flip）简并度，
    确保配置恢复（CR）中的自旋占有率向量不退化为平凡的 0.5 
    """
    canonical_set = set()
    for bs in bitstrings:
        # bs 为长度为 N 的 01 字符串
        if bs[0] == '0':
            canonical_set.add(bs)
        else:
            # 计算其补码
            complement = "".join(['1' if char == '0' else '0' for char in bs])
            canonical_set.add(complement)
    return list(canonical_set)

def apply_degeneracy_expansion(canonical_set):
    """
    经典投影前，通过简并度扩展重新注入对称对，拓宽子空间覆盖率
    """
    expanded_set = set(canonical_set)
    for bs in canonical_set:
        complement = "".join(['1' if char == '0' else '0' for char in bs])
        expanded_set.add(complement)
    return list(expanded_set)

# =========================================================
# 3. 经典-量子 SKQD 循环迭代伪代码
# =========================================================
# 初始化比特串基组 (通常由 Dimer 和 Warm-start 电路演化生成并经过 Sz=0 过滤)
raw_samples = ["010101010101", "001100110011", "011001100110"] # 仅作原理示范格式

# 经典迭代收敛控制
max_iterations = 20
energy_history = []

for iteration in range(max_iterations):
    # A. 规范化压缩
    compressed_basis = canonical_compression(raw_samples)
    
    # B. 运行经典配置恢复 (CR) - 利用Qiskit SQD内置的高保真概率比特翻转模块
    cr_engine = ConfigurationRecovery(target_conservations={"S_z": 0})
    recovered_basis = cr_engine.recover_noisy_states(compressed_basis)
    
    # C. 结合“携带系统 (Carry-over)”：强制挑选前 30% 权重最高的优势位
    # (在实际框架中，这通过经典特征向量系数加权排序完成)
    active_basis = recovered_basis[:int(0.3 * len(recovered_basis))] 
    
    # D. 简并度再度扩张
    diagonalization_basis = apply_degeneracy_expansion(active_basis)
    
    # E. 经典投影对角化：构建小维度的子空间 H 矩阵并对角化
    # H_ij = <psi_i| H |psi_j>
    subspace_dim = len(diagonalization_basis)
    H_projected = np.zeros((subspace_dim, subspace_dim))
    
    # 求解广义特征值问题以估计基态
    # energies, eigenvectors = scipy.linalg.eigh(H_projected)
    # ground_state_energy = energies[0]
    # energy_history.append(ground_state_energy)
    
    # F. 准备下一次迭代基底 (通过量子硬件采样迭代更新，此处略去硬件交互部分)
    # raw_samples = execute_on_hardware_and_get_samples()

print("SKQD 物理能量收敛历史记录预览完成。")

开源库仓库及详细技术文档可参见：Qiskit Add-on for Sample-based Quantum Diagonalization (SQD) GitHub 官方存储库。

4. 关键引用文献与局限性评论

4.1 关键引用文献分析

1. Weaving et al. [13] (2025): Simulating the antiferromagnetic Heisenberg model on a spin-frustrated kagome lattice with the contextual subspace variational quantum eigensolver. 该工作是此前 12 位 Kagome 晶格的最高精度记录保持者。本工作利用 SKQD 成功将基态相对能量误差从该文献的 0.01% 压缩到了 0.0020%，确立了非变分子空间方法的优越性。
2. Jiang et al. [20] (2020): 率先提出了将经典 Krylov 方法映射至量子硬件演化算符的技术路线，奠定了 SKQD 状态制备的数学基础。
3. Robledo-Moreno et al. [18] (2025): Sample-based quantum diagonalization. 这是最初提出 SQD 算法及其配置恢复（CR）原型的论文，主要针对化学分子体系。本工作在此基础上进行的规范化压缩与去简并处理，成功打通了该算法向强关联受挫自旋模型迁移的技术通道。

4.2 局限性深度评论

虽然本研究成功利用 SKQD 将模拟自旋规模拓宽到了 72 位这一经典精确计算无法触及的深度，但从一个技术作者的角度审视，该方法在向真正实用化的强受挫物理学探索进军时，仍存在三大核心物理与技术瓶颈：

4.2.1 高度依赖于基态在计算基下的天然稀疏性

本工作为了实现高水平的配置恢复和高覆盖率采样，特意将各向异性变形设为 $\Delta = 2$。这一设置人为地加剧了系统的 ZZ 相互作用，使基态在 Z 基下的波函数分布具有较高的稀疏度。一旦研究者试图探索各向同性的、更具物理本源吸引力的 $\Delta = 1$ （XXX 自旋液体本征物理）点，波函数在计算基下将发生大面积的分散（如图 8 所示），其信息分布倾向于形成均匀弥散的复杂叠加。这会导致有限采样数（如 $10^6$）无法捕捉到足够的有效权重配置，配置恢复机制也会因为占有率趋向于混沌而失效。如何在非稀疏的计算基下保持 SKQD 的高保真度，是一个亟待攻克的基础数学课题。

4.2.2 超导量子架构的非原生重十六进制（Heavy Hex）拓扑限制

强受挫自旋模型（如包含次近邻交互 $J_2$ 的方晶格）需要格点间密集且交叉的连线。然而，IBM Heron 处理器的物理拓扑是高度稀疏的 Heavy Hex 结构。为了在重十六进制物理链路上模拟高连通性的二维交互，转译器必须堆叠大量的物理 SWAP 门。这导致 $k=5$ 时的双量子比特门深便高达 676。如此庞大的物理门深引发的失相与退相干噪声，在某种程度上部分抵消了 SKQD 在算法设计层面的消噪红利。这凸显了**开发原生二维正方物理网格量子芯片（如 IBM Nighthawk 架构）**对量子凝聚态模拟的紧迫性。

4.2.3 经典后处理中的特征值对角化瓶颈

虽然通过采样对经典对角化的维度实施了强力瘦身，但随着量子计算在宏大尺度（$N > 40$）下采样的独特比特串数量呈爆炸式膨胀，经典计算机在处理和重构广义特征方程中的投影哈密顿矩阵 $H_{projected}$ 时，其在主内存存储和对角化 CPU 耗时上仍面临指数墙的二次威胁。因此，经典对角化在未来会重新演变为制约量子模拟进一步向百量子比特规模冲锋的性能杀手。

5. 其他必要探讨与未来展望

5.1 从 VQE 到物理子空间方法：NISQ 算法的范式转换

本工作不仅提供了一组优异的受挫海森堡模型计算数据，更深刻地揭示了整个中等规模噪声量子模拟领域从**变分范式（Variational Paradigm）向子空间投影对角化范式（Subspace Projection Paradigm）**的技术跨越。

• VQE 范式的退场原因：在很长一段时间里，VQE 被视作 NISQ 时代最有希望的工具。但其本质上是将量子计算视作一个受经典梯度驱动的“黑盒”黑箱黑盒参数寻优机。为了寻找极小值，经典优化器必须在包含硬件噪声的非凸能量景观中进行成千上万次探索。这一过程不仅面临“贫瘠高原”的威胁，还会因为每一次测量能量带来的统计波动（Shot Noise）破坏梯度的准确性，在系统规模稍大时便难以为继。
• SKQD 范式的崛起原因：SKQD 展现了一种截然不同的哲学。它不再试图在嘈杂的物理硬件内部寻找并制备精确的基态，而是让硬件运行纯粹的时间演化（Krylov）。硬件只需提供对物理态空间的高质量随机探索，而将最核心、对噪声最敏感的波函数参数对角化步骤彻底隔离并安全地托付给高度精确、对噪声完全免疫的经典计算机。这种“采样在量子，求解在经典”的深度解耦，极大地降低了量子相干性维持的门槛，使得中等系统规模下的强关联量子化学与凝聚态模拟在纠错量子计算机诞生前便具有了高度的现实可行性。

5.2 边界条件的双刃剑：开边界（OBC）对周边界（PBC）的挑战

本研究所探索的所有 2D 受挫格点体系全部在开边界条件（Open Boundary Conditions, OBC）下运行。在经典的 DMRG 框架中，使用 OBC 是为了确保一维扫描链不会引入长程的多体跨链耦合。然而，在受挫物理的研究中，开边界条件往往会引入巨大的“边缘退极化效应（Edge Effects）”。这些局部边缘缺陷会剧烈扭曲内部自旋的本征关联，阻碍向无限大热力学极限（Thermodynamic Limit）的精确外推。相反，在经典计算中需要付出昂贵代价的周边界条件（Periodic Boundary Conditions, PBC），由于消除了物理边界，是探索真正 bulk（体相）量子自旋液体物理最纯净的环境。

由于 PBC 要求晶格边界处的量子比特存在物理连通，这对于超导平面网格而言意味着大量的超长程互连，从而极大地增加了量子门深与噪声惩罚。未来的突破口极有可能依赖于中性中性原子（Neutral Atom/Rydberg）量子计算平台。中性原子可以通过空间光调制器自由排列成任意周期性的三维受挫几何，甚至可以实现环形（Torus）等复杂的周期拓扑。利用中性原子平台上非接触的光学势阱重构，SKQD 算法有望在几乎无噪声增加的环境下，求解真正 bulk 周期边界下的受挫系统基态，从而为最终判定 Kagome 量子自旋液体的能隙特性（Gapless vs Gapped）提供终极物理铁证。

5.3 展望：向更广泛的量子多体物理进军

SKQD 架构的设计极其通用。除了反铁磁 XXZ 模型，它非常容易推广到以下凝聚态物理的核心受挫模型中：

• Kitaev 蜂窝模型：其基态天然包含无能隙的 Majorana 费米子，是拓扑量子计算的核心底座。该模型的非平庸拓扑性质高度依赖于特定的各向异性偶合，极其契合 SKQD 在各向异性（$\Delta \neq 1$）区间的高精度表现。
• 三角晶格和焦绿石（Pyrochlore）晶格海森堡模型：三维受挫系统是探究经典和量子自旋冰（Spin Ice）中磁单极子（Magnetic Monopoles）激发的热点。由于三维张量网络方法的彻底失效，SKQD 几乎是当前唯一有希望在其大尺寸规模下实现高保真基态能量估计的数字算法。

通过结合更高保真度的物理量子芯片以及更加强大的经典稀疏对角化求解器，SKQD 在未来的十年中，极有可能成为将强关联材料模拟从经典的“定性猜测”推向“定量精密预测”的最有力量子算法引擎之一。