来源论文: https://arxiv.org/abs/2606.26912v1 生成时间: Jun 26, 2026 00:45

Givens-交换 Ansatz：化学准确、可重现且无需架构搜索的分子变分量子求解器

0. 执行摘要

在计算药物发现和材料科学领域，精确的分子基态能量是评估构象异构体、反应能学和电子效应的关键。然而，当面临强关联或大型活性空间时，经典计算方法往往变得昂贵或不可靠。变分量子求解器（VQE）提供了一种在量子计算机上估计这些能量的混合量子-经典方法，其核心挑战之一在于Ansatz的设计。本文介绍并评估了一种固定拓扑的Givens-交换Ansatz，它通过初始化到对角哈密顿量期望值最低的计算基态，然后应用局部Ry旋转和两层有序的全对Givens交换块来构建量子电路。这种设计避免了耗时且复杂的量子架构搜索（QAS）过程，从而提供了一个可重现且化学可解释的模板。在对LiH-6、BeH2-6和H2O-8等关键分子基准体系进行的六种子（seed）测试中，该Ansatz在每次运行中都达到了化学精度，其平均误差显著低于现有量子架构搜索方法报告的点误差。尽管该Ansatz在宏观层面上使用了更多的双量子比特操作，但其无需搜索的特性、固定的拓扑结构和高精度表现使其成为分子VQE领域中一个有价值的参考基准和研究方向。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题与VQE的基石

计算化学的核心任务之一是精确预测分子的基态能量。这些能量是理解分子结构、反应途径、材料性质以及药物发现过程中的电子效应的基础。传统经典电子结构方法，如密度泛函理论（DFT）或耦合簇（CC），在处理具有弱相关性的系统时表现出色，但当分子体系出现“强关联”效应时，它们的准确性和计算成本会急剧下降。强关联通常发生在键断裂、过渡金属化学、多自由基系统以及其他涉及近简并电子态的场景中。在这些情况下，电子之间的相互作用无法简单地用单粒子近似来描述，需要更高级的理论框架。

量子计算作为一种新兴范式，为解决强关联问题提供了新的途径。变分量子求解器（Variational Quantum Eigensolver, VQE）是当前量子硬件上最有前景的算法之一。VQE是一种混合量子-经典算法，旨在通过最小化一个参数化量子电路（称为Ansatz）所制备的量子态的哈密顿量期望值来估算基态能量。其核心思想是，量子计算机负责制备和测量参数化量子态的期望值，而经典计算机则负责根据这些测量结果迭代地更新Ansatz的参数，从而将能量最小化。这个过程利用了变分原理，即任何试探态的能量期望值总是大于或等于基态能量。VQE的优势在于它对噪声具有一定的鲁棒性，并且能够利用较浅的量子电路，这使其适用于当前的噪声中等规模量子（NISQ）设备。

1.2 Ansatz设计：VQE的核心挑战

然而，VQE的主要实际难点在于Ansatz的设计。一个有效的Ansatz必须在表达能力、可训练性和资源成本之间取得微妙的平衡。表达能力指的是Ansatz能够逼近真实基态波函数的能力；可训练性指的是其参数能否通过经典优化器有效找到最优解；资源成本则涉及电路深度、门数量以及执行所需的时间。

• 硬件高效Ansatz (Hardware-Efficient Ansatzes)：这类Ansatz通常由浅层、硬件原生的单比特和双比特门组成，易于在NISQ设备上执行。然而，它们通常不编码分子激发结构的物理约束（如粒子数、自旋守恒），并且在大型希尔伯特空间中可能面临“贫瘠高原”（Barren Plateaus）问题，导致梯度消失，优化变得困难。
• 化学启发式Ansatz (Chemistry-Inspired Ansatzes)：例如，统一耦合簇（Unitary Coupled Cluster, UCC）及其变体（如UCCSD）直接编码了费米子激发结构，与分子电子关联性质高度吻合。然而，这些Ansatz编译后的电路通常很深，超出了当前硬件的能力范围。
• 自适应方法 (Adaptive Approaches)：如ADAPT-VQE，通过从操作符池中选择新的激发项并根据能量梯度信息逐步构建电路，以实现更紧凑的电路。但这类方法需要重复的操作符筛选和电路构建，计算开销较大。

近年来，量子架构搜索（Quantum Architecture Search, QAS）试图自动化电路构建过程，通过机器学习、进化算法或强化学习来寻找最佳的门选择、纠缠模式和参数，以平衡表达能力、可训练性、硬件成本和噪声敏感性。尽管QAS能够发现紧凑且高性能的电路，但其生成的架构可能缺乏化学可解释性，且搜索过程通常需要大量的计算开销和重复的电路构建、参数优化。

1.3 Givens旋转的理论基础及其在量子化学中的应用

本文提出的Givens-交换Ansatz正是在这个背景下，作为一种无需架构搜索且具有化学可解释性的固定拓扑Ansatz。Givens旋转源自数值线性代数，它在二维坐标平面内进行旋转，保持其他坐标不变。在量子化学中基于占据数的编码中，Givens旋转可以被理解为一种双量子比特的单激发操作，它旋转|01⟩和|10⟩子空间，同时保持|00⟩和|11⟩不变。这种操作与轨道旋转、Slater行列式制备以及粒子数守恒的电路族紧密相关，使其在化学上具有明确的物理解释。

文章中采用了Stiefel流形（Stiefel manifold）的几何视角，它提供了描述正交基（或范数归一化态）在幺正演化下几何特性的语言。Stiefel流形Stc(D, r)定义为D维空间中r个正交向量的集合。对于n量子比特纯态，它对应于Stc(2^n, 1)上的一个点。Ansatz的构建过程可以被视为一个有序的幺正轨迹，它通过局部旋转和Givens型交换在Stiefel流形上遍历一个结构化的子空间。这种几何解释有助于将Ansatz与无约束的硬件高效层区分开来，强调其结构化和化学意义。

1.4 技术难点与方法细节

1.4.1 哈密顿量表示与能量计算

VQE从给定核几何和单粒子基底下的电子结构哈密顿量开始。在二次量子化中，哈密顿量通常表示为：

$H_{el} = \sum_{pq} h_{pq} a_p^\dagger a_q + \frac{1}{2} \sum_{pqrs} h_{pqrs} a_p^\dagger a_q^\dagger a_s a_r$ (Eq. 1)

其中$a_p^\dagger$ 和 $a_p$ 分别是自旋轨道 $p$ 的产生和湮灭算符。由于量子处理器作用于量子比特，费米子哈密顿量必须通过费米子-量子比特映射（如Jordan-Wigner、Parity或Bravyi-Kitaev）转换为等效的量子比特哈密顿量，即Pauli算符的张量积形式：

$H = \sum_{\mu=1}^M h_\mu P_\mu$ (Eq. 2)

其中 $P_\mu \in \{I, X, Y, Z\}^{\otimes n}$ 是 $n$ 个单量子比特Pauli算符的张量积，$h_\mu$ 是实系数。在数值计算中，哈密顿量被表示为一个稠密的Hermitian矩阵。此外，哈密顿量可能包含一个标量位移 $s$，它包括核排斥能和冻结核心项等非变分常数。

对于给定的参数化电路，其制备的变分态为$|\psi(\theta)\rangle$。电子期望值定义为：

$e(\theta) = \langle\psi(\theta)|H|\psi(\theta)\rangle$ (Eq. 3)

总分子能量则为：

$E(\theta) = e(\theta) + s$ (Eq. 4)

优化结束后，通过对 $H$ 进行精确对角化，计算得到最低电子本征值 $e_0$ 和精确总能量 $E_0 = e_0 + s$。报告的绝对能量误差为：

$\epsilon_{Ha} = |E(\theta_f) - E_0| = |e(\theta_f) - e_0|$ (Eq. 6)

其中 $\theta_f$ 是最终优化参数向量。化学精度通常设定为1.60 mHa (0.001600 Ha)。态保真度 $F = |\langle\psi_0|\psi(\theta_f)\rangle|^2$ (Eq. 7) 用来衡量优化态与精确基态的匹配程度。

1.4.2 Ansatz电路结构

本文评估的Givens-交换Ansatz采用固定拓扑，无需架构搜索。电路从计算基态 $ |b_0\rangle $ 开始，其中 $b_0$ 是具有最低对角哈密顿量期望值的基态：

$b_0 = \arg \min_{b \in \{0,1\}^n} \langle b|H|b\rangle$ (Eq. 8)

这个初始态的选择只依赖于哈密顿量矩阵的对角元素，从而提供了一个简单的启动点。

随后，Ansatz应用以下层序：

$|\psi(\theta)\rangle = R_L G_{L-1} R_{L-1} \cdots G_1 R_1 G_0 R_0 |b_0\rangle$ (Eq. 14)

其中：

• 局部Ry旋转层 ($R_l$)：在电路的每一层 $l$ 中，局部Ry旋转层 $R_l$ 对所有 $n$ 个量子比特 $q$ 执行独立的 $Y$ 轴旋转。这些旋转门可以混合计算基态的不同占据数扇区，使整个电路不保持严格的粒子数守恒。

  $R_l = \prod_{q=0}^{n-1} R_y^{(q)}(\alpha_{lq})$ (Eq. 11)

  其中 $R_y^{(q)}(\alpha_{lq}) = \exp(-i \frac{\alpha_{lq}}{2} Y_q)$，$\alpha_{lq}$ 是实数旋转角。

• Givens交换块 ($G_l$)：每个Givens交换块 $G_l$ 由一系列全对（all-pair）Givens交换宏组成，这些宏作用于所有可能的量子比特对 $(i, j)$，其中 $i < j$。Givens交换宏 $G_{ij}(\beta)$ 是一个双量子比特操作，它在计算基态上定义为：

  $G_{ij}(\beta)|00\rangle = |00\rangle$ $G_{ij}(\beta)|11\rangle = |11\rangle$ $G_{ij}(\beta)|01\rangle = \cos\beta|01\rangle - \sin\beta|10\rangle$ $G_{ij}(\beta)|10\rangle = \sin\beta|01\rangle + \cos\beta|10\rangle$ (Eq. 12)

  这个操作旋转了由 $|01\rangle$ 和 $|10\rangle$ 张成的单激发子空间，同时保持 $|00\rangle$ 和 $|11\rangle$ 不变。在Jordan-Wigner占据编码中，这与粒子数守恒的单激发结构对齐。Givens交换块 $G_l$ 定义为：

  $G_l = \prod_{(i,j) \in E_{lex}} G_{ij}(\beta_{lij})$ (Eq. 13)

  其中 $E_{lex}$ 表示固定词典序的全对顺序，$\beta_{lij}$ 是特定对 $(i, j)$ 在块 $l$ 中的交换角。两个共享量子比特的Givens宏通常不通勤，因此顺序至关重要。

本文实验中使用了 $L=2$ 个交换块，因此电路包含三个局部Ry层（$R_0, R_1, R_2$）和两个Givens交换块（$G_0, G_1$）。最大的交换宏数量为 $L n(n-1)/2$，最大的Ry旋转数量为 $(L+1)n$。

1.4.3 参数优化

所有角度（$\alpha_{lq}$ 和 $\beta_{lij}$）最初都从均值为零、尺度为0.05的正态分布中初始化。参数通过Adam优化器进行更新，优化目标是哈密顿量期望值 $e(\theta)$。优化过程共进行150步Adam更新，并在步骤0, 15, 30, … 149时进行固定后更新监控评估。每个种子只运行一次独立的优化轨迹。

1.4.4 资源统计

为了透明地报告资源消耗，文章定义了活跃的Givens交换宏和单量子比特旋转的数量，通过一个活动阈值 $\tau = 10^{-4}$ 进行筛选：

$N_{Givens} = \#\{(l, i, j) : |\beta_{lij}| > \tau\}$ $N_{ROT} = \#\{(l,q) : |\alpha_{lq}| > \tau\}$ (Eq. 15)

这些是变分宏观层面的计数，而不是硬件原生门（如CNOT）的计数，这有助于区分报告级别，避免与硬件编译后的电路进行不公平的直接比较。

总而言之，这种Givens-交换Ansatz通过结构化的、化学可解释的交换操作，提供了一个固定拓扑的、无需搜索的VQE模板。它利用了Stiefel流形的几何视角来解释其幺正轨迹，并通过Adam优化器找到基态能量。这种方法旨在为量子化学VQE提供一个准确、可重现且易于理解的基准解决方案。

2. 关键 Benchmark 体系，计算所得数据，性能数据

本研究旨在评估Givens-交换Ansatz在分子基态能量计算中的性能，并将其与现有量子架构搜索（QAS）方法进行比较。为了实现这一目标，研究团队选择了几个关键的分子体系作为基准，并严格遵循了一套标准化的计算协议。

2.1 关键 Benchmark 体系

研究主要关注以下分子体系：

• LiH-6 (2.2 Å, Jordan-Wigner, 无削减)：这是主要的锂氢分子基准，键长为2.2 Å，采用Jordan-Wigner映射，未进行任何量子比特削减。该体系的哈密顿量矩阵和标量位移均已与参考基准文件进行系数级验证，确保与HyRLQAS比较中使用的哈密顿量一致。这对于进行直接、公正的比较至关重要。

• BeH2-6 Candidate (Jordan-Wigner, 无削减)：这是一个中性单重态铍氢分子（BeH2）的公共规范候选体系，采用STO-3G基组，Be原子位于(0,0,0)，H原子位于(0,0, ±1.33) Å。同样采用Jordan-Wigner映射，未进行削减。该体系有四个活性电子，三个空间轨道，在Jordan-Wigner映射下产生六个自旋轨道，因此对应六个量子比特。需要注意的是，尽管这是公共规范，但其哈密顿量的系数尚未与HyRLQAS的内部哈密顿量进行独立验证，因此将其标记为“公共规范候选体系”而非“系数级验证”。

• H2O-8 (Jordan-Wigner, 无削减)：这是水分子基准，采用Jordan-Wigner映射，未进行削减。与LiH-6类似，其哈密顿量和标量位移也经过了系数级验证，确保与HyRLQAS比较中使用的参考哈密顿量完全一致。

• LiH-4 Parity Stress (3.4 Å, Parity 映射, 削减)：这是一个特殊的“压力测试”案例，键长为3.4 Å的锂氢分子，采用Parity映射并进行了量子比特削减。这个体系在几何、映射和量子比特数量上都与LiH-6不同，因此它不被视为LiH的主要比较基准，而是用于评估Ansatz在更复杂、非直观编码情况下的鲁棒性。其哈密顿量也经过了系数级验证。

所有哈密顿量都在无噪声的稠密态模拟环境下进行评估，确保结果不受硬件噪声的干扰。

2.2 计算协议与性能指标

为了确保结果的可靠性和可重现性，本研究采用了一套严格的数值协议：

• 固定种子集 (Fixed Seeds)：所有运行都使用了六个固定的随机种子（17, 11111, 22222, 33333, 44444, 55555）。这意味着对每个分子体系，优化过程都会独立运行六次，每次使用不同的初始参数（从均值为零、尺度为0.05的正态分布中采样）。

• 优化器与步数：使用Adam优化器，学习率为0.05，进行150步优化更新。采用对角基初始化 $ |b_0\rangle $，并通过一次重启（即每个种子运行一次独立的优化轨迹）。

• 报告指标：

  • 绝对能量误差 ($\\epsilon_{Ha}$ 和 $\\epsilon_{mHa}$)：计算优化后的总能量与精确基态能量之间的绝对差值。所有误差值都以哈特里（Ha）和毫哈特里（mHa）单位报告，其中1 mHa = 0.001 Ha。化学精度阈值通常设定为1.60 mHa。
  • 平均值、标准差和中位数：由于使用了六个固定种子，报告了这些统计量，以透明地展示方法的典型性能和优化敏感性。
  • 通过计数 (Pass Count)：在六个种子中，达到化学精度的运行次数。
  • 平均保真度 (Mean Fidelity, $F$)：优化态与精确基态之间的平均保真度，衡量优化态与真实基态波函数匹配的程度。
  • 资源计数 ($N_{Givens}$ 和 $N_{ROT}$)：报告了预编译的Givens交换宏和保留的单量子比特Ry旋转的数量。这些是宏观层面的计数，不是硬件原生门（如CNOT）的计数，活动阈值设定为 $10^{-4}$。
  • 平均运行时间 (Mean Wall Time)：每个体系在无噪声模拟环境下的平均计算时间。

2.3 计算所得数据与性能分析

2.3.1 主要结果 (表1 & 2)

表1和表2总结了Givens-交换Ansatz在主要基准体系上的性能：

• 化学精度：所有LiH-6、BeH2-6和H2O-8的六个种子运行均达到了化学精度（即误差低于1.60 mHa）。对于LiH-4压力测试，有5个种子达到了化学精度，但其中一个种子出现了较高的误差。
• 误差：LiH-6的平均误差极低（0.000124 mHa），H2O-8的平均误差为0.128558 mHa。BeH2-6的平均误差为0.002152 mHa，仍在化学精度范围内。这些误差值显著低于化学精度阈值。
• 保真度：所有主要体系的平均保真度接近1，表明优化态与精确基态高度匹配。
• 资源计数：LiH-6和BeH2-6使用了30个Givens宏和约17个Ry旋转。H2O-8使用了56个Givens宏和24个Ry旋转。这些是Ansatz的内部宏观操作计数。
• 鲁棒性：LiH-6、BeH2-6和H2O-8在所有六个种子中均表现出高度鲁棒性，错误范围较窄（图1）。LiH-4压力测试显示出对初始化的敏感性，存在一个高误差的局部解，这进一步验证了将其作为压力测试而非主要基准的合理性。

2.3.2 范围测试 (表3)

表3展示了Ansatz在不同映射和几何条件下的性能，强调了其适用范围：

这些结果表明，当量子比特表示保留直接的占据数解释且电子态不受强键拉伸关联模式主导时，该方法表现最佳。在拉伸的LiH-6几何下，性能显著下降，说明其不适用于所有情况。

2.3.3 与QAS方法的比较 (表4 & 5)

表4和表5提供了LiH-6和H2O-8与已发表的量子架构搜索（QAS）方法的详细比较：

• 精度优势：对于LiH-6和H2O-8，Givens-交换Ansatz的六种子平均误差均低于所有已发表QAS方法报告的点误差。例如，LiH-6的平均误差比HyRLQAS低几个数量级（0.000124 mHa vs 0.590000 mHa）。
• 资源权衡：尽管在精度上具有优势，但Givens-交换Ansatz在宏观层面的双量子比特操作（Givens宏）数量通常高于QAS方法报告的CNOT门数量（例如，LiH-6为30个Givens宏，而HyRLQAS为27个CNOT；H2O-8为56个Givens宏，HyRLQAS为25个CNOT）。这反映了一种权衡：通过避免复杂的架构搜索，我们获得了更高的精度和可重现性，但代价是使用了更固定的、更密集的宏观电路。

2.3.4 可视化分析 (图1, 2, 3)

• 图1（能量敏感性）：展示了Givens-交换方法在六个种子上的能量误差分布。清晰地显示了LiH-6、BeH2-6和H2O-8在所有种子中都远低于化学精度阈值，误差范围相对较小，表明了其高鲁棒性。LiH-4则显示出更大的误差波动范围，再次印证了其作为压力测试的特性。
• 图2（误差比较）：将Givens-交换Ansatz与QAS方法的能量误差进行对数尺度比较。它直观地显示了Givens-交换Ansatz在LiH-6和H2O-8上优于所有QAS方法。
• 图3（资源计数）：分离了Givens-交换Ansatz的宏观门计数（Givens宏和Ry旋转）与已发表QAS方法的硬件原生门计数（CNOT和旋转）。这明确了不同报告级别之间的差异，强调了Givens宏与CNOT门不是硬件等效的，并指出了未来需要进行原生门编译。

总的来说，Givens-交换Ansatz在关键分子基准上展示了卓越的化学精度和高度可重现性，且无需进行架构搜索。虽然其宏观资源计数可能高于某些紧凑型QAS电路，但其“搜索自由”的特性、固定的拓扑结构以及在无噪声模拟中的高精度表现，使其成为VQE研究中一个重要的参考点。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

本研究非常强调结果的可重现性，尽管核心的变分量子求解器（VQE）实现是一个专有资产（属于Pattern Recognition Pty Ltd），但作者提供了全面的数据和工具，足以完全复现论文中报告的所有结果、图表以及哈密顿量一致性检查。这对于确保科研透明度和促进社区验证至关重要。

3.1 开源仓库与数据可用性

所有用于重现本文结果所需的开放数据和工具都托管在一个公共GitHub仓库中：

https://github.com/PR2aid/A-Givens-exchange-ansatz-for-molecular-variational-eigensolvers/tree/main

这个仓库包含了以下关键可重现性工件：

• 分子哈密顿量 (Molecular Hamiltonians)：包括LiH-6、BeH2-6、H2O-8和LiH-4（压力测试案例）等所有基准体系的Pauli算符列表和系数。这些文件是进行VQE模拟的基础。
• 标量位移 (Scalar Shifts)：每个分子体系的总能量包含一个非变分的标量位移（核排斥能和冻结核心项等），这些位移值也一并提供。
• 映射和削减元数据 (Mapping and Tapering Metadata)：详细说明了每个体系使用的费米子-量子比特映射（Jordan-Wigner, Parity）和量子比特削减策略。
• 最终优化参数集 (Final Optimized Parameter Sets)：六个固定种子运行后的最终优化参数（旋转角度 $\alpha$ 和交换角度 $\beta$）都已保存，可用于重现优化态。
• 种子级数值结果 (Seed-Level Numerical Results)：包含每个种子运行的详细输出，例如能量误差、保真度、资源计数和运行时间等。这些数据是构建报告中所有表格和图表的基础。
• 哈密顿量一致性检查报告 (Hamiltonian-Identity Reports)：这些报告验证了本文中使用的LiH-6和H2O-8哈密顿量与参考基准（如HyRLQAS）哈密顿量在矩阵层面的一致性。这些检查对于确保直接比较的有效性至关重要。

所有这些数据均无需专有、私有或受限数据集即可评估本文中报告的声明。

3.2 代码可用性与复现指南

虽然VQE的底层实现是专有的，但作者提供了用于验证和重现数据分析的工具：

• 哈密顿量一致性检查工具 (Hamiltonian-Identity Check Utility)：一个独立的工具，用于执行哈密顿量矩阵级的比较，确保本文使用的哈密顿量与已发表的参考基准一致。这对于外部研究人员验证基准设置至关重要。
• 图表和表格生成脚本 (Scripts for Figure and Table Regeneration)：一套脚本，可以根据仓库中提供的数值结果重新生成论文中的所有表格和图表。这些脚本是用Python或其他常见脚本语言编写的，以便于研究人员运行和修改。

复现指南（假设读者已具备Python环境和NumPy、SciPy等科学计算库）：

1. 克隆GitHub仓库：

   git clone https://github.com/PR2aid/A-Givens-exchange-ansatz-for-molecular-variational-eigensolvers.git
   cd A-Givens-exchange-ansatz-for-molecular-variational-eigensolvers
   

2. 安装依赖 (如果需要)： 根据提供的脚本，可能需要安装特定的Python库。通常，科学计算和数据可视化（如numpy, scipy, pandas, matplotlib, seaborn）的库是必需的。

   pip install numpy pandas matplotlib seaborn # 示例，具体以项目要求为准
   

3. 探索数据文件： 导航到tree/main目录，可以找到hamiltonians/、results/等子目录。这些目录包含了原始数据、哈密顿量系数和优化结果。例如，哈密顿量通常以文本文件形式存储，其中包含Pauli字符串及其系数。

4. 执行哈密顿量一致性检查： 找到并运行仓库中提供的哈密顿量一致性检查工具。该工具可能是一个Python脚本，用于比较本地生成的哈密顿量与参考文件。例如：

   python utilities/check_hamiltonian_identity.py --molecule LiH-6
   

   （注：具体脚本名称和参数可能需要根据仓库内容调整）

5. 重新生成表格和图表： 运行相应的脚本来重新生成论文中的所有表格和图表。这些脚本会读取results/目录中的数据，并输出与论文中视觉效果相同的文件。

   python scripts/generate_tables.py
   python scripts/generate_figures.py
   

   （注：具体脚本名称和参数可能需要根据仓库内容调整）

通过上述步骤，任何研究人员都可以在本地环境中验证论文中的数据、图表和核心声明。这种高水平的可重现性极大地增强了研究结果的可靠性和可信度。

3.3 VQE实现环境与隐含技术栈

尽管VQE实现本身是专有的，但从论文描述中可以推断出其运行环境和所使用的技术栈的一些关键特征：

• 无噪声稠密态模拟 (Noiseless Dense-State Simulations)：所有结果都是在模拟器上获得的，而不是在实际量子硬件上。这意味着没有考虑硬件噪声的影响，从而隔离了Ansatz和优化协议本身的性能。稠密态模拟通常涉及对全希尔伯特空间进行显式操作，这对于小规模量子比特（如本文中的4-8个量子比特）是可行的。
• 经典优化器 (Classical Optimizer)：论文明确提到使用Adam优化器进行参数更新。Adam是一种流行的、高效的随机优化算法，适用于各种深度学习和机器学习任务。它的自适应学习率特性使其成为VQE等梯度下降类优化问题的理想选择。
• 编程语言和库 (Implied Programming Languages and Libraries)：尽管没有明确说明VQE实现所用的编程语言，但考虑到量子模拟和优化任务的性质，Python通常是主流选择。它拥有丰富的科学计算库，如NumPy（用于数值操作和矩阵运算）、SciPy（用于高级科学计算）以及各种量子模拟框架（如Qiskit, Cirq, PennyLane等）。生成图表和表格的脚本也暗示了Python生态系统的使用。

总之，本研究通过提供全面的数据和工具，为量子化学VQE领域的透明度和可重现性树立了典范。研究人员可以利用这些资源，在无需访问专有代码的情况下，独立验证论文的核心发现。

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键引用文献解析

本文在量子化学、VQE和量子架构搜索等领域引用了多篇重要文献，这些引用构成了其理论和方法的基础。以下是对其中一些关键引用的深度解析：

1. [1] Y. Cao et al., “Quantum chemistry in the age of quantum computing.” Chemical Reviews 119, 10856–10915 (2019).

   • 重要性：这篇综述是量子化学领域利用量子计算的里程碑式工作。它全面概述了量子计算在化学中的应用前景、挑战和现有算法，为VQE在解决强关联问题中的潜力提供了宏观背景。本文引用此文献，强调了基态能量计算在药物发现中的重要性，以及经典方法在强关联场景下的局限性。

2. [4] A. Peruzzo et al., “A variational eigenvalue solver on a photonic quantum processor.” Nature Communications 5, 4213 (2014).

   • 重要性：这篇论文首次提出了VQE算法。它在光子量子处理器上演示了VQE，开启了混合量子-经典算法解决物理和化学问题的时代。本文引用此文献作为VQE的奠基性工作，明确了其变分原理和核心优化目标。

3. [9] J. Niu et al., “Hybrid Action Reinforcement Learning for Quantum Architecture Search.” arXiv:2511.04967 (2025).

   • 重要性：这篇文献是本文进行性能比较的主要基准之一。HyRLQAS是一种混合动作强化学习方法，用于量子架构搜索，旨在通过学习 gate 选择和参数来构建高效的VQE电路。本文将其固定拓扑的Givens-交换Ansatz的精度与HyRLQAS以及其他QAS方法的点误差进行比较，凸显了在无搜索情况下实现高精度的可能性。

4. [18] A. Edelman et al., “The geometry of algorithms with orthogonality constraints.” SIAM Journal on Matrix Analysis and Applications 20, 303-353 (1998).

   • 重要性：这篇文献深入探讨了具有正交约束的算法的几何学，尤其是Stiefel流形。Stiefel流形为描述酉矩阵和规范化量子态的演化提供了几何语言。本文引用此文献，阐明了将Givens-交换Ansatz视为在Stiefel流形上进行有序酉轨迹的几何视角，从而将其与无约束的硬件高效电路区分开。

5. [29] J. M. Arrazola et al., “Universal quantum circuits for quantum chemistry.” Quantum 6, 742 (2022). 和 [30] M. R. Nirmal et al., “Parallelized Givens ansatz for molecular ground-states: Bridging accuracy and efficiency on NISQ platforms.” arXiv:2504.18264 (2025).

   • 重要性：这两篇文献讨论了Givens旋转在构建量子化学电路中的潜力，包括其支持通用粒子数守恒电路和作为低深度替代方案的应用。本文正是基于这些进展，将Givens-交换层作为化学上有意义的变分构建块来使用，验证了其作为VQE Ansatz的有效性。

4.2 对这项工作局限性的评论

尽管本文提出的Givens-交换Ansatz在提供化学准确且可重现的分子基态能量方面取得了显著成功，并且避免了复杂的架构搜索过程，但这项工作仍存在一些局限性，值得深入探讨和未来研究。

1. 资源成本与原生门编译：

   • 局限性：本文的Ansatz虽然在宏观操作层面（Givens宏）提供了结构化的、化学可解释的视角，但其宏观操作数量通常高于量子架构搜索（QAS）方法发现的更紧凑电路（以CNOT门计）。论文明确指出，Givens宏与CNOT门并非硬件等效，且未进行原生门编译。这意味着在实际量子硬件上执行时，一个Givens宏可能需要多个CNOT门和其他单比特门，从而导致实际电路深度和门计数远高于QAS方法报告的数字。因此，本文的“资源效率”优势主要体现在“无搜索”的计算时间上，而非“硬件资源”上。
   • 影响：较高的原生门计数和电路深度会增加量子硬件上执行的挑战，尤其是对当前噪声较大的NISQ设备而言，更容易受到退相干和门误差的影响。
   • 未来工作：论文承认了这一点，并提出将保留的宏编译到原生门基底，并重新优化编译后的电路是下一步资源优化的方向。

2. 适用范围的局限性：

   • 局限性：Ansatz在某些“压力测试”场景下表现出局限性。例如，在LiH-4（键长3.4 Å，采用Parity映射和削减）的测试中，虽然有最好的种子达到了化学精度，但其对初始化表现出敏感性，存在一个高误差的局部解。在键拉伸的LiH-6几何下，无论是否使用Jordan-Wigner或Parity映射，性能均显著下降，无法达到化学精度。
   • 影响：这种局限性表明，该Ansatz在量子比特表示保留直接占据数解释（如Jordan-Wigner映射）且电子态不被强键拉伸关联（通常需要更多非局域纠缠）主导的情况下表现最好。当映射方式改变（如Parity映射）或体系进入强关联区域时，其“化学可解释性”的优势可能减弱，导致性能下降。

3. 无噪声模拟环境：

   • 局限性：本文所有结果均基于无噪声的稠密态模拟。这意味着未考虑实际量子硬件中固有的噪声、退相干和门误差。
   • 影响：在真实硬件上，这些噪声会显著降低算法性能，导致能量误差增加和保真度下降。因此，本文的高精度结果是理想情况下的表现，与实际硬件性能可能存在差距。
   • 未来工作：将该Ansatz在有噪声模型或实际硬件上进行评估，将是验证其在NISQ设备上实用性的关键一步。

4. 固定拓扑的潜在限制：

   • 局限性：虽然“固定拓扑”是本文的显著优势，避免了复杂的架构搜索，但这也意味着Ansatz的结构是预设的，可能不是针对特定分子或特定哈密顿量的“最优”紧凑电路。QAS方法的优势在于能够针对每个具体问题发现定制化的、更紧凑的电路。
   • 影响：这种固定性可能导致在某些情况下（尤其是未来扩展到更大体系时），Ansatz的效率不如通过搜索获得的特定优化电路。

5. 优化敏感性：

   • 局限性：尽管LiH-6和H2O-8的六个种子表现出高鲁棒性，但LiH-4压力测试显示出对初始化的敏感性，存在局部最优解。
   • 影响：这意味着在某些问题上，仅依赖Adam优化和单一启动可能无法始终找到全局最优解，可能需要更复杂的优化策略（如多次重启、更先进的优化器或结合其他优化技术）。

6. Stiefel流形的利用方式：

   • 局限性：论文指出，Stiefel流形在此处主要作为一种“坐标组织原则”和几何解释，而非直接用于黎曼优化算法。计算本身仍是传统变分优化。
   • 影响：未充分利用Stiefel流形的黎曼几何结构可能限制了优化过程的效率和收敛性。将黎曼优化算法与这种几何视图相结合，可能会带来性能提升。
   • 未来工作：探索直接在Stiefel流形上进行黎曼优化，可能为更高效地导航参数空间提供途径。

总的来说，本文为VQE Ansatz设计提供了一个有价值的“搜索自由”参考点，尤其是在近平衡态、Jordan-Wigner映射的分子体系上表现出色。然而，其在资源成本、泛化能力（特别是强关联和非直观映射）以及在噪声环境下的表现仍有待进一步探索和优化。

5. 其他你认为必要的补充

5.1 本文的更广泛影响与科学意义

本文提出的Givens-交换Ansatz不仅仅是一个具体的VQE电路设计，其背后蕴含的理念对量子化学和量子计算领域具有更广泛的深远影响：

1. 可重现性的典范：在量子算法研究中，尤其是在涉及复杂优化和随机初始化的VQE中，结果的可重现性往往是一个挑战。本文通过发布所有哈密顿量、参数、结果数据以及用于生成图表和表格的脚本，为高水平的科研透明度和可重现性树立了典范。这使得其他研究人员能够独立验证其发现，促进了科学共同体的信任和进展。

2. 固定拓扑与无需搜索的价值：当前的量子架构搜索（QAS）方法虽然能够发现紧凑电路，但其过程通常计算成本高昂，需要重复的电路构建、参数优化和策略更新。本文通过展示一个固定拓扑的Ansatz能够在无需任何架构搜索的情况下达到化学精度，提供了一个重要的替代方案。这对于快速原型开发、建立性能基线以及将精力集中在参数优化而非电路结构搜索上具有重要意义。在资源有限或时间紧迫的场景中，这种“搜索自由”的Ansatz具有显著优势。

3. 可解释性与化学直觉：硬件高效Ansatz通常缺乏直观的化学解释，而化学启发式Ansatz（如UCCSD）可能过于深。Givens旋转作为单激发操作，与轨道旋转和粒子数守恒具有直接联系，这使得Givens-交换Ansatz在Jordan-Wigner占据编码下具有明确的化学可解释性。这种可解释性有助于科学家理解电路行为，并指导未来的设计，而不仅仅是黑箱优化。

4. 基准与比较标准：本文的高精度结果，尤其是在LiH-6和H2O-8上优于现有QAS方法的平均误差，使其成为一个有价值的基准点。未来的QAS方法或其他Ansatz设计可以以此作为比较目标，评估其在精度和资源之间的权衡。这种标准化的比较对于推动领域发展至关重要。

5. Stiefel流形的几何洞察：将Ansatz的演化视为Stiefel流形上的有序轨迹，提供了更深层的几何洞察。即使不直接进行黎曼优化，这种视角也有助于理解Ansatz的结构化特性，并可能启发未来在流形上进行更高效优化的方法。

5.2 未来工作方向的展望

论文中明确指出了几个未来研究和开发的关键方向，它们将进一步提升Givens-交换Ansatz的性能和实用性：

1. 优化交换图与汉密顿量信息利用：

   • 当前Ansatz使用“全对”Givens交换模式，这意味着对所有可能的量子比特对都应用了交换操作。未来工作的一个重要方向是根据分子哈密顿量本身的结构，选择一个“汉密顿量信息驱动的子集”来减少交换对的数量。文章中给出的Eq. (16) $A_{ij} = \sum_{\mu: P_{\mu i} \neq I, P_{\mu j} \neq I} |h_\mu|$ 提供了一个量化量子比特对 $i, j$ 在哈密顿量中共同出现强度的分数。通过优先选择那些在分子哈密顿量中共同出现强度高的量子比特对，可以显著减少电路中Givens宏的数量，从而可能降低资源成本，同时保持甚至提升精度。
   • 更具化学特异性的对选择分数，例如仅考虑hopping-like的XX、YY或混合激发相关的项，可以进一步优化电路结构。

2. 原生门编译与重新优化：

   • 如前所述，Givens宏不是硬件原生门。将保留的Givens宏和Ry旋转编译到量子硬件的原生门（如CNOT和单比特旋转门）基底，是降低实际电路深度和门数量的关键一步。编译后，需要对编译后的电路参数进行重新优化，以弥补编译过程中可能引入的近似误差，确保在硬件层面的最优性能。
   • 这将有助于直接比较Givens-交换Ansatz与QAS方法在实际硬件资源（如CNOT深度）上的表现。

3. 扩展到更大规模的体系：

   • 本文主要在4-8个量子比特的小型分子体系上进行验证。将该方法扩展到更大的分子体系，将面临新的挑战，如参数数量的增加、贫瘠高原问题以及模拟成本的上升。
   • 结合量子比特削减、活动空间选择等技术，可能有助于在不增加过多资源的情况下扩展到更大体系。

4. 噪声鲁棒性研究：

   • 目前的结果是在无噪声模拟中获得的。未来的工作应评估Givens-交换Ansatz在模拟或实际噪声环境下的性能，并探索提高其噪声鲁棒性的策略，例如错误缓解技术或与噪声自适应优化方法的结合。

5. 深化Stiefel流形的应用：

   • 目前Stiefel流形主要用于提供几何解释。未来可以探索直接在Stiefel流形上进行黎曼优化算法，这可能提供更高效、更稳定的参数更新路径，避免局部最小值，并利用参数空间的内在几何结构。

5.3 技术细节补充

• Adam 优化器：Adam（Adaptive Moment Estimation）是一种自适应学习率优化算法，结合了AdaGrad和RMSProp的优点。它为每个参数计算自适应学习率，并存储历史梯度平方的指数加权平均值以及历史梯度的一阶矩（均值），从而在不同参数上调整学习率。这使得Adam在处理稀疏梯度和非平稳目标时表现良好，非常适合VQE这类在复杂非凸景观中寻找最小值的任务。其默认的学习率0.05通常是一个合理的起点。

• 对角基初始化：Ansatz的起始态 $|b_0\rangle$ 选择为哈密顿量对角元素中期望值最低的计算基态。这种“启发式”初始化策略旨在将优化过程引导到一个相对接近基态的区域，从而提高优化效率和收敛速度，尤其是在变分景观中存在多个局部最小值时。

• 与VQE其他Ansatz的定位：本文的Givens-交换Ansatz在VQE Ansatz家族中占据了独特的定位。它不是完全的化学启发式（如UCCSD）那样深度，也不是完全的硬件高效式那样缺乏化学意义。它介于两者之间，通过引入结构化的Givens交换操作，提供了一种“中等深度”且具有化学可解释性的Ansatz。它为VQE设计提供了第三条路径，即在特定物理先验指导下的固定拓扑结构，与完全的手动设计（如UCCSD）或完全的机器学习搜索（如QAS）形成对比。

5.4 作者贡献与致谢

论文的作者贡献部分清晰地列出了每位作者在概念化、方法论、软件开发、基准设计、数据管理、结果解释和论文撰写方面的具体职责，这体现了科研合作的严谨性。值得注意的是，作者明确提到了OpenAI的ChatGPT和Anthropic的Claude在编辑草稿和一致性检查方面的协助。这不仅展示了人工智能辅助科研写作的趋势，也反映了作者对透明度和责任的承诺，强调最终科学内容和决策仍由人类作者负责。

5.5 总结

本文通过引入一种无需架构搜索的Givens-交换Ansatz，为分子VQE提供了一个准确、可重现且化学可解释的基准解决方案。尽管在资源效率和特定问题场景下存在局限性，但其在无噪声模拟中的高精度表现和“搜索自由”的特性，使其成为量子化学计算领域中一个重要的新方向。未来的研究将集中于优化电路结构、原生门编译以及噪声鲁棒性，以期将该方法推向更广泛的实用应用。