来源论文: https://arxiv.org/abs/2606.14933v1 生成时间: Jun 16, 2026 01:39

量子化学计算的破局者：LUCJ 拟设初始化策略在量子中心超算（QCSC）架构下的鲁棒性深剖

0. 执行摘要

在量子化学与量子信息学交汇的前沿，精确求解多电子分子体系的基态能量一直是该领域皇冠上的明珠。然而，传统的全配置相互作用（FCI）方法由于希尔伯特空间的指数级膨胀而面临严重的计算瓶颈。近年来，量子中心超级计算（Quantum-Centric Supercomputing, QCSC）框架下的样本量子对角化（Sample-based Quantum Diagonalization, SQD）算法以及局域幺正集群Jastrow（Local Unitary Cluster Jastrow, LUCJ）拟设被认为是极具潜力的近中期解决方案。

然而，一个悬而未决的重大技术疑问是：LUCJ拟设参数的初始化（传统上依赖于高成本的CCSD算符振幅）是否是决定最终量子对角化能量精度的绝对瓶颈？

多伦多大学的 Grier M. Jones 团队等在一项最新研究中对此做出了系统性、颠覆性的回答。他们分析了包括传统耦合集群单双激发（CCSD）、Møller-Plesset 二阶微扰理论（MP2）、数据驱动耦合集群（DDCC）机器学习模型、以及平庸的零初始化与随机初始化在内的六种截然不同的初始化策略。通过对12个典型分子体系、三种主流基组（STO-3G, cc-pVDZ, aug-cc-pVDZ）以及不同拟设深度 $L=1\sim5$ 的上万次计算，他们得出了令人兴奋的结论：

• 高鲁棒性：SQD算法的总能量对于LUCJ拟设初始振幅的精确度具有极强的免疫力。即使初始振幅与经典CCSD振幅相比偏差高达 $10^{10}\%$（如随机初始化），SQD最终依然能够稳健地收敛到化学精度（$\pm 1.6 \text{ m}E_h$）以内。
• 配置恢复主导机制：在QCSC工作流中，决定能量精度的核心在于**配置恢复（Configuration Recovery）**步骤中对物理态空间的纠错和重构，而非量子线路初始化。这一发现成功将经典计算瓶颈从 $O(N^6)$ 的CCSD计算中释放，为低成本的高能QCSC工业流铺平了道路。

1. 核心科学问题、理论基础与方法细节

1.1 电子结构问题与量子计算契机

在 Born-Oppenheimer 近似下，非相对论分子多电子体系的无外场 Hamiltonian 可以表示为第二量子化形式：

其中 $p, q, r, s$ 代表空间分子轨道，$\sigma, \tau$ 对应自旋状态（$\alpha$ 或 $\beta$），$h_{pr}$ 和 $(pr|qs)$ 分别为单电子积分与双电子排斥积分。$\hat{a}^\dagger$ 和 $\hat{a}$ 是费米子产生和消灭算符。通过 Jordan-Wigner 映射，费米子态被转化为计算机可处理的量子比特二进制串（Qubit bitstrings），其中电子占有数向量表示为：

在传统方法（如 FCI）因指数爆炸失效后，变分量子特征求解器（VQE）和样本量子对角化（SQD）成为核心研究方向。然而，如何在噪声多比特 QPU（如论文采用的 ibm_quebec 156比特处理器）上设计出物理上直观且线路紧凑的拟设（Ansatz）成为最大的技术挑战。

1.2 LUCJ 拟设的数学架构

局域幺正集群Jastrow（LUCJ）拟设通过在幺正集群Jastrow（UCJ）拟设中引入局域约束，使拟设结构能够根据具体 QPU 拓扑结构进行高度定制。它将经典 Hartree-Fock 态 $|\Psi_{\text{HF}}\rangle$ 映射为一个包含 $L$ 层算符作用的叠加态：

其中，$\hat{K}_\mu$ 是幺正单体轨道旋转算符，控制着体系的轨道变换，其定义为：

$\hat{J}_\mu$ 则代表 Jastrow 因子算符，负责编码电子之间的相关效应：

在 LUCJ 实现中，通过对矩阵 $\mathbf{K}^\mu$ 和 $\mathbf{J}^\mu$ 进行低秩分解，将其振幅参数与经典的双激发耦合常数 $t_{ij}^{ab}$ 进行关联。具体来说，我们可以通过对经典耦合集群单双激发（CCSD）计算得到的 $t_2$ 振幅进行截断双因子低秩分解（truncated doubly factorized low-rank decomposition），从而获取其对应的轨道旋转和 Jastrow 参数。然而，CCSD 的计算复杂度为 $O(N^6)$，在多原子、大基组体系中，求解经典 CCSD 振幅的过程本身就已经成为了无法跨越的经典计算瓶颈。

1.3 六大初始化策略的设计与数学定义

为了打破 CCSD 的 $O(N^6)$ 限制，本工作设计并评估了六种不同的 $(t_1, t_2)$ 振幅初值映射方案：

1. CCSD 策略 (CCSD Reference)

   $$(t_1^{\text{CCSD}}, t_2^{\text{CCSD}})$$

   这是最标准的经典方案，通过求解非线性 CCSD 方程迭代收敛得到最精确的经典振幅，计算量高达 $O(N^6)$。作为本研究的基准参考点。

2. MP2 策略

   $$(t_1^{\text{zeroes}}, t_2^{\text{MP2}})$$

   利用 Møller-Plesset 二阶微扰理论计算 $t_2$ 振幅：

   $$t_{ij}^{ab}\text{(MP2)} = \frac{\langle ij \parallel ab \rangle}{\epsilon_i + \epsilon_j - \epsilon_a - \epsilon_b}$$

   其计算复杂度仅为 $O(N^5)$。由于 MP2 没有经典迭代求解的收敛问题，因此常被视为极为廉价的传统初始化替代方案。$t_1$ 直接初始化为零。

3. ML (Machine Learning) 策略

   $$(t_1^{\text{zeroes}}, t_2^{\text{ML}})$$

   使用基于 XGBoost 的数据驱动耦合集群（DDCC）方法直接预测 $t_2$ 振幅，避开了所有的非线性方程组迭代求解过程。整个推理过程是瞬时完成的。$t_1$ 初始值为零。

4. ML_exact 策略

   $$(\tilde{t}_1, \tilde{t}_2)$$

   将机器学习预测的 $t_2^{\text{ML}}$ 输入 CCSD 求解器中作为温启动（Warm-start）值，迭代收敛到 CCSD 容差范围以内。该方案保留了原 CCSD 的物理精度，但极大减少了经典求解器的迭代步数。

5. Zeroes 策略

   $$(t_1^{\text{zeroes}}, t_2^{\text{zeroes}})$$

   全部振幅初始化为 0。这是最平庸、理论上最简单的极端情况。

6. Random 策略

   $$(t_1^{\text{random}}, t_2^{\text{random}})$$

   在 $[-0.1, 0.1]$ 的区间内随机生成均匀分布的参数值，作为参数空间中最混乱、最不符合物理常理的代表性测试方案。

1.4 样本量子对角化 (SQD) 与配置恢复算法 (Configuration Recovery)

一旦拟设初始化完成，量子-经典超级计算混合工作流就会启动并执行 SQD 算法。其标准执行逻辑如下：

Step 1: 量子硬件执行与测量

在 QPU 上准备状态 $|\Psi\rangle$，并在计算基底（Computational basis）下进行多次重复测量，收集到带有硬件噪声的电子组态比特串集合：

其中 $\tilde{P}_{\Psi}(\Psi) = \langle \Psi \mid \tilde{\rho} \mid \Psi \rangle$ 是由嘈杂密度矩阵 $\tilde{\rho}$ 所产生的概率分布。

Step 2: 自洽配置恢复 (Self-consistent Configuration Recovery, SCCR)

物理上合法的态空间必须具有恒定的总电子数和确定的自旋态，即其 Hamming 权重必须与目标分子相同。由于退相干、门保真度等噪声影响，原始样本中常包含不合法的“死木组态（Deadwood configurations）”。SCCR 过程通过迭代计算所有空间轨道的平均自旋占有数：

剔除 Hamming 权重异常的非法噪声态，恢复并重构出无噪声的、高度紧凑的经典活性态空间子空间 $\chi_R$。

Step 3: 分批对角化

从物理态空间 $\chi_R$ 中抽取 $K$ 个子空间批次（Batches），每个批次包含 $d$ 个典型物理组态 $\mathcal{S}^{(1)}, \dots, \mathcal{S}^{(K)}$。将分子 Hamiltonian 矩阵投影到这 $K$ 个分批子空间上：

其中投影算符 $\hat{P}_{\mathcal{S}^{(k)}} = \sum_{\Psi \in \mathcal{S}^{(k)}} |\Psi\rangle \langle\Psi|$。利用经典超级计算机上的 Davidson 算法，对这些低维哈密顿矩阵进行快速的精准对角化求解，获得能量 $E^{(k)}$ 与对应的特征态，最后通过统计平均输出系统总能量。

2. 关键 Benchmark 体系、计算数据与性能分析

为了全方位检验各初始化策略的有效性，作者精心设计了一个覆盖小分子基准测试（可进行经典 CASCI 精确对角化）和大分子（FCI 不可解，需与强相关经典方法 HCI 比较）的基准分子体系库。所有分子体系的具体 active space 配置、分子结构见下表。

2.1 Benchmark 分子体系物理属性

2.2 初始参数偏离度 (MAPE) 分析

首先，为了验证各替代初始化方法与真正的 CCSD $t_2$ 振幅在“参数空间位置”上的偏离程度，作者计算了平均绝对百分比误差（MAPE）。实验结果极具戏剧性（如图3所示）：

• ML_exact $(\tilde{t}_2)$：由于经典温启动收敛特性，其与基准参数契合度极佳，各基组下的平均 MAPE 仅为 $9.63 \times 10^{-5}\%$（最低达 $2.34 \times 10^{-7}\%$）。
• MP2 $(t_2^{\text{MP2}})$：由于二阶微扰理论的确定性结构，呈现中等偏离，平均 MAPE 为 $1.09\%$（在 cc-pVDZ 和 aug-cc-pVDZ 基组下表现稳健）。
• Zeroes $(t_2^{\text{zeroes}})$：由于 CCSD 的振幅本身集中于 0 附近，零初始化方案与真正的 CCSD 相比表现出意外较低的 MAPE（平均 $1.34\%$）。
• ML $(t_2^{\text{ML}})$：受限于训练集覆盖程度，在不同体系下MAPE波动较大，平均 MAPE 为 $4.82\%$。
• Random $(t_2^{\text{random}})$：不具备任何物理意义，其 MAPE 的平均值高达 $2.91 \times 10^9\%$，最大值甚至飙升至 $1.44 \times 10^{10}\%$！

2.3 能量偏差数据深剖 (Variational Energy Accuracy)

然而，当我们将这些存在天壤之别的初始参数注入 QPU 并运行 SQD 算法后，所得到的系统能量表现却发生了惊人的反转（如图4所示）：

1. 深度 $L$ 与基组尺寸的协同效应

随着拟设深度 $L$ 的增大，所有替代初始化策略（Zeroes 除外）的能量精度都呈现出显著的优化。对于大基组（如 aug-cc-pVDZ），所有方案几乎无一例外地收敛到了基准精度内。具体化学精度（$\pm 1.6\text{ m}E_h$）达成率见下表：

2. “零初始化”方案的反常退化与恒等偏差（Identity Bias）

一个令人深思的现象是：虽然 Zeroes 初始化的振幅值在参数空间上（MAPE $\approx 1.34\%$）远比 Random（MAPE $\approx 10^{10}\%$）更接近 CCSD，但是它的能量偏差表现却是所有初始化策略中最差的！在 $L=5$ 的深度下，Random 的精度达成率提高到了 $86.11\%$，而 Zeroes 反而从 $L=1$ 时的 $75\%$ 退化到了 $69.44\%$。这是因为零值初始化导致线路中所有的旋转因子变成恒等算符（Identity matrix），极大地缩小了 QPU 的状态变分搜索空间，并在硬件噪声的作用下，将系统推入变分景观（variational landscape）的死角，导致配置恢复过程无法收集到足够的特征微扰信息。

3. 代码实现、计算平台与复现指南

3.1 混合量子-经典超算 (QCSC) 架构图解

+-------------------------------------------------------------+
|                   QCSC Workflow Pipeline                    |
+-------------------------------------------------------------+
|  [1. Classical Pre-processing (PySCF / Psi4)]               |
|       |-- Calculate Integrals (h_pq, (pr|qs))               |
|       |-- Generate cheap t2 amplitude (MP2 or XGBoost ML)   |
|       v                                                     |
|  [2. Quantum Circuit Transpilation (Qiskit 2.2.1 / ffsim)]  |
|       |-- Map parameters to LUCJ ansatz (L-layers)          |
|       |-- Execute transpilation (Optimization Level 3)     |
|       v                                                     |
|  [3. QPU Execution (156-qubit ibm_quebec Heron R2)]         |
|       |-- Execute 10,000 shots without error mitigation     |
|       v                                                     |
|  [4. Classical Post-processing (FULQRUM Framework)]         |
|       |-- Self-Consistent Configuration Recovery (SCCR)     |
|       |-- Subspace Hamilton Projection (Davidson Solver)    |
|       +--> Output Converged Total Energy (mEh)              |
+-------------------------------------------------------------+

3.2 机器学习预测模型 DDCC 细节

DDCC 预测模型的核心在于特征工程设计。论文对 30 个描述电子结构特性的物理量进行了特征提取。通过 SHAP（Shapley Additive exPlanations）归因分析，排名前五的特征如下所示：

1. t2start：初始 MP2 双激发振幅 $t_{ij}^{ab}\text{(MP2)}$（SHAP贡献度：$0.029$）；
2. orbdiff：轨道能阶级差 $\epsilon_i + \epsilon_j - \epsilon_a - \epsilon_b$（SHAP贡献度：$0.004$）；
3. t2mag：MP2 振幅对数绝对值 $\log |t_{ij}^{ab}\text{(MP2)}|$（SHAP贡献度：$0.002$）；
4. doublecheck：双电子积分 $\langle ij \parallel ab \rangle$（SHAP贡献度：$0.001$）；
5. diag：激发态轨道同源判断二进制算子 $\delta_{ab}$（SHAP贡献度：$0.000$）。

DDCC 使用 XGBoost 预测器。优化后的超参数设置见下表：

3.3 极简复现指南（含 Python 伪代码）

以下是一个用于在经典计算机上复现或模拟该 QCSC 变分初始化评估流的 Python 伪代码框架。我们使用 pyscf 执行前期的经典哈密顿积分生成与 MP2 初始化，并模拟测量取样过程：

import numpy as np
from pyscf import gto, scf, mp

def run_quantum_supercomputing_flow(molecule_coords, basis_set="cc-pvdz"):
    # Step 1: 经典分子轨道与积分生成
    mol = gto.M(atom=molecule_coords, basis=basis_set)
    mf = scf.RHF(mol)
    mf.kernel()
    
    # Step 2: 提取 MP2 初始化振幅
    mp2_solver = mp.MP2(mf)
    mp2_solver.kernel()
    t2_mp2 = mp2_solver.t2
    print(f"[Classic] Completed MP2 amplitude generation. t2 shape: {t2_mp2.shape}")
    
    # Step 3: 模拟 LUCJ 状态在 QPU 下的随机测量采样 (10,000 shots)
    # 这里我们使用采样概率矩阵代表拟设输出概率，模拟产生测量的二进制组态串
    n_qubits = mol.nao * 2
    shots = 10000
    print(f"[QPU] Simulated routing on 156-qubit Heron QPU. Shots = {shots}")
    
    # 模拟生成的带有环境噪声的非法组态集
    raw_samples = []
    target_electrons = mol.nelectron
    for _ in range(shots):
        # 模拟 1% 的多比特翻转噪声
        bitstring = np.random.binomial(1, 0.5, n_qubits)
        if np.random.rand() < 0.01:
            # 强行引入非法粒子数噪声组态
            bitstring[0] = 1 - bitstring[0]
        raw_samples.append(bitstring)
        
    # Step 4: 自洽配置恢复 (SCCR) 过滤非法死木组态
    clean_samples = [s for s in raw_samples if sum(s) == target_electrons]
    recovered_ratio = len(clean_samples) / shots
    print(f"[SCCR] Configuration recovery completed. Active physical space ratio: {recovered_ratio:.2%}")
    
    # Step 5: 经典 Davidson 子空间对角化 (模拟实现)
    # 通过这些清洗后的态向量，直接构建小型哈密顿矩阵投影
    print("[Classic supercomputer] Completed subspace projection & Davidson Solver.")
    simulated_energy_diff = np.random.uniform(-1.0, 1.0) * 1.5 # 处于化学精度内 (mEh)
    return simulated_energy_diff

# 执行评估
coords = "H 0.0 0.0 0.0; H 0.0 0.0 0.74"
energy_deviation = run_quantum_supercomputing_flow(coords, "sto-3g")
print(f"[Output] Final SQD energy deviation relative to CCSD: {energy_deviation:.4f} mEh")

开源代码与完整的数据管道脚本托管于官方 GitHub 仓库： 👉 GitHub - MSRG/LUCJSQDInitializationAnalysis

4. 关键引用文献与批判性评论

4.1 核心关联研究及文献索引

1. SQD 算法架构来源： Robledo-Moreno, J. et al. Chemistry beyond the scale of exact diagonalization on a quantum-centric supercomputer. Science Advances 2025, 11. 本项评估工作的基础技术底座，提出了混合QCSC对角化范式。
2. LUCJ 拟设理论起源： Motta, M. et al. Bridging physical intuition and hardware efficiency for correlated electronic states: the local unitary cluster Jastrow ansatz for electronic structure. Chemical Science 2023, 14, 11213–11227. 详细推导了用于拟设参数压缩的低秩幺正轨道分解数学形式。
3. DDCC 机器学习模型： Townsend, J.; Vogiatzis, K. D. Data-Driven Acceleration of the Coupled-Cluster Singles and Doubles Iterative Solver. The Journal of Physical Chemistry Letters 2019, 10, 4129–4135. 本文 DDCC 初始化特征工程和预测算法的奠基性工作。

4.2 对本项工作科学局限性的批判性评论

虽然本项工作成功为 QCSC 线路初始化的复杂性“松了绑”，具有极高的工业参考实用价值，但作为严谨的学术分析，以下四点局限性不容忽视：

1. 硬件噪声缓解 (Error Mitigation) 数据的缺失 本项研究的所有实际 QPU 测试均在 ibm_quebec 处理器上以零噪声缓解（Resilience Level = 0）状态下运行。虽然这直接证明了 SQD 在极端嘈杂环境下的“天然抵抗力”，但在追求高精度（亚毫哈特里级）测量的工业应用中，缺乏误差消除策略的评估会让该方案在强关联的多铁氧化物或过渡金属催化剂计算中面临巨大的精度滑坡风险。
2. 分子测试库的化学单一性 研究测试的 12 个分子绝大多数是常规轻元素有机分子（C, H, O, N, F），其中即使是最大的 GDB-11 分子也只有单氟代物。对于含 d 轨道或 f 轨道、具有多参考态（Multi-reference character）以及自旋态交错和简并特性的复杂过渡金属络合物（例如铁硫簇 $\text{Fe}_4\text{S}_4$ 催化核心），随机初始化或平庸的微扰初始化是否还能避免陷入虚假态空间，该文并没有给出肯定的验证。
3. 高测量采样开销 (Shot-count Bottleneck) 研究中所有的测量运行均执行了高达 10,000 次 Shots。在多原子体系中，由于配置空间随着活性分子轨道数爆炸式增加，若要获得足够的高纯度经典组态，所需的测量采样次数将面临灾难性攀升，这可能导致 QPU 运行时间的二次瓶颈。
4. 批次间方差 (Batch-to-batch Variance) 的量化缺失 作者在比较中取了分批 Davidson 对角化的平均能，但对于在强噪声环境下不同对角化批次之间的标准差和统计扰动规律，未给予充分的物理阐释。

5. 深度拓展：QCSC 架构下的变分变局与未来展望

5.1 变分景观（Variational Landscape）的拓扑结构破译

为什么即使在参数空间中漂泊到极其荒谬的位置（如 MAPE 达 $10^{10}\%$ 的 Random 初始点），LUCJ 依然能够实现卓越的收敛？答案在于 SQD 的双层工作流特性：

• 第一层（量子）：选态筛选器（Determinant Selector） 量子计算机在 SQD 中实际上扮演的不是一个精确的“能级测量仪”，而是一个“高效的、包含非共振特征态的物理基向量生成器”。LUCJ 拟设的非线性结构就像一盏泛光灯，照亮了物理 Hilbert 空间中大量可能对相关效应有贡献的电子激发结构。即便初始旋转角度偏离极深，只要拟设在线路中执行了足够丰富的多比特纠缠（$L \ge 3$），测量样本生成的组态空间依然能完整覆盖主要的物理相关组态。

• 第二层（经典）：空间对角化器（Davidson Diagonalizer） 经典计算机上的对角化是一次“全局、非变分的精确求解”。经典算力在子空间上强制进行本征值对角化，从而无视了量子参数本身的局域漂移。这一巧妙的解耦，正是 QCSC（量子中心超算）在噪声时代打破 VQE 参数贫瘠与“贫瘠高原（Barren Plateaus）”瓶颈的最美妙之处。

5.2 未来工业级量子化学计算落地路径

随着这篇论文将经典初始化开销从 $O(N^6)$ 的 CCSD 解放出来，我们有望建立以下高效计算范式：

+-----------------------------------------------------------+
|                    New QCSC Paradigm                      |
+-----------------------------------------------------------+
| 1. High-throughput Classical Screening                     |
|    [Fast MP2 / Low-cost ML Parameter Initialization]      |
|                           |                               |
|                           v                               |
| 2. Shallow Quantum Selection                              |
|    [Low-layer LUCJ (L=3) on QPU -> Bitstring Sampling]    |
|                           |                               |
|                           v                               |
| 3. High-performance Subspace Solver                       |
|    [Massive-scale Subspace Davidson on HPC]               |
+-----------------------------------------------------------+

这种新范式巧妙避开了高阶耦合集群迭代和变分线路梯度更新这两大核心计算黑洞，让近中期（NISQ）量子计算机能够以加速器的方式完美拼入现代超级计算集群（HPC）的拼图之中。对于固氮酶作用机制模拟、高能锂电池固液界面强电荷转移以及高温超导机制的微观探明，这无疑是一次令人振奋的破晓之光。