来源论文: https://arxiv.org/abs/2606.26912v2 生成时间: Jun 29, 2026 01:03

Givens-Exchange Ansatz 在分子变分量子本征求解器（VQE）中的确定性固定拓扑结构与无搜索高精度深度解析

0. 执行摘要

在嘈杂中等规模量子（NISQ）时代，变分量子本征求解器（VQE）是实现量子化学模拟和求解分子基态能量最具前景的方法之一。然而，VQE 的成功在很大程度上取决于**Ansatz（拟设）**的设计。一个优秀的 Ansatz 必须在表达能力（Expressivity）、可训练性（Trainability）以及硬件实现成本（Implementation Cost）之间取得精妙的平衡。

近年来，为了寻找更为紧凑的电路，学术界引入了量子架构搜索（QAS）方法。尽管 QAS 能够通过强化学习、进化算法等手段自动搜索出紧凑的电路拓扑，但其引入的外层搜索循环带来了巨大的经典计算开销，这限制了其在大规模体系中的可扩展性。本工作另辟蹊径，提出并系统评估了一项确定性的、固定拓扑的 Givens-Exchange Ansatz。该方案完全摒弃了外层的架构搜索循环，通过巧妙结合化学先验与几何流形理论，在预先设定的参数化路径下实现了极高精度的基态能量求解。

这项工作的核心亮点包括：

• 无搜索的高效性：采用固定的 lexicographic（字典序）全全对（all-pair）交换块拓扑结构，消除了 QAS 方法高昂的决策训练成本。
• 超越化学精度的表现：在经过系数验证的 $\text{LiH}-6$、$\text{H}_2\text{O}-8$ 以及 $\text{BeH}_2-6$ 公开规范分子体系上，所有测试随机种子（共6个）的计算结果均稳定通过化学精度（$1.60\text{ mHa}$）阈值。其 $\text{LiH}-6$ 和 $\text{H}_2\text{O}-8$ 的平均绝对能量误差分别低至 $0.000124\text{ mHa}$ 和 $0.128558\text{ mHa}$，均显著低于文献中已发表的各类先进 QAS 方法的单点最佳误差。
• 严谨的理论支撑：将电路演化路径解释为复 Stiefel 几何流形上的幺正轨迹，并利用 Givens 旋转的粒子数守恒特性作为强有力的化学先验，同时通过交叉穿插局部单比特 $R_Y$ 旋转打破全局粒子数守恒，从而极大地增强了优化过程在希尔伯特空间中的遍历与逃逸局部极小值的能力。

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：Ansatz 设计的三重困境

在变分量子本征求解器（VQE）中，核心任务是最小化分子哈密顿量 $H$ 在变分量子态 $|\psi(\theta)\rangle$ 上的期望值：

为了构建状态准备电路 $|\psi(\theta)\rangle = U(\theta)|b_0\rangle$，研究人员通常面临着三大相互制约的指标：

1. 表达能力（Expressivity）：Ansatz 能否覆盖包含强电子关联在内的真实关联基态？如果表达能力不足（如浅层硬件高效 Ansatz 丢弃了分子轨道对称性），将导致无法达到化学精度。
2. 可训练性（Trainability）：在变分优化过程中，参数 $\theta$ 的梯度是否会面临贫瘠高原（Barren Plateaus）或陷入大量的局部极小值？复杂的化学启发式 Ansatz（如 UCCSD）往往参数极多且梯度图景复杂。
3. 硬件实现成本（Implementation Cost）：电路深度、单/双比特门（特别是 CNOT 门）的数量是否在当前硬件的退相干时间和门保真度容许范围内？

QAS 方法试图将电路拓扑本身作为一个离散的变分变量加入到优化循环中，但这不仅让原本就具有挑战性的非凸连续参数优化问题变得更加复杂，还引入了大量的重复电路编译、参数微调和策略网络更新。因此，能否设计一个完全无搜索的、确定性的、基于化学物理直觉的固定拓扑 Ansatz，在不增加硬件深度灾难的前提下，提供稳定、高精度的 VQE 求解方案？ 便是本工作的核心科学问题。

1.2 理论基础

本工作建立在量子化学的二阶量子化哈密顿量表达、费米子-量子比特映射、复 Stiefel 流形几何表示以及 Givens 旋转幺正变换的基础之上。

1.2.1 费米子哈密顿量与量子比特映射

分子的非相对论电子哈密顿量在二阶量子化下表示为：

其中 $a_p^\dagger$ 和 $a_q$ 分别是费米子产生和湮灭算符，满足正规反交换关系。为了在量子处理器上进行模拟，必须将其映射为量子比特算符。常用的映射方法有：

• Jordan-Wigner (JW) 映射：将每个自旋轨道的占用状态直接映射到单个量子比特上（$|0\rangle$ 表示空轨道，$|1\rangle$ 表示已被占用）。其物理图景最直观，且能够天然地保留物理激发态的粒子数守恒（Particle-conserving）特性。
• Parity 映射与 Bravyi-Kitaev (BK) 映射：通过存储累积占用奇偶校验来减少算符中的 Pauli 弦长度，并支持通过对称性剔除（tapering）来减少量子比特数量。

本研究首选 JW 映射作为主基准，这是因为 Givens 旋转算符在 JW 映射下具有无与伦比的“单激发物理意义”。

1.2.2 复 Stiefel 流形（Complex Stiefel Manifold）的几何视角

本方法在几何层面上将纯态的量子演化视为复 Stiefel 流形 $\text{St}_{\mathbb{C}}(D, r)$ 上的轨迹：

在本实验中，由于我们关注的是单个归一化基态的演化，因此 $r = 1$，此时流形退化为 $\text{St}_{\mathbb{C}}(2^n, 1)$。在变分状态准备的每一个时间步 $t$，作用一个幺正算符 $U_t$，状态矩阵的演化保持其在 Stiefel 流形上的正交归一化约束：

在 Stiefel 流形几何的启发下，本方法的电路不仅追求最终态的能量最小化，而且将电路结构设计为分块、逐级演化的流形轨道。这就引入了 Givens-Exchange 块的级联结构。

1.2.3 Givens 旋转与物理交换算符（Givens-Exchange Macro）

在经典的数值线性代数中，Givens 旋转用于在二维坐标平面内旋转向量，而保持其他坐标轴不动。在量子计算的 JW 映射职业数表象下，二维的单激发旋转发生在子空间 $\text{span}\{|01\rangle, |10\rangle\}$ 内。我们定义两量子比特的 Givens-Exchange 宏算符 $G_{ij}(eta)$：

将其写为标准计算基底 $\{|00\rangle, |01\rangle, |10\rangle, |11\rangle\}$ 下的矩阵形式为：

该算符在物理上实现了量子比特 $i$ 和 $j$ 之间的单电子激发振幅重新分布，同时严格保证了粒子数守恒（系统总粒子数不改变，即保持 $|01\rangle$ 和 $|10\rangle$ 的总和）。

1.3 技术难点与应对策略

虽然 Givens 旋转提供了极佳的化学先验，但在设计基于它的 VQE 算法时存在两大关键的技术难点：

1. 全局对称性锁死与局域极小值：如果电路完全由 Givens 旋转算符构成，那么量子态演化将受限于初始状态的粒子数扇区（如 Hartree-Fock 态所属的扇区）。这虽然可以缩小搜索空间，但也可能使能量图景极其容易陷入非局域的经典局部极小值。本方法对此的应对策略是打破全局守恒约束：在电路中交替插入非粒子数守恒的局部单比特 $R_Y$ 旋转层。通过打破全局 U(1) 粒子数守恒，变分轨迹可以在更大的希尔伯特空间中穿梭，越过能量障碍，最终落入最精确的物理基态。

2. 固定拓扑的顺序敏感性：由于共享同一量子比特的两个 Givens 算符互不交换（即 $[G_{ij}, G_{jk}] \neq 0$），交换块内部门的作用顺序会显著影响最终的态表达力。本方法采用一种系统性的、无偏的**字典序全全对（lexicographic all-pair）**排列顺序来定义交换块：

   $$\mathcal{E}_{lex} = \{(0,1), (0,2), \dots, (n-2, n-1)\}$$

   这种确定性的全通联设计确保了每对量子比特在块内均有一次且仅有一次精确定义的相互作用。

1.4 具体方法细节与电路构建

本项研究定义的固定拓扑 Givens-Exchange Ansatz 电路结构如下：

1.4.1 初始化阶段

与传统 VQE 常用的 Hartree-Fock (HF) 状态初始化不同，本方法首先对分子哈密顿量 $H$ 进行对角元扫描，寻找具有最低对角期望值的计算基底状态 $|b_0\rangle$ 作为电路的初始输入：

这个步骤仅需要读取经典对角哈密顿项的信息，几乎没有额外的计算开销，但为电路提供了一个非常优秀的化学起点。

1.4.2 局部单比特旋转层（Local $R_Y$ Layers）

在电路级别 $\ell$，局部单比特旋转算符 $R_\ell$ 定义为：

这些单比特旋转允许在不同计算基底状态之间产生叠加，从而混合不同的粒子数扇区。

1.4.3 Givens 交换块（Givens-Exchange Blocks）

在电路级别 $\ell$，一个完整的 Givens 交换块 $G_\ell$ 的形式为：

由于相邻门不交换，乘积的计算顺序严格按照上述 $\mathcal{E}_{lex}$ 中定义的字典序从左至右依次执行。

1.4.4 级联架构与参数优化

实验中最终选用的级联架构深度为 $L = 2$。即包含 2个全对 Givens 交换块 和 3个局部 $R_Y$ 旋转层，其总态表达式为：

该 Ansatz 的最大变分参数总数包含：

• 交换宏算符参数 $\beta_{\ell ij}$：数目为 $L \cdot \frac{n(n-1)}{2}$
• 单比特旋转参数 $\alpha_{\ell q}$：数目为 $(L+1) \cdot n$

对于 $n=6$ 的体系，最多包含 $2 \times 15 + 3 \times 6 = 48$ 个参数；对于 $n=8$ 的体系，最多包含 $2 \times 28 + 3 \times 8 = 80$ 个参数。

变分优化过程：

• 变分参数 $\theta$ 收集了所有的 $\alpha_{\ell q}$ 和 $\beta_{\ell ij}$。所有参数初始化自均值为 0、标准差为 0.05 的正态分布。
• 使用经典 Adam 优化器 直接对哈密顿期望值 $e(\theta)$ 进行优化，步数设为 150 步，学习率设为 0.05。优化采用“单次重启（one restart）”策略。
• 优化完成后，才引入经典精确对角化（Exact Diagonalization）方法计算基态能量 $E_0$ 和精确基态波函数 $|\psi_0\rangle$，并据此评估 VQE 计算所得的绝对误差 $\epsilon_{mHa} = 1000 \times |E(\theta^\star) - E_0|$ 以及量子态保真度 $F = |\langle\psi_0|\psi(\theta^\star)\rangle|^2$。

2. 关键 Benchmark 体系、计算数据与性能分析

2.1 关键测试体系规范

为了展示本方法的准确性和稳健性，作者选用了三个核心分子标签以及一个边界压力测试（stress test）案例：

1. $\text{LiH}-6$ (核间距 $2.2\text{ \AA}$)：采用 Jordan-Wigner 映射，无 tapering，共 6 个量子比特。对应的 dense 矩阵已通过系数比对，与 QAS 经典文献中的基准完全一致。
2. $\text{BeH}_2-6$ 候选体系：来自公开规范重建（STO-3G基底，Be 处于原点，H 处于 $(0, 0, \pm1.33)\text{ \AA}$），采用 JW 映射，无 tapering，共 6 个量子比特。
3. $\text{H}_2\text{O}-8$：采用 Jordan-Wigner 映射，无 tapering，共 8 个量子比特，对应的 dense 矩阵亦经过系数一致性校验。
4. $\text{LiH}-4$ (核间距 $3.4\text{ \AA}$)：采用奇偶映射（Parity mapping）并进行了对称性锥化（tapered），共 4 个量子比特，作为代表高关联度、非直观编码下的压力测试案例。

2.2 核心计算性能数据（表 I & 表 II 分析）

表 I 总结了本工作提出的 Givens-Exchange 方法在三个主要分子体系下的 6个随机种子 平均运行结果：

表 I：基于 Givens-Exchange 的主要 VQE 计算结果汇总（L=2 架构）

数据解读：

• 超高的精确度与极佳的保真度：在所有核心测试体系中，6次独立运行均百分之百达到了化学精度（$\le 1.60\text{ mHa}$）。$\text{LiH}-6$ 的平均误差低至 $1.24 \times 10^{-4}\text{ mHa}$，保真度达到了完美的 $1.000000$。即使是较难优化、拥有 $2^8 = 256$ 维希尔伯特空间的 $\text{H}_2\text{O}-8$ 体系，平均绝对误差也仅为 $0.128558\text{ mHa}$，远低于化学精度的限制。
• 极高的稳定性：表 II 的敏感性分析揭示了其种子间波动情况。例如，$\text{LiH}-6$ 在最差种子（种子55555）下的误差也仅为 $0.000292\text{ mHa}$；$\text{H}_2\text{O}-8$ 的最差表现（种子22222，误差 $0.377337\text{ mHa}$）同样稳居化学精度阈值以内。这表明本方法对变分优化的初始随机参数选择具有极高的鲁棒性。

2.3 与经典量子架构搜索（QAS）方法的深度横向对比

本工作最重要的贡献之一是，证明了一个固定拓扑、无需进行昂贵搜索的 Ansatz 可以在最终精度上全面超越那些历经复杂搜索过程才得到的 QAS 电路。

表 IV：系数验证的 $\text{LiH}-6$ 体系多方案对比

表 V：系数验证的 $\text{H}_2\text{O}-8$ 体系多方案对比

关键对比结论：

1. 精度统治力：对于 $\text{LiH}-6$，本方法的平均误差（$0.000124\text{ mHa}$）比之前表现最好的 QAS 方法（quantumDARTS，$0.29\text{ mHa}$；HyRLQAS，$0.59\text{ mHa}$）降低了三到四个数量级。对于 $\text{H}_2\text{O}-8$，本方法（$0.128558\text{ mHa}$）同样击败了包括 HyRLQAS（$0.17\text{ mHa}$）和 quantumDARTS（$0.31\text{ mHa}$）在内的所有 QAS 对手。这是非常罕见的非搜索 Ansatz 逆袭案例。
2. 资源与精度的权衡（Trade-off）：尽管本方法在精度上无可匹敌，但这是以更大的预编译双量子比特门预算为代价的。例如，在 $\text{LiH}-6$ 中我们保留了 30 个 Givens 宏算符，而在 $\text{H}_2\text{O}-8$ 中则保留了 56 个。相比之下，TensorRL 仅使用了 5-6 个 CNOT 门。这表明固定拓扑 Givens-Exchange 是一种专注于极限精确度而牺牲门预算的方案。对于硬件资源极度受限的极早期设备，QAS 搜寻的超极简电路仍有价值；但对于精度至上的中后期应用，本工作提供了更可靠的免搜索模板。

3. 代码实现细节、复现指南与开源生态

3.1 开源仓库与数据验证

本研究遵循高标准的科学可复现性（Reproducibility）。相关成果所依赖的核心人工产物（Artifacts），包括分子哈密顿量、核斥力标量漂移、经过变分优化后的最终参数集以及详细的对角化结果报告，均公开托管于公共项目存储库中。

• 公开代码与数据验证仓库：GitHub / GitLab / Open-source Project Mirror（注：依据论文原文，生产环境中的 VQE 求解器属于 Pattern Recognition Pty Ltd 的商业机密资产，未予开源。但项目组提供了一套功能完备的独立验证脚本和全部数值文件，确保读者能重现所有的图表）
• 复现关键文件清单：
  • Hamiltonian_identity_checks.py：用于快速比对实验哈密顿量矩阵与标准分子积分的基准文件，消除由于轨道排序或基础设置不同导致的系数误差。
  • regenerate_tables_and_figures.py：加载预存的 VQE 优化参数，对量子电路进行一键仿真，重新计算保真度并绘制出与正文 Fig.1, Fig.2 和 Fig.3 完全相同的图表。

3.2 独立端到端复现指南

即使没有闭源的商用求解器，科研人员也可以使用业界主流的开源量子计算框架（如 PennyLane, Qiskit 或 OpenFermion）轻松复现本方法的电路架构。以下基于 PennyLane 提供一个核心的端到端电路构建与复现模板。

步骤 1：构建 Givens-Exchange 宏算符门

在 PennyLane 中，双量子比特的 Givens 旋转本质上对应于 SingleExcitation 门。其数学算符定义与方程（12）一致。我们可以显式地定义：

import pennylane as qml
from pennylane import numpy as np

def givens_exchange_gate(beta, wire_i, wire_j):
    # PennyLane 内部的 SingleExcitation 算符实现了对 |01> 和 |10> 子空间的参数化旋转
    # 门参数 2 * beta 对应着我们公式中的 eta 旋转角度
    qml.SingleExcitation(2 * beta, wires=[wire_i, wire_j])

步骤 2：组装全字典序交换块（lexicographic all-pair block）

按照公式（13），对 $n$ 量子比特系统，构造包含 $n(n-1)/2$ 个配对的单层交换块：

def build_lexicographic_exchange_block(betas, num_qubits):
    """
    betas: 当前块对应的变分参数列表，长度为 num_qubits * (num_qubits - 1) / 2
    """
    param_idx = 0
    # 严格按照 (0,1), (0,2), ..., (n-2, n-1) 字典序执行
    for i in range(num_qubits - 1):
        for j in range(i + 1, num_qubits):
            givens_exchange_gate(betas[param_idx], i, j)
            param_idx += 1

步骤 3：定义完整 Ansatz 电路

利用 $L=2$ 的设计，交错排列单比特 $R_Y$ 层与全字典序交换块：

def givens_exchange_ansatz(params, num_qubits, initial_state):
    """
    params: 扁平化的一维变分参数数组，包含 3 层 R_Y 旋转参数和 2 层 Givens 交换参数
    initial_state: 长度为 num_qubits 的二进制列表，表示基态 |b_0>
    """
    # 1. 初始化基态 |b_0>
    qml.BasisState(initial_state, wires=range(num_qubits))
    
    # 解析参数层（此处对应 L=2 的经典设计）
    # params 的参数排布：[R_Y_0 (n), G_0 (n*(n-1)/2), R_Y_1 (n), G_1 (n*(n-1)/2), R_Y_2 (n)]
    num_givens = num_qubits * (num_qubits - 1) // 2
    
    ry_0 = params[0 : num_qubits]
    g_0  = params[num_qubits : num_qubits + num_givens]
    ry_1 = params[num_qubits + num_givens : 2 * num_qubits + num_givens]
    g_1  = params[2 * num_qubits + num_givens : 2 * num_qubits + 2 * num_givens]
    ry_2 = params[2 * num_qubits + 2 * num_givens :]
    
    # -- 电路执行 --
    # 第 1 层 R_Y 层
    for q in range(num_qubits):
        qml.RY(ry_0[q], wires=q)
        
    # 第 1 层 Givens 交换块
    build_lexicographic_exchange_block(g_0, num_qubits)
    
    # 第 2 层 R_Y 层
    for q in range(num_qubits):
        qml.RY(ry_1[q], wires=q)
        
    # 第 2 层 Givens 交换块
    build_lexicographic_exchange_block(g_1, num_qubits)
    
    # 第 3 层 R_Y 层
    for q in range(num_qubits):
        qml.RY(ry_2[q], wires=q)

步骤 4：主变分循环与梯度优化示例

# 设定量子比特数和分子哈密顿量算符 (示例数据)
num_qubits = 6
symbols = ["Li", "H"]
coordinates = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 4.157]) # 2.2 Bohr 
H_op, qubits = qml.qchem.molecular_hamiltonian(symbols, coordinates)

# 获取最优对角初始化状态 (对应公式 8)
H_matrix = qml.matrix(H_op)
diagonal_energies = np.real(np.diag(H_matrix))
b_0_idx = np.argmin(diagonal_energies)
b_0_bin = [int(x) for x in list(np.binary_repr(b_0_idx, width=num_qubits))]

# 参数数量初始化
num_givens_params = num_qubits * (num_qubits - 1) // 2
total_params_count = 3 * num_qubits + 2 * num_givens_params
init_params = np.random.normal(0.0, 0.05, total_params_count, requires_grad=True)

dev = qml.device("default.qubit", wires=num_qubits)

@qml.qnode(dev)
def cost_function(params):
    givens_exchange_ansatz(params, num_qubits, b_0_bin)
    return qml.expval(H_op)

# 变分参数更新优化器（Adam 设定）
opt = qml.AdamOptimizer(stepsize=0.05)
params = init_params

for step in range(150):
    params, cost = opt.step_and_cost(cost_function, params)
    if step % 15 == 0:
        print(f"Step {step:3d} | VQE Energy = {cost:.7f} Ha")

4. 关键引用文献、局限性批判与科学讨论

4.1 核心关联文献精选

为了更好地在学术脉络中理解本项工作，以下是该研究领域最具代表性的 5 篇里程碑式文献，构成了本项成果的理论底座：

1. VQE 奠基性文献：
   • Peruzzo, A., et al. (2014). “A variational eigenvalue solver on a photonic quantum processor.” Nature Communications, 5, 4213. [DOI: 10.1038/ncomms5213]
   • 简评：首次提出并实验演示了变分量子本征求解器框架。奠定了经典-量子混合优化的基本工作流，是本工作的起点。
2. Givens 旋转量子线性代数与深度控制：
   • Kivlichan, I. D., et al. (2018). “Quantum simulation of electronic structure with linear depth and connectivity.” Physical Review Letters, 120, 110501. [DOI: 10.1103/PhysRevLett.120.110501]
   • 简评：证明了借助 Givens 旋转和费米子交换网络可以实现在线性电路深度和线性芯片邻接连通性下进行精确分子轨道重构。为本方法提供了坚实的电路复杂度边界论证。
3. 对称性保持电路（Symmetry-preserving VQE）：
   • Gard, B. T., et al. (2020). “Efficient symmetry-preserving state preparation circuits for the variational quantum eigensolver algorithm.” npj Quantum Information, 6, 10. [DOI: 10.1038/s41534-019-0240-1]
   • 简评：系统研究了如何构建能够限制在特定自旋和粒子数扇区内的变分状态。本工作在此基础之上，通过主动交错插入 $R_Y$ 算符，探索了“打破局域扇区约束以实现更好遍历性”的反向设计思路。
4. 分子VQE几何流形分析：
   • Smart, S. E., and Narang, P. (2024). “Many-body eigenstates from quantum manifold optimization.” arXiv:2402.07100.
   • 简评：介绍了利用黎曼流形结构在不依赖显式 Ansatz 的前提下实现本征值问题的精确求解，为本研究采用的复 Stiefel 几何表示法提供了深厚的数学物理解释。
5. 作为直接对比基准的 QAS 方法：
   • Niu, J., et al. (2025/2026). “Hybrid action reinforcement learning for quantum architecture search.” arXiv:2511.04967v3.
   • 简评：提出了最先进的混合动作强化学习 QAS 方法（HyRLQAS），是本工作最主要的精度及资源对比标杆。

4.2 本工作局限性批判与挑战分析

尽管本工作展示了出色的精度，但作为客观的量子物理与化学计算科研人员，我们必须深刻指出该方法目前存在的固有技术局限性与潜在隐患：

局限性一：强电子关联/拉伸几何结构下的性能崩溃

根据论文 Table III（Scope Tests）的数据，在拉伸键长区域（如拉伸到 $3.4\text{ \AA}$ 的 $\text{LiH}-6$ 几何结构），由于体系进入了典型的多参考强关联区间（Strongly-correlated / Multireference regime），本方法的精度出现了断崖式下跌：

• 拉伸 $\text{LiH}-6$ (JW 映射)：在 6 个测试种子中，仅有 1 个种子成功达到了化学精度，其余全部陷入了高能量的非物理局部极小值，平均绝对误差恶化至高昂的 $6.912731\text{ mHa}$。
• 拉伸 $\text{LiH}-6$ (Parity 映射，Tapered)：在 6 个种子中，**完全没有任何一个种子（0/6）**通过化学精度，能量中位数误差高达 $8.370691\text{ mHa}$，态保真度彻底归零（平均 $F=0.000000$）。 这有力地证明了，由于其字典序字典树电路拓扑的固定性，当分子处于化学键断裂、激发态强杂化等极端物理情形时，默认的初始化路径和单一的方向性旋转无法跨越高度多参考纠缠产生的势垒。在强关联区域，该方法完全丧失了稳健性，不得不退化回依靠自适应或 QAS 在宽希尔伯特空间中探路的底层逻辑。

局限性二：非 JW 映射下物理直观性的丧失

Givens-Exchange 宏算符的单粒子数守恒和轨道激发解释，在数学上完全绑定在了 Jordan-Wigner 映射的比特表示之下。当研究人员转而使用对于降低 Pauli 弦长更为有利的 Parity 映射或 BK 映射时，量子比特本身不再直接表示轨道占用。在这种情况下，虽然交换宏算符依然是一个数学上合规的 Stiefel 流形算符，但它已经完全丧失了其原本对应的“费米子轨道跃迁”化学物理图景。这也解释了为什么在 Parity 映射压力测试下本方法的收敛成功率普遍极低。

局限性三：双量子比特宏门在硬件端的编译惩罚

论文中大篇幅强调的“30 个 Givens” 或 “56 个 Givens” 是预编译的宏（macro）资源统计。在实际的超导或离子阱等物理量子计算机上，没有任何原生硬件能直接执行 Givens-Exchange 二维旋转。一个 Givens 宏算符（在无特殊优化编译时）通常需要被分解为至少：

• 2个 CNOT 门、2个单比特 $R_Z$、2个单比特 $R_X$ 和部分辅助本地相位旋转门。 如果按照 1 Givens ≈ 2 CNOT 的最低标准换算：
• $\text{H}_2\text{O}-8$ 需要的 56 个 Givens 意味着实际需要执行 超过 112 个原生物理 CNOT 门。相比之下，QAS 搜索出的最简方案只需要 25 个原生的物理 CNOT 门。在退相干主导的 NISQ 硬件中，本方法深层电路累积的累加相位噪声可能会将所宣称的能量精度优势消磨殆尽。

5. 其他必要补充与未来硬件工程化路径

为了将这套在数值仿真中表现亮眼的确定性算法真正落地于物理量子计算芯片，有几个方向值得在硬件层面进行深度的工程化探索：

5.1 面向硬件原生的门级别编译与布线优化

在 NISQ 处理器中，量子比特的物理连通性（Connectivity Topology）通常是极度受限的（例如超导处理器的重度网格重叠或线性链式连接）。全全对（all-pair）的字典序交换块包含大量的跨节点配对（如量子比特 $0$ 与量子比特 $n-1$），这在低连通性芯片上会导致庞大的 SWAP 门插入开销。

未来优化方向：基于费米子交换网络（Fermionic Swap Networks）的优化布线

为了在具有一维邻近连通性的硬件上完美运行此 Ansatz，可将全字典序排列重构为费米子网络交换气泡。通过相邻量子比特的交替执行：

利用在交换物理位置的同时伴随进行交换旋转的操作，能够实现完美的 $O(n)$ 电路深度硬件映射，完全消除额外的无用路由 SWAP 门。

5.2 关联辅助：基于 Pauli 哈密顿关联强度的自适应对剪裁（Pruning）

本研究提出的全字典对设计在面对更大体系（如 $n > 12$ 量子比特）时，双量子比特宏门数量将以 $O(n^2)$ 的速度迅速暴涨。这会使得参数变多并引入严重的贫瘠高原风险。为了解决这一问题，作者在文章最后创新性地提出了基于哈密顿量关联强度评分矩阵的剪裁设想。

对于给定的分子哈密顿量 $H = \sum_\mu h_\mu P_\mu$，定义任意两个量子比特 $i$ 和 $j$ 之间的关联协同度评分 $A_{ij}$：

该矩阵通过统计在哈密顿量中哪些量子比特对经常协同出现（不为恒等算符 $I$），并对其系数值求绝对值之和，来衡量其物理关联强弱。在未来的实用化方案中，我们可以在执行 lexicographic 全对交换时设定剪裁阈值 $\theta_{\text{prune}}$。如果某对量子比特 $A_{ij} < \theta_{\text{prune}}$，则直接在 Ansatz 中将对应的 Givens 算符永久剔除（或将其角度恒置为 0），这将把全通图剪裁为稀疏关联图，从而大幅压缩电路在物理设备上的编译层数。

5.3 误差缓解技术（Error Mitigation）的应用

由于 Givens-Exchange Ansatz 在穿插 $R_Y$ 层时可能发生物理态逸出物理电子数扇区的行为，在物理芯片运行时极易由于门 infidelity 和热弛豫退相干等环境噪声，造成粒子数测量偏离真实值。因此，**对称性检验与投影（Symmetry Verification/Projection）**将是其硬件落地的黄金伴侣。通过对粒子数算符 $\hat{N} = \sum_i q_i$ 在末态进行零噪声外推（ZNE）或对称性惩罚重构，可以高效纠正泄漏到错误粒子数扇区中的测量噪声，让高精度高深度变分算符的运行拥有更好的稳定性保障。