来源论文: https://arxiv.org/abs/2606.20519v1 生成时间: Jun 19, 2026 07:01

执行摘要

因果关系是物理学和信息科学的基础。传统的物理学观点认为，事件必须在确定且固定的时空因果顺序（Causal Order）下发生。然而，量子力学与广义相对论的结合暗示，在极高能量尺度或量子引力效应下，时空度规本身可能处于叠加态，从而导致“不确定因果顺序”（Indefinite Causal Order, ICO）的出现。过程矩阵（Process Matrix）形式化方法（PMF）应运而生，它提供了一种不依赖于全局时空背景、仅基于局部量子力学和逻辑自洽性的理论框架，用于描述非确定因果顺序下的量子关联。

为了量化和探测这种非因果关联，学术界引入了“因果博弈”（Causal Games）。其中最著名的代表是“猜邻居输入博弈”（Guess-Your-Neighbour’s-Input, GYNI）。在经典的或因果可分（Causally Separable）的策略下，GYNI 游戏的获胜概率上限为 $1/2$。然而，利用具有不确定因果顺序的过程矩阵，量子参与者可以突破这一限制。目前已知的最佳局部维度 $d=5$ 策略可以达到 $\approx 0.6218$ 的获胜概率，而理论上的维度无关 Tsirelson 极限上界为 $0.7592$。为了探寻是否可以通过提高通道的局部维度 $d$ 来逼近这一理论上界，我们需要解决极大规模的非凸全局优化问题，该优化通过“跷跷板”（See-Saw）启发式算法交替进行半正定规划（Semidefinite Programming, SDP）求解。

当局部维度 $d$ 增大时，SDP 变量的维度以 $d^4$ 的速度呈指数级暴涨。传统的基于 CPU 内存和内点法（Interior-Point Methods）的 SDP 求解器（如 MOSEK）在面对大维度复数矩阵时会遭遇严重的内存瓶颈和计算速度瓶颈。本工作由 Emanuel-Cristian Boghiu 和 Kyrylo Simonov 提出，他们开发了一种定制的、基于 GPU 加速的一阶算子分裂半正定规划求解器（基于 SCS 算法框架）。通过利用 Python 的 JAX 库，他们将计算核心——复厄米特半正定锥投影（Spectral Projection onto Positive-Semidefinite Cone）——完全移交至 GPU 进行。同时，利用过程矩阵理论中广义 Gell-Mann 基的规范正交性，将复杂的仿射投影运算简化为闭合公式。结合单双精度混合迭代策略，在 $d=8$ 的极高维度下实现了相较于传统 CPU 求解器达 6 倍的端到端计算加速。本项工作不仅在量子信息基础理论上给出了高维 GYNI 博弈的最新数值极限，其所开发的通用复数半正定规划 GPU 加速架构，对于量子化学中变分二阶降低密度矩阵（v-2RDM）理论、量子多体自旋链的基态搜索等高维 SDP 优化问题同样具有重大的方法学启示和技术推广价值。

1. 核心科学问题、理论基础与方法细节

1.1 核心科学问题：量子因果关联的极限与维度依赖性

在非确定因果顺序框架下，多方（如 Alice 和 Bob）在各自的局部实验室中执行标准的量子操作，但他们之间传递系统所经过的时空通道并非固定。过程矩阵 $W$ 描述了所有这些局部操作之间的量子关联。因果博弈（Causal Games）通过定义一个平均收益函数来定量测试因果不等式的违背程度。对于 GYNI 博弈，其获胜概率（收益函数）定义为：

其中 $x,y \in \{0,1\}$ 为 Alice 和 Bob 的二进制输入，$a,b \in \{0,1\}$ 为两者的二进制输出。博弈获胜的条件是 Alice 猜对 Bob 的输入（$a=y$）且 Bob 猜对 Alice 的输入（$b=x$）。在任何确定或随机混合的经典因果顺序下，$\omega^{\text{GYNI}} \le 1/2$。

在过程矩阵 $W$ 的辅助下，Alice 和 Bob 可以构建非因果行为。然而，目前已知的最大获胜概率 $\omega^{\text{GYNI}} \approx 0.6218$ 是在 $d=5$ 时取得的。本工作的核心科学问题是：通过进一步增加局部实验室的物理维度 $d$（如 $d=6, 7, 8$），因果不等式的违背值是否会单调上升并逼近 $0.7592$ 的理论无条件上界？还是说过程矩阵形式本身存在某种固有的结构限制，使得最优解在低维度就已经饱和？

要回答这一问题，必须在极高的局部维度下进行高精度数值搜索。这在计算数学上面临巨大的挑战。

1.2 理论基础：过程矩阵形式与 Choi 表示法

为了对局部实验室的操作进行严谨的数学刻画，引入 Choi-Jamiołkowski 同构。一个将输入空间 $\mathcal{H}_i$ 映射到输出空间 $\mathcal{H}_o$ 的完全正迹不增加（CPTNI）映射 $\Lambda_{a|x}$ 可以表示为如下厄米特算子（Choi 算子）：

对于给定的输入 $x$，一组算子 $\{C_{a|x}\}_a$ 构成一个量子仪器（Quantum Instrument），如果它们满足半正定性 $C_{a|x} \succeq 0$ 且迹保存条件（Trace-Preserving, TP）：

过程矩阵 $W$ 是作用在所有参与方输入输出空间张量积上的算子：$W \in \mathcal{L}(\mathcal{H}_{A_i} \otimes \mathcal{H}_{A_o} \otimes \mathcal{H}_{B_i} \otimes \mathcal{H}_{B_o})$。广义 Born 规则定义了联合条件概率分布：

为了保证对于所有合法的局部仪器所得的 $p(ab|xy)$ 都是一个合法的概率分布，过程矩阵 $W$ 必须满足：

1. 非负性条件（半正定性）：当允许参与者与外部辅助纠缠系统共享状态时，该条件等价于 $W \succeq 0$。
2. 归一化条件：其必须处于由系统定义的合法仿射子空间内，该仿射子空间由投影算子 $P_{\text{proc}}[W] = W$ 刻画，且满足迹条件 $\text{tr}[W] = d_{A_o} d_{B_o}$。

1.3 技术难点：超大规模非凸跷跷板优化与半正定变量的暴涨

联合优化问题式 (C1) 是关于变量 $W$、$\{C_{a|x}\}$ 和 $\{C_{b|y}\}$ 的非凸多线性问题。标准的求解策略是跷跷板算法（See-Saw Algorithm）：

• 步骤 1：固定仪器 $\{C_{a|x}\}$ 和 $\{C_{b|y}\}$，优化过程矩阵 $W$，这是一个标准的半正定规划（SDP）问题。
• 步骤 2：固定 $W$ 和 $\{C_{b|y}\}$，单独优化 Alice 的仪器 $\{C_{a|x}\}$，这也是一个 SDP 问题。
• 步骤 3：固定 $W$ 和 $\{C_{a|x}\}$，单独优化 Bob 的仪器 $\{C_{b|y}\}$，同理为 SDP 问题。

不断交替这三步直到收益函数 $\omega^{\text{GYNI}}$ 收敛。

然而，当局部系统输入与输出维度均为 $d$ 时，$W$ 作用的希尔伯特空间总维度为 $d^4$。因此，$W$ 的矩阵大小为 $d^4 \times d^4$。下表展示了随着 $d$ 的增加，矩阵尺寸以及独立实参数的指数暴涨：

对于 $d=8$，$W$ 是一个作用在 $4096 \times 4096$ 复数厄米特矩阵空间上的变量。在如此大的尺度下，传统的二阶内点法求解器（如 MOSEK）每次迭代计算 Newton 步长都需要对大小为 $O(N_{\text{vars}}^2)$ 的大稠密 Schur 补矩阵进行 Cholesky 分解（其复杂度高达 $O(N_{\text{vars}}^3)$），不仅内存溢出，而且计算时间无法承受。

1.4 方法细节一：基底选择与子空间压缩（Gell-Mann 基）

为了避免显式求解海量的仿射约束，本工作引入了一种高度经济的无迹规范基（Allowed-Basis）参数化方案。采用广义 Gell-Mann（GGM）矩阵基底 $\{\sigma^X_\alpha\}_\alpha$ 作为局部实验室算子的基：

其余的 $\sigma^X_i \ (i \ge 1)$ 为无迹厄米特算子，满足正交归一性 $\text{tr}[\sigma^X_\alpha \sigma^X_\beta] = \delta_{\alpha\beta}$。由此，Alice 和 Bob 空间的张量积基底自然被划分为三大扇区：

1. Baseline 扇区 (B)：对应于全恒等算子分量。
2. Effect-like 扇区 (E)：在输入端有非平凡算子，但在输出端为恒等算子分量。充当因果渠道的“接收端”。
3. Transformation-like 扇区 (T)：输出端具有非平凡算子。充当因果渠道的“发送端”。

通过对投影算子 $P_{\text{proc}}$ 的代数结构进行严格解析，作者证明，在 bipartite（双分）场景下，任何合法的过程矩阵 $W$ 必须不包含任何以下形式的基底分量：

• 发送端（T）在 Alice 处，而 Bob 处为 Baseline 扇区。
• 发送端（T）在 Bob 处，而 Alice 处为 Baseline 扇区。
• 两侧同时为发送端，但没有对应的接收端（E）进行自洽闭合。

具体而言，合法过程矩阵所允许的无迹实参数基底集合 $\mathcal{I}$ 的大小（即过程矩阵子空间的维度）为：

通过仅在这些允许的无迹基底 $\{F_\mu\}_{\mu \in \mathcal{I}}$ 上展开过程矩阵：

我们自动满足了所有的仿射投影约束与迹归一化条件，从而将 SDP 问题 (B25) 转换为无等式约束的半正定优化问题，其唯一的约束为 $W \succeq 0$。这消除了数十万个仿射约束的显式计算！

1.5 方法细节二：GPU 加速的定制版算子分裂求解器 (SCS)

即使将问题简化为无约束，我们在每次迭代中依然需要对一个尺寸为 $4096 \times 4096$ 的复厄米特矩阵 $W$ 进行半正定半轴投影。本工作基于一阶交替方向乘子法（ADMM）框架的 SCS 求解器进行二次开发。在标准 SCS 中，优化问题被转换为齐次自对偶嵌入（Homogeneous Self-Dual Embedding）形式：

其迭代格式可分解为两核心步骤：

1. 仿射投影步 (Affine Projection)：对线性约束空间 $Q = \{(u,v) : Qu = v\}$ 进行欧氏投影。
2. 锥投影步 (Cone Projection)：投影到正定锥 $\mathcal{C} \times \mathcal{C}^*$ 上。

仿射投影的闭合简化

在标准的仿射投影步骤中，需要求解线性方程组。通常这需要迭代求解器（如共轭梯度法 CG）。然而，作者发现由于他们选用的 GGM 矩阵基底 $\{F_\mu\}$ 是严格正交归一的，这导致系统的关联矩阵具有完美的性质：

因此，该仿射投影线性系统式 (D30) 可以直接得到解析闭合解，完全规避了 CG 迭代：

这一发现大幅度降低了仿射投影的计算开销。所有的线性映射 $A$ 和 $A^\top$ 可以通过 JAX 的高弹性 einsum（张量收缩）在不显式构建大稀疏矩阵的情况下快速完成。

GPU 加速复半正定半轴投影

锥投影步 $\Pi_{\mathcal{C}}$ 是 SCS 算法中绝对的算力黑洞。对于 Hermitian 矩阵 $W$，此投影等价于将其进行谱分解 $W = U D U^\dagger$，并将所有负特征值截断置零：

在标准 SCS 中，此步骤在 CPU 上完成。作者使用 Python 的 JAX 框架 重写了这一步骤，并将其完全离线（Offload）至 NVIDIA GPU。其实现支持单精度（complex64）和双精度（complex128）的自适应动态切换：在优化初期使用更快速的单精度进行广泛的地貌探测，在接近收敛时自动切换为双精度进行高精度微调。这带来了显著的计算吞吐量增长。

2. 关键 Benchmark 体系与性能数据

2.1 GYNI 因果博弈数值解（维度依赖性）

作者利用实现的 GPU 跷跷板算法对局部维度 $d=2$ 至 $d=8$ 的情况进行了极其详尽的数值搜索。每个维度都使用了长达等效一个月的单卡挂钟时间进行充分的随机初始化重启，以确保能跳出局部极小值。优化计算所得的 GYNI 最大获胜概率 $\omega^{\text{GYNI}}$ 数据如表 I 所示：

物理结论分析：

1. 超越前人结果：在 $d=4$ 的情况下，本工作利用高强度的全局数值搜索，找到了一个获胜概率为 $0.6217$ 的新策略，优于前人报道的 $0.6201$。这表明即使在较低维度下，非凸优化地貌依然极具挑战性，需要充足的随机重启。
2. 物理饱和现象：当维度 $d \ge 5$ 时，获胜概率在 $0.6219$ 附近发生了极为明显的平台化饱和。即使将维度提升到 $d=8$，增加的自由度并没能使获胜概率跨越式逼近理论上限 $0.7592$。这强烈暗示：要么现有的 Tsirelson-type 上界本身不够紧，存在因果自洽性之外的更深层次物理约束；要么需要寻找与现有量子策略在拓扑和代数结构上截然不同的因果机制。

2.2 特征值分解（Eigendecomposition）性能 Benchmark

由于算法的瓶颈在于特征值分解，作者对 NumPy (CPU) 与 JAX (GPU, 在 NVIDIA Tesla T4 上运行) 在复数特征值分解上的耗时进行了直接对比（表 III）：

• 对于低维度 $d \le 3$，由于 GPU 的启动延迟（Launch Overhead）以及 CPU-GPU 之间的数据搬运（Data Transfer）开销占主导，NumPy 略胜一筹。
• 在 $d=4$ 处两者达到性能均势（约 0.032 秒）。
• 自 $d \ge 5$ 开始，GPU 的高并行优势显现。在最大维度 $d=8$（特征值分解变量维度为 $4096 \times 4096$）时，NumPy CPU 需要 136.10 秒，而 JAX GPU（双精度）仅需 6.33 秒。这实现了 21.5 倍的算子级加速！如果选用单精度进行计算，则耗时进一步缩短至 1.21 秒。

2.3 端到端（End-to-End）系统性能评估

不仅在孤立算子上，在耦合了仿射投影、Anderson 加速和收敛判定等复杂外围控制后的完整系统表现（表 IV）同样令人瞩目：

+---------+--------+-------+--------------------+------------+
| 维度 d  |  维度 n|  Iter |     SCS (CPU)      | Ours (GPU) |
+---------+--------+-------+--------------------+------------+
|    2    |     16 |   250 |       37 ms (76%)  |     3.7 s  |
|    3    |     81 |   250 |      577 ms (89%)  |     3.4 s  |
|    4    |    256 |   275 |        7.1 s (91%) |     7.1 s  |
|    5    |    625 |   275 |       66.4 s (93%) |      21 s  |
|    6    |   1296 |   300 |    8.5 min (95%)   |   2.1 min  |
|    7    |   2401 |   300 |   47.6 min (97%)   |   9.9 min  |
|    8    |   4096 |   300 |       4.4 h (99%)  |    44 min  |
+---------+--------+-------+--------------------+------------+

(注：百分比表示标准 CPU 版 SCS 中特征值半正定半轴投影占总运行时间的比例，可以看出，随着维度增加，投影占比迅速逼近并锁定在 99% 以上)

在 $d=8$ 下求解一个因果游戏过程矩阵优化，传统的 CPU 定制求解器需要 4.4 小时，而本工作开发的 GPU 求解器仅需 44 分钟，端到端加速比高达 6 倍。这对于需要成千上万次随机重启的跷跷板启发式搜索来说，是可行与不可行之间的质变。

3. 代码实现细节与复现指南

3.1 开源仓库与核心软件依赖关系

本工作的开源代码库托管于 GitHub：

• JAX-SCS 定制求解器仓库：https://github.com/ecboghiu/ico-jax-scs
• 梯度法联合优化探索仓库：https://github.com/ecboghiu/ICOJax

核心技术架构基于以下开源软件包：

1. Python 3.10+
2. JAX (支持利用 jax.numpy、jax.jit 实现自动硬件即时编译与 GPU 调度)
3. CVXPY (用于在 CPU 端快速原型化和解决参与方局部仪器的 SDP 优化问题)
4. MOSEK (高效的高阶内点法求解器，充当局部仪器的子求解器以及低维度的基准线对比)

3.2 复现指南与核心逻辑骨架

以下是一个基于作者思路的简化核心 Python 逻辑骨架，用于展示如何利用 JAX 实现复厄米特矩阵的 GPU 半正定半轴投影：

import jax
import jax.numpy as jnp

# 强制启用双精度 (JAX 默认启用单精度)
jax.config.update("jax_enable_x64", True)

@jax.jit
def gpu_psd_projection(W_matrix):
    """
    将一个复厄米特矩阵投影至半正定锥。
    完全运行在 GPU 上，经过 JIT 编译。
    """
    # 1. 执行厄米特矩阵特征分解
    # eigh 保证返回实数特征值和正交归一的复特征向量
    eigenvalues, eigenvectors = jnp.linalg.eigh(W_matrix)
    
    # 2. 将负特征值截断为零 (半正定投影)
    clipped_eigenvalues = jnp.maximum(eigenvalues, 0.0)
    
    # 3. 重构复厄米特矩阵
    # W_proj = U * diag(D_clipped) * U^H
    W_proj = eigenvectors @ (clipped_eigenvalues[..., None] * eigenvectors.conj().T)
    
    return W_proj

# 示例：构造一个非正定的复厄米特矩阵并调用 GPU 投影
if __name__ == "__main__":
    key = jax.random.PRNGKey(42)
    # 随机生成复厄米特矩阵 
    size = 1024
    real_part = jax.random.normal(key, (size, size))
    imag_part = jax.random.normal(key, (size, size))
    complex_matrix = real_part + 1j * imag_part
    hermitian_matrix = complex_matrix + complex_matrix.conj().T
    
    # 投影
    projected_matrix = gpu_psd_projection(hermitian_matrix)
    
    # 检查非负性
    min_eig = jnp.linalg.eigvalsh(projected_matrix).min()
    print(f"投影后矩阵的最小特征值: {min_eig:.6e} (应非负)")

对于想要复现完整跷跷板优化的研究人员，首先需要使用仿射变换和 GGM 基底将物理约束编码为 $A$ 矩阵，接着使用 ico-jax-scs 求解 $W$ 的半正定性。为了确保自洽性，收敛后的结果应利用代码库自带的 post-processing 脚本，将产生的过程矩阵与完全平凡过程矩阵 $W_{\text{triv}} = \gamma \mathbb{1}$ 进行极微量的凸混合：

以保证其在机器双精度下 $W \succeq 0$ 严格成立，从而排除任何由于数值残差导致的因果不等式“假阳性”违背。

4. 关键引用文献与局限性评论

4.1 关键引用文献

本工作建立在以下里程碑式的量子因果研究之上：

• [54] Oreshkov, Costa, and Brukner, Nat. Commun. 3, 1092 (2012)：奠基性工作，首次提出了过程矩阵形式，打破了全局因果顺序的限制。
• [55] Branciard, Araújo, Feix, Costa, and Brukner, New J. Phys. 18, 013008 (2015)：首次设计了因果博弈（GYNI），并利用 CPU 上的跷跷板 SDP 算法寻找到了 $d=5$ 时 $\approx 0.6218$ 的最佳结果。
• [58] Z. Liu and G. Chiribella, Nat. Commun. 16, 3314 (2025)：给出了目前最强的、不依赖于局部维度的物理因果不等式 Tsirelson-type 上界（$0.7592$），这是本工作试图逼近的理论终极目标。
• [68] B. O’Donoghue, E. Chu, N. Parikh, and S. Boyd, J. Optim. Theory Appl. 169, 1042-1068 (2016)：SCS（分裂锥求解器）的原始理论论文，奠定了一阶 ADMM 求解大规模锥规划的基础。

4.2 局限性评论

尽管本项工作在计算工程和量子信息基础理论上取得了非常显著的进展，但从更广泛的物理与计算数学角度来看，依然存在以下几个局限性：

1. 非凸优化的地貌陷阱未从根本上解决：跷跷板算法实质上是一种坐标下降法（Coordinate Descent）。尽管作者实现了 GPU 端的大幅度物理加速，使得他们可以执行更大规模的随机重启，但这依然不能改变其“无法保证收敛到全局最优点”的本质。在 $d \ge 6$ 的极大搜索空间中，由于势垒重重，算法陷入局部极小值的概率成倍增加。作者无法提供数学证明来阐明：获胜概率在 $0.6219$ 处的平台究竟是真正的全局最优物理限制，还是由于大维度下跷跷板算法搜索效能急剧退化导致的数值假象。
2. 对 GPU 硬件能效比的依赖：由于使用了 Python 的 JAX 高层封装，算法逻辑的串行控制部分（如 Anderson 加速、收敛状态机判定以及与 CPU 端 CVXPY 局部仪器 SDP 的数据交互）存在显著的 Python 解释器开销（Interpreted Overhead）。如作者在附录 D 中坦言，当运行在 CPU 上时，他们的 Python 实现比原生 C 语言版的 SCS 慢了约 2 倍。这种软件栈带来的延迟完全被 GPU 特征分解的巨大加速所掩盖，但在更小尺度或者 CPU 算力有限的情况下，该求解器的能效比并不占优势。
3. 缺乏对因果物理图像的直观解释：数值研究表明维度提升没能带来收益的跨越，这是一个有趣的物理现象。然而本工作完全专注于数值优化算法的设计，并没有为这种“维度平台现象”提供令人满意的物理或数学机制解释（例如：是否是因为 GYNI 博弈的内在对称性天然限制了辅助维度的有效参与？）。

5. 技术探讨与补充：量子化学中的交叉应用——变分二阶降低密度矩阵（v-2RDM）

虽然本论文是一篇针对量子基础物理（因果博弈）的工作，但作为一个面向量子化学和物理计算的科研工作者，我们不难发现，其核心开发的“基于 GPU 加速的复数半正定锥投影”和“定制化一阶 SDP 求解器”的技术路线，与现代量子化学中备受瞩目的变分二阶降低密度矩阵（v-2RDM）方法具有极其完美的科学交叉性。

5.1 什么是 v-2RDM 方法？面临怎样的 SDP 瓶颈？

在传统多电子量子化学中，精确描述电子关联需要构建极其庞大的完全活性空间自洽场（CASSCF）或全组态相互作用（FCI）波函数，其维度随着活性空间轨道数 $N$ 呈指数暴涨。然而，由于电子哈密顿量仅包含单体和双体算子，体系的基态能量完全由**二阶降低密度矩阵（2-RDM）**唯一决定：

变分 2-RDM（v-2RDM）方法主张直接以 $D^{(2)}$ 作为基本变量进行变分优化以搜索基态能。然而，为了确保所得的 $2-\text{RDM}$ 对应于一个真实存在的 $N$ 电子波函数，其必须满足** $N$ 代表性条件（$N$-representability Conditions）**。这些条件在数学上表现为一组极其严苛的矩阵半正定性约束，统称为 $P$、$Q$、$G$ 条件：

这里的 $Q^{(2)}$ 和 $G^{(2)}$ 通过固定的线性（仿射）重组关系与 $D^{(2)}$ 关联。因此，变分 2-RDM 的数学本质是：**在满足一系列仿射等式约束（如粒子数守恒、自旋对称性）以及多个大尺寸复数矩阵（双电子激发态空间）半正定约束下，最小化一个线性目标函数（体系能量）。**这与本论文所处理的过程矩阵 SDP 问题具有完全一致的数学结构！

在 v-2RDM 中，当活性空间轨道数增加时，$D^{(2)}$ 的矩阵尺寸和 $G$ 条件的半正定块大小将迅速达到 $10000 \times 10000$ 以上。这同样是传统内点法求解器的绝对禁区。

5.2 本文方法对变分 2-RDM SDP 优化的启示

将本文的 JAX-SCS 一阶 GPU 求解器框架推广至量子化学 v-2RDM 领域，具有以下极具前景的技术路径：

1. 复数厄米特半正定锥投影的直接平移：在含有自旋轨道耦合或磁场响应的量子化学计算中，2-RDM 是一对复厄米特矩阵。本文所开发的 gpu_psd_projection 能够直接、高效地应用在 $P, Q, G$ 矩阵的联合半正定锥投影中。多个独立的半正定条件（$P, Q, G$ 分块）在 GPU 上可以进行高并发的并行分解。
2. 算子分裂（SCS）对中等精度化学计算的完美匹配：变分 2-RDM 方法通常不需要像 FCI 那样达到机器极限量级的精度，化学精度（Chemical Accuracy, $\approx 1 \text{ kcal/mol} \approx 1.6 \times 10^{-3} \text{ Hartree}$）就已足够。传统的内点法会为了追求多余的高精度而浪费巨大的计算资源。而基于一阶 ADMM 框架的 SCS 求解器非常善于在极短的时间内快速达到“中等精度”（$10^{-4}$ 到 $10^{-5}$），这正契合了量子化学关联能计算的精度需求区间。
3. 混合精度策略在自洽迭代中的应用：在 v-2RDM 优化的前中期自洽迭代中，可以完全启用 complex64 单精度特征值分解，从而在 GPU 上获得数十倍的计算通量；只有在最后几个收敛步中，才切入双精度 complex128。这种混合精度控制将使得超大活性空间（例如过渡金属活性中心、多核铁硫簇复合物）的 2-RDM 计算在廉价的消费级 GPU（如 RTX 4090）甚至高性能算力卡（如 NVIDIA H100）上得以常规化开展。

综上所述，虽然这篇论文诞生于量子引力与因果关联基础物理的研究，但其在复数半正定规划 GPU 一阶加速领域的优秀工程实践，为量子化学多体物理的算法演进提供了一剂极其强效的助推剂。对于致力于高维矩阵变分优化的科研人员来说，这是一个非常值得深入阅读和复刻的优秀范本。