来源论文: https://arxiv.org/abs/2606.30402v1 生成时间: Jun 30, 2026 00:47

融合包层熔盐量子计算：FLiBe 中氚结合能的量子-经典混合方法深度解析

0. 执行摘要

核聚变作为一种潜在的清洁能源，其实现路径中一个关键挑战是如何在包层材料中有效繁殖和回收氚。本研究深入探讨了氟化锂铍（FLiBe）熔盐中氚（T）结合能的计算问题，这对于预测氚物种形成（speciation）至关重要。预测这些复杂的离子-共价体系的氚物种形成需要精确的电子基态能量，而这正是传统量子化学方法面临的严峻挑战，尤其是在处理电子相关效应时。为了克服这一挑战，研究团队首次展示了一种异构量子-经典混合计算工作流在 FLiBe 熔盐中氚结合问题上的应用。该工作流的核心是嵌入式波函数（EWF）方法和扩展采样量子对角化（ext-SQD）技术。EWF 方法通过将大分子团簇分解为更小的原子中心片段，并构建包含单粒子纠缠的浴轨道来处理环境效应。而 ext-SQD 则利用量子处理器（如 IBM Heron r3）生成候选电子构型，然后通过经典后处理进行子空间对角化，从而高效地求解片段基态能量和约化密度矩阵。

研究结果显示，对于中性 FLiBe 团簇的构象能量，异构量子-经典工作流在片段基态能量求解方面与经典全组态相互作用（FCI）结果的平均绝对偏差仅为 0.3 kcal/mol，最大偏差不超过 0.7 kcal/mol。这一结果证明了 ext-SQD 在有噪声量子硬件上对带电离子体系片段进行高精度求解的能力。然而，在团簇和氚结合能的绝对值方面，与全分子计算相比，嵌入式方法表现出约 12 kcal/mol 和 110 kcal/mol 的平均偏差。这表明碎片化近似，而非片段求解器的精度，是当前研究中主要的算法偏差来源。尽管存在这些挑战，本研究的成功应用为未来通过量子计算实现核聚变包层中氚物种形成自由能的预测性模拟奠定了基础，并指明了未来改进量子嵌入方法和集成人工智能元素的关键方向。此外，该工作流的计算资源分析显示，与传统经典 FCI 计算相比，量子-经典混合方法在 GPU 节点小时数上实现了数量级的显著降低，体现了其在处理大规模复杂化学问题上的潜力。本研究的突破性工作不仅为核聚变能源研究提供了关键工具，也为量子化学领域的更广泛应用开辟了道路。

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

本研究的核心科学问题在于精确预测核聚变反应堆包层材料中氚的物种形成（tritium speciation）。熔盐，特别是 FLiBe (2LiF-BeF2)，被认为是用于繁殖和回收氚的关键包层材料。在核聚变反应堆中，锂同位素（通常是⁶Li）在受到高能中子的轰击后会裂变为氦（⁴He）原子和氚（T⁺）离子。精确了解氚在 FLiBe 熔盐中的化学行为，包括其与熔盐组分的结合能和扩散动力学，对于优化氚的生产和回收效率至关重要。如果不能有效回收氚，将直接影响核聚变反应堆的燃料自给能力和经济可行性。现有密度泛函理论（DFT）等传统计算方法在处理 FLiBe 这种具有显著离子和部分共价特征的复杂体系时，常常在预测氚亲和力方面存在约 10% 的误差，这使得其预测能力受到质疑。因此，开发更高精度、能够捕获强电子相关效应的计算方法变得迫切。

1.2 理论基础

本研究建立在多体量子化学理论和量子信息科学的交叉点上。其主要理论基础包括：

1. 电子相关理论： FLiBe 熔盐的离子和部分共价键合特性，以及氟离子（F⁻）较大的极化率，导致其电子结构中存在显著的电子相关效应，特别是长程色散相互作用。准确描述这些效应对于计算精确的基态能量至关重要。全组态相互作用（FCI）被认为是精确求解电子薛定谔方程的“黄金标准”，但其计算成本随体系规模呈指数级增长。
2. 量子嵌入理论（EWF/DMET）： 针对大分子体系计算成本高昂的问题，研究采用了嵌入式波函数（EWF）方法，该方法根植于密度矩阵嵌入理论（DMET）。EWF 将大体系划分为一个感兴趣的“片段”和其“环境”。环境的影响通过“浴轨道”来捕获，这些浴轨道编码了片段与环境之间的一粒子纠缠。通过在每个片段上使用高级相关求解器，并结合所有片段的贡献，EWF 旨在以可控的计算成本获得接近全体系高精度方法（如 FCI）的准确度。
3. 采样量子对角化（SQD）与扩展 SQD（ext-SQD）： 为了在量子硬件上解决计算密集型片段，研究引入了 SQD 和 ext-SQD。SQD 是一种量子-经典混合算法，它利用量子处理器生成候选电子构型，然后通过经典计算在这些构型定义的子空间中对哈密顿量进行对角化，以获得基态能量和约化密度矩阵。ext-SQD 进一步通过引入单激发算符来增强子空间，从而提高精度。
4. ab initio 分子动力学（AIMD）与机器学习力场（MLFF）： 用于生成 FLiBe 团簇构型的初始数据来自 AIMD/MLFF 模拟，这些模拟能够高效地采样体系的构象空间，并提供接近 DFT 级别的准确性。

1.3 技术难点

本研究面临多方面的技术难点：

1. FLiBe 熔盐的复杂电子结构：
   • 离子特性与强极化： FLiBe 是一种离子-共价熔盐，其中 F⁻ 离子具有高极化率，Be²⁺ 离子与 F⁻ 离子之间存在强烈的四面体相互作用。这些特性导致复杂的电子相关效应和长程色散相互作用，使得准确描述电子结构成为挑战。
   • 氚结合的独特性： 氚（T⁺）倾向于与多个 F⁻ 离子形成弯曲/拉伸的多中心 F-T-F 键，这种键合模式在 FLiBe 环境中变得更加复杂。
2. 大体系计算的挑战：
   • 全体系相关计算的高成本： FLiBe 团簇包含 21-23 个原子，即使使用中等规模的基组，其轨道数量也很大（例如，[Li₆Be₃F₁₃]⁻ 22 原子阴离子的基组包含 396 个原子轨道）。对如此大的体系执行全体系 FCI 或高精度耦合簇方法是目前计算资源无法承受的。
3. 量子嵌入方法的精度控制：
   • 碎片化近似误差： EWF 方法的精度在很大程度上取决于碎片化方案的质量以及浴轨道的截断（由 η 参数控制）。如果碎片化不当，可能导致长程相互作用（如色散）的贡献丢失，从而引入显著误差。本研究发现，碎片化近似是主要的误差来源，远大于片段求解器本身的误差。
   • 带电离子体系的适用性： 将 EWF 成功应用于带电离子体系（如 FLiBe）具有挑战性，因为静电和极化效应需要仔细处理。
4. 量子硬件的局限性与噪声：
   • 量子比特数量与连接性： 当今的量子处理器（如 IBM Heron r3）具有有限的量子比特数量和特定的连接拓扑（重六边形）。将化学问题映射到量子比特时，需要进行门编译和路由，会引入额外的 SWAP 门，增加电路深度。
   • 噪声与误差： 量子硬件固有噪声（如退相干、门误差、读出误差）会影响计算结果的准确性。尽管采用了动态解耦和测量纠缠等误差缓解技术，但仍存在残余噪声。
   • 采样效率： SQD 依赖于从参数化量子态中采样电子构型。在噪声量子硬件上高效、准确地采样足够数量的相关构型是一个挑战。

1.4 方法细节

本研究采用了高度集成的异构量子-经典计算工作流，其主要步骤如下（参见图 1 和图 S4）：

1. 团簇生成与构型采样：

   • AIMD/MLFF 模拟： 从纯净或含氚 FLiBe 熔盐的 DFT-AIMD/MLFF 轨迹中提取原子团簇构型。这些轨迹使用 Vienna Ab initio Simulation Package (VASP) 生成，并结合了机器学习力场（MLFF）的主动学习框架，确保了对构象空间的有效采样。MLFF 在 DFT 能量、力、应力数据上进行迭代训练，从而达到接近 DFT 的精度。
   • 团簇提取： 采用深度优先搜索（DFS）算法，从轨迹中随机选择构型，并以 Be 原子（FLiBe 团簇）或 T 原子（含氚团簇）为中心进行局部搜索。该算法确保团簇满足 FLiBe 化学计量（1 BeF2: 2 LiF）、电荷中性，并保留 Be²⁺ 周围的第一配位壳连接性。最终得到 21-23 个原子的团簇。

2. 平均场计算与基组选择：

   • RHF 计算： 对所有团簇构型执行受限 Hartree-Fock (RHF) 计算，使用 6-31+G(d) Pople 基组。这一步骤为后续的 EWF 碎片化和浴轨道构建提供参考单粒子密度矩阵。
   • 局部化原子轨道（IAO）： 选择 IAO 作为局部化轨道基组。IAO 能够忠实地反映 FLiBe 中强离子键（Li-F）和部分共价键（Be-F）的化学性质，避免了传统局部化方法的轨道尾部模糊性。

3. 嵌入式波函数（EWF）碎片化与浴轨道构建：

   • 原子中心碎片： 将每个团簇分解为原子中心碎片，每个原子对应一个碎片。例如，一个 21 原子的团簇产生 21 个碎片。
   • DMET 浴轨道： 使用 DMET 的 Schmidt 分解方法构建每个碎片的纠缠浴，以捕获碎片与环境之间的单粒子纠缠。浴轨道通过 MP2 振幅分析进行扩展，引入额外的占据态和虚拟态，以系统地恢复局部电子相关所需的局部激发。
   • 碎片活性空间： 碎片活性空间包含的分子轨道数量（NORB）从 Li 中心碎片的 8-15 个轨道到 F 中心碎片的 27-33 个轨道不等，T 中心碎片平均有 12 个轨道。F 碎片较大是由于 F⁻ 孤对电子的极化及其与相邻 Be 2p 轨道的混合，需要更丰富的相关描述。

4. 异构片段求解器选择与执行（图 2）：

   • 求解器路由： 根据片段的轨道数量（NORB）决定使用经典或量子求解器。
     • NORB < 13 的碎片： 通过经典全组态相互作用（FCI）精确求解。这些通常是较小的、强离子性的 Li 中心碎片。
     • NORB ≥ 13 的碎片： 发送到 IBM Heron r3 量子处理器上，使用扩展采样量子对角化（ext-SQD）求解。这些碎片通常是 Be-F 和桥接氟化物环境产生的较大碎片，它们需要处理更强的电子相关性。
   • ext-SQD 细节：
     • LUCJ ansatz： 从局部幺正团簇 Jastrow (LUCJ) ansatz 生成参数化量子电路，用于在量子处理器上制备近似基态。LUCJ 振幅由经典 CCSD T₁ 和 T₂ 张量初始化，并使用 L-BFGS-B 优化器进行优化。
     • 量子采样： 在 IBM Heron r3 处理器 (ibm_boston) 上执行 LUCJ 电路，生成测量结果（比特串构型）。根据碎片大小分配采样次数，NORB < 20 使用 10⁵ 次采样，NORB ≥ 20 使用 10⁶ 次采样。采用了动态解耦和测量纠缠等误差缓解技术。
     • 构型恢复： 对采样到的比特串构型进行经典后处理，以纠正硬件噪声导致的对称性（粒子数、自旋 Sz）违反。违反对称性的比特会被翻转到最近的对称性兼容构型。
     • 子空间对角化： 恢复后的构型池被分成 K=10 个批次，每个批次定义一个子空间。嵌入式多电子哈密顿量被投影到这些子空间中，并使用选定基组对角化（SBD）库进行精确对角化，得到批次基态能量和波函数。
     • 子空间扩展： 恢复循环结束后，从最低能量批次中提取主导构型（CI 系数平方大于 10⁻⁴）。通过对这些主导构型应用单粒子-空穴激发算符来扩展子空间，以进一步提高精度。最终在扩展后的子空间中重新对角化哈密顿量，得到 ext-SQD 片段能量和两体约化密度矩阵（2-RDM）。

5. 全局能量重构：

   • 约化密度矩阵转换： 将每个片段求解器返回的 1-RDM 和 2-RDM 转换为原子轨道基组，并存储为每个片段的档案。
   • 累积表达式： 采用 EWF 形式主义中的分区累积表达式（partitioned-cumulant expression），将所有片段的贡献重新组合，以重建整个团簇的总电子能量。这种方法确保了相关能量的无重复计算，并能够将不同求解器（FCI、ext-SQD）的结果无缝集成到最终的总能量中。

2. 关键 benchmark 体系，计算所得数据，性能数据

2.1 关键 Benchmark 体系

本研究选择了三类代表性的 FLiBe 团簇作为 benchmark 体系，这些体系的构型是从有限温度 AIMD/MLFF 轨迹中提取的，旨在捕获离子 Li-F 和部分共价 Be-F 网络中独特的局部配位环境。

1. 中性 FLiBe 团簇 (Li₆Be₃F₁₂): 包含 21 个原子，用于测试和验证 EWF 工作流在中性熔盐体系中的准确性（图 1A1）。共有九种不同的构象被采样和研究。
2. 带氚 FLiBe 团簇 (Li₆Be₃F₁₃T): 包含 23 个原子，是一个中性体系，其中氚原子以 T⁺ 形式与熔盐结合（图 1A3）。
3. 氟化锂铍阴离子 ([Li₆Be₃F₁₃]⁻): 包含 22 个原子，是一个带一个负电荷的阴离子体系（图 1A2），作为氚结合能计算的参考体系（相当于移除了氚原子）。

对于每个体系，研究都使用了九种不同的构象，这些构象代表了熔盐在动态过程中的不同局部几何排列。总共有 189 个中性 FLiBe 碎片，207 个带氚 FLiBeTF 碎片，以及 198 个阴离子 FLiBeF⁻ 碎片被生成并处理。

2.2 计算所得数据

研究的核心贡献在于对这些体系的基态能量和氚结合能的精确计算，并通过与多种经典方法的比较，评估了量子-经典混合工作流的性能。

1. 中性 FLiBe 团簇的构象能量 (ΔE)：

   • 参考： 所有能量均相对于团簇 1 的 EWF-FCI 能量进行归一化 (ΔE = ER,method - ER1, EWF-FCI)。
   • EWF 求解器比较 (图 5, 底部面板)：
     • EWF-FCI+ext-SQD vs EWF-FCI： 两者在 ΔE 上的一致性极高，平均绝对偏差（MAD）为 0.3 kcal/mol，最大偏差不超过 0.7 kcal/mol。这表明 ext-SQD 能够非常精确地复制经典 FCI 片段求解器的结果。
     • EWF-CCSD vs EWF-FCI： EWF-CCSD 的结果在 3.0 kcal/mol 的范围内复制了 EWF-FCI 的参考值，显示出 CCSD 作为片段求解器仍具有良好的性能，但不如 ext-SQD 精确。
   • 全分子方法与嵌入式方法比较 (图 5, 顶部面板和底部面板)：
     • 全分子方法： RHF、MP2、CCSD 和 DLPNO-CCSD(T) 等全分子方法彼此之间显示出良好的一致性。然而，它们与 EWF-FCI 的结果之间存在显著差异，偏差范围高达约 30 kcal/mol（如团簇 4）。
     • 嵌入误差： 这种显著的偏差（11-30 kcal/mol）主要源于 EWF 的碎片化近似，而非片段求解器的精度。这意味着在当前尺度下，嵌入误差是算法偏差的主要来源，远大于量子求解器带来的误差（0.7 kcal/mol）。
     • 硬件噪声影响： 量子生成的绝对能量比 FCI 高出 2.1 到 2.9 kcal/mol，这归因于残余设备噪声和有限的行列式采样/对角化，但这种偏移在相对能量计算中大部分抵消。

2. 氚结合能 (Ebind)：

   • 定义： 氚结合能定义为 Ebind = EFLIBETF - EFLiBeF-，即 23 原子含氚中性团簇与 22 原子氟化锂铍阴离子之间的能量差（氚以 T⁺ 裸核的形式移除）。
   • EWF 求解器比较 (图 6, 表 S3)：
     • EWF-FCI+ext-SQD vs EWF-FCI+TCI： 在氚结合能的计算中，量子硬件求解器（ext-SQD）再现了其经典嵌入式参考（FCI/TCI-8）的结果，平均绝对偏差为 0.7 kcal/mol，最大偏差为 0.9 kcal/mol。TCI-8 被用作较大 FLiBeTF 片段的经典参考，其精度与 FCI 相当。
   • 全分子方法与嵌入式方法比较 (图 6, 顶部和中间面板)：
     • 强烈结合： 所有方法都一致认为氚离子是强烈结合的，结合能范围从 -134 到 -380 kcal/mol，这与 AIMD 模拟中观察到的紧密配位离子氚一致。
     • 嵌入误差对结合能的影响： 嵌入式方法（EWF-CCSD, EWF-FCI+ext-SQD, EWF-FCI+TCI）计算的结合能范围为 -134 到 -282 kcal/mol，而全分子方法（RHF, MP2, CCSD, DLPNO-CCSD(T), PBE-D3）的结合能范围为 -222 到 -380 kcal/mol。两者之间存在约 110 kcal/mol 的系统性偏移。与构象能量类似，这种偏移是碎片化近似的标志，并且在结合能计算中不会抵消（因为结合能是两个独立嵌入、电荷相反的体系之间的差异）。

2.3 性能数据

本研究详细分析了量子电路的尺寸和计算资源需求，展示了量子-经典混合方法在可扩展性和效率方面的优势。

1. 量子电路尺寸 (图 4, 图 S6)：

   • 量子比特数量： 逻辑量子比特数量与分子轨道数量 M 呈线性关系（y = 2M），实际 ISA（指令集架构）层面的量子比特数量为 y = 4 + 2M。最大的碎片（M = 33）映射到 66 个主寄存器量子比特和 4 个辅助量子比特的电路，总计 70 个量子比特。
   • 双量子比特门数量： 抽象电路和 ISA 层面的双量子比特门数量均与分子轨道数量 M 呈二次方关系。对于 M = 33 的最大碎片，抽象电路约有 2764 个门，ISA 电路约有 2808 个门。
   • 电路深度： 抽象电路和 ISA 层面的电路深度也与分子轨道数量 M 呈二次方或弱指数关系。对于 M = 33 的最大碎片，抽象电路深度约为 132，ISA 电路深度约为 134。这表明在当前 M 范围下，量子电路的复杂度增长是可控的。

2. 计算资源需求 (表 S1)：

   • 整体计算预算： 整个研究活动涉及 IBM Heron r3 处理器（用于量子采样）、Frontier (OLCF) 的 AMD MI250X GPU（用于 FCI 参考计算），以及 MSU HPCC 和 Cleveland Clinic Foundation HPC 的 NVIDIA A100/GB200 GPU 和 Intel Xeon Platinum CPU（用于 SQD/ext-SQD 经典后处理和平均场/EWF 基准测试）。
   • 资源节约： 对于 23 原子含氚 FLiBeTF 团簇，FCI 参考计算需要超过 2.3 × 10⁴ GPU 节点小时数，而 SQD+ext-SQD 仅需要几百 GPU 节点小时数和不到九个 QPU 小时数。这意味着在 GPU 节点小时数方面，量子-经典方法实现了近两个数量级的成本降低。
   • QPU 时间： 对于 21 原子 FLiBe、22 原子 FLiBeF⁻ 和 23 原子 FLiBeTF 体系，SQD+ext-SQD 方法所需的 QPU 时间分别为 8.91、8.66 和 8.73 小时，总体而言是可控的。
   • 内存占用： SQD+ext-SQD 的最大内存占用（每任务 28-35 GiB）远低于经典 FCI 计算（11615-169262 GiB），这对于处理大规模问题至关重要。
   • 运行时： 对于使用 10⁵ 次采样的碎片，运行时约为 28.5 ± 0.5 秒；对于使用 10⁶ 次采样的碎片，运行时约为 4 分 27.0 秒 ± 1.0 秒。这些相对较短的采样时间使得大规模计算活动成为可能。

这些数据共同表明，尽管量子硬件仍面临噪声和规模的挑战，但结合 EWF 和 ext-SQD 的异构量子-经典工作流能够以可接受的精度和显著降低的计算成本处理复杂的化学问题，这对于推进核聚变材料科学研究至关重要。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

本研究采用了一个高度模块化和集成的量子-经典混合工作流，涉及多个软件包和高性能计算资源。下面将详细介绍其代码实现细节、概念性复现指南以及所使用的软件包和开源存储库链接。

3.1 代码实现细节

整个工作流可以分为几个主要阶段，每个阶段都由特定的软件和硬件支持（参见图 1B 和图 S4）。

1. 团簇构型生成与预处理：

   • AIMD/MLFF 模拟： 使用 VASP (Vienna Ab initio Simulation Package) 进行初始的 ab initio 分子动力学模拟。随后，结合主动学习框架和机器学习力场 (MLFF) 进行大规模构型采样。MLFF 模型的训练和推理可能涉及如 CP2K 或其他基于 DFT 的计算包来生成初始的能量、力和应力数据。
   • 团簇提取： 自定义脚本实现了深度优先搜索 (DFS) 算法，用于从 AIMD/MLFF 轨迹中提取满足特定化学计量、电荷中性和局部连接性约束的原子团簇。这些脚本负责识别 Be²⁺ 或 T⁺ 周围的局部环境。
   • 平均场计算： 使用 PySCF (Python-based simulations of chemistry framework) 作为 SCF 后端，执行受限 Hartree-Fock (RHF) 计算。PySCF 提供了高效的积分计算和自洽场迭代功能。
   • 局部化轨道： 使用 Vayesta 嵌入式波函数 (EWF) 驱动程序中的功能，基于 RHF 密度矩阵构建本征原子轨道 (IAO)。IAO 是通过 G. Knizia 的方法实现的，它在 PySCF 库中得到了良好的支持。

2. EWF 碎片化与浴轨道构建：

   • EWF 碎片化： Vayesta 包负责将整个分子体系分解为原子中心碎片。它处理哈密顿量的分区、局部轨道表示以及碎片环境的定义。
   • DMET 浴构建： Vayesta 使用 Schmidt 分解从 RHF 单粒子密度矩阵中构建 DMET 纠缠浴。浴轨道随后通过 MP2 振幅分析进行扩展，以更全面地捕获局部电子相关。MP2 振幅通常通过 PySCF 或 ORCA 等经典量子化学包计算。
   • 碎片 HDF5 档案： 对于每个碎片，Vayesta 会生成一个自包含的 HDF5 档案，其中包含嵌入式单电子哈密顿量、嵌入式双电子积分以及碎片空间和团簇空间分子轨道系数。这些档案是后续后 Hartree-Fock 求解器的输入。

3. 片段求解器：

   • 经典 FCI： 对于 NORB < 13 的小型碎片，使用高性能经典 FCI 求解器。本研究可能使用了 R-CCS-CMS Team SBD (Selected Basis Diagonalization) 库，这是一个并行稀疏精确对角化代码，适用于对投影哈密顿量进行精确对角化。
   • 量子 ext-SQD： 对于 NORB ≥ 13 的大型碎片，执行以下步骤：
     • 量子电路生成： 使用 ffsim (faster simulation of fermionic quantum circuits) 库构建局部幺正团簇 Jastrow (LUCJ) ansatz。LUCJ 参数的初始化通过经典 CCSD T₁ 和 T₂ 张量进行种子设定，并使用 L-BFGS-B 优化器（如 SciPy 库中的优化器）在经典计算机上进行能量最小化。
     • 量子硬件执行： 生成的 LUCJ 电路通过 Qiskit 进行编译和映射到 IBM Heron r3 处理器 (ibm_boston) 的重六边形连接拓扑。IBM Sampler 基元负责将电路提交到量子硬件执行，并返回测量结果（比特串计数）。使用了 Qiskit 的转译 (transpilation) 和误差缓解设置（如动态解耦和测量纠缠）。
     • 经典后处理： 采样到的比特串计数在经典计算机上进行处理。构型恢复算法用于纠正硬件噪声导致的对称性（粒子数和自旋 Sz）违反。然后，使用 SBD 库 对投影哈密顿量在恢复构型定义的子空间中进行精确对角化。
     • 子空间扩展： PyCI (Python-scriptable library for arbitrary determinant CI) 包可能用于通过单激发算符扩展子空间，以进一步精化 ext-SQD 结果。

4. 全局能量重构：

   • 密度矩阵处理： ext-SQD 和经典 FCI 求解器返回的 1-RDM 和 2-RDM 被转换回原子轨道基组。
   • 能量组装： 使用 Vayesta 中实现的 EWF 分区累积表达式，将所有片段的贡献（相关校正到单体密度矩阵和民主分区两体累积量）组装到全局 Hartree-Fock 参考能量之上，以计算整个团簇的总电子能量。

3.2 复现指南 (概念性)

复现本研究的工作流需要专业的量子化学知识、高性能计算（HPC）经验以及对量子硬件平台的访问权限。以下是一个概念性的复现指南：

1. 数据准备：

   • 获取 AIMD/MLFF 轨迹： 理想情况下，需要通过 VASP 和 MLFF 主动学习框架（例如基于 CP2K 的 DFT 计算）重新生成 FLiBe 熔盐的分子动力学轨迹。或者，如果研究团队提供，可以直接获取已生成的构型。
   • 团簇提取： 运行自定义脚本（如深度优先搜索算法）从轨迹中提取 21-23 个原子的 FLiBe 团簇构型，确保满足化学计量和电荷中性条件。

2. 平均场与 EWF 预处理：

   • 安装软件： 安装 PySCF (v2.x 或更高版本)、Vayesta (兼容 PySCF 版本)、ORCA (用于 DLPNO-CCSD(T) 参考)。确保所有依赖项（如 NumPy, SciPy）都已满足。
   • RHF 计算： 对每个团簇构型执行 PySCF RHF 计算，使用 6-31+G(d) 基组。
   • EWF 碎片化与浴构建： 使用 Vayesta 驱动程序，基于 RHF 结果进行原子中心碎片化，并构建 DMET 浴轨道，然后进行 MP2 浴扩展。保存生成的 HDF5 碎片档案。

3. 片段求解：

   • 经典 FCI： 对于 NORB < 13 的碎片，在高性能计算集群上使用 SBD 库（或 PySCF 的 FCI 模块）进行经典 FCI 计算。
   • 量子 ext-SQD (HPC & QPU)：
     • 准备量子环境： 配置 Qiskit 环境，安装 ffsim，并确保具有 IBM Quantum 账户以及访问 IBM Heron r3 (ibm_boston) 处理器的权限。
     • 电路生成与优化： 对于 NORB ≥ 13 的碎片，使用 ffsim 生成 LUCJ ansatz 电路。利用经典 CCSD 结果初始化 LUCJ 参数，并使用 L-BFGS-B 在经典 HPC 上进行优化。
     • 量子采样： 使用 Qiskit 和 IBM Sampler 基元，将优化后的 LUCJ 电路提交到 ibm_boston。根据碎片大小设置适当的采样次数（10⁵ 或 10⁶），并启用动态解耦和测量纠缠。
     • 经典后处理： 在 HPC 上，对量子采样结果执行构型恢复。使用 SBD 库对投影哈密顿量进行子空间对角化。利用 PyCI 进行子空间扩展，并计算最终的 ext-SQD 碎片能量和 2-RDM。

4. 全局能量重构：

   • 组装： 使用 Vayesta 中实现的 EWF 能量重构模块，将所有经典 FCI 和量子 ext-SQD 得到的碎片 1-RDM 和 2-RDM 组合，计算最终的总能量。

5. 结果分析：

   • 比较： 将计算出的构象能量和氚结合能与各种经典基准（RHF, MP2, CCSD, DLPNO-CCSD(T), FCI, TCI-8）进行比较，评估 EWF-FCI+ext-SQD 的精度。
   • 性能评估： 收集 QPU、GPU 和 CPU 的使用数据，分析计算成本和资源节约情况。

3.3 所用的软件包及开源 repo link

本研究依赖于一系列成熟的开源和商业软件包：

• VASP (Vienna Ab initio Simulation Package): 商业软件，用于 AIMD 模拟。(https://www.vasp.at/)
• CP2K: 开源，用于 DFT 参考计算。(https://www.cp2k.org/)
• PySCF: 开源，Python 驱动的量子化学框架，用于 RHF、FCI 和 CCSD 计算，以及作为 EWF 后端。(https://pyscf.org/, GitHub: https://github.com/pyscf/pyscf)
• ORCA: 商业软件，用于 DLPNO-CCSD(T) 计算。(https://orcaforum.kofo.mpg.de/)
• Vayesta: 开源，用于嵌入式波函数 (EWF) 方法。(https://vayesta.org/, GitHub: https://github.com/Vayesta/vayesta)
• ffsim: 开源，用于费米子量子电路的快速模拟，特别用于 LUCJ ansatz 的构建。(https://github.com/quantumlib/ffsim)
• Qiskit: 开源，IBM 的量子计算 SDK，用于电路转译、与 IBM 量子硬件交互以及 IBM Sampler 基元。(https://qiskit.org/, GitHub: https://github.com/Qiskit)
• PyCI: 开源，Python 可脚本化库，用于任意行列式 CI。(https://github.com/MRicher/pyci)
• SBD (Selected Basis Diagonalization): 开源，用于选定基组对角化（稀疏精确对角化）。(https://github.com/r-ccs-cms/sbd)

硬件平台：

• IBM Heron r3 处理器 (ibm_boston): IBM 量子计算云上的量子处理器。
• Perlmutter (NERSC) 和 Frontier (OLCF): 美国能源部高性能计算设施，用于大规模经典计算（如 FCI 和 AIMD/MLFF）。
• Michigan State University HPCC (iCER HPCC) 和 Cleveland Clinic Foundation HPC: 用于 EWF、平均场和 SQD/ext-SQD 经典后处理。

这些工具的协同使用，使得研究团队能够在一个复杂的量子-经典计算架构中，有效地解决了氚结合能的计算问题。

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

本研究的创新性和重要性建立在量子化学、高性能计算和核聚变工程领域的多个关键工作之上。以下是一些在论文中被频繁引用和对本研究至关重要的文献：

1. 美国能源部《核聚变科学与技术路线图》（Fusion Science & Technology Roadmap, 2026, [1]）： 这份路线图为核聚变能源的发展设定了战略方向，强调了氚繁殖和回收的关键性，是本研究解决实际工程问题的宏观背景。
2. FLiBe 熔盐的分子动力学模拟与氚行为研究（Lam et al., 2021, [11] 和 Wang et al., 2022, [12]）： 这些工作提供了 FLiBe 熔盐中氚离子（T⁺）与中性氚分子（T₂）行为的早期 DFT-AIMD 模拟结果，指出了氚离子与氟离子紧密结合的现象。这些研究为本工作提供了背景知识和初步的物理化学理解。
3. 机器学习力场与准化学理论（Shi, Lam, and Beck, 2022, [14]）： 这项工作提出了结合深度神经网络（DNN）和准化学理论来计算熔盐中物种的热力学化学势的方法。他们发现 DFT 模型的误差约为 10%，并通过 MP2 级别的量子化学计算对瞬时团簇进行校正，将误差降低到 1% 以下。这直接启发了本研究，即通过更高精度的量子计算来校正 DFT 级别的能量。
4. 密度矩阵嵌入理论（Knizia and Chan, 2012, [16]）与 EWF 方法（Nusspickel and Booth, 2022, [15] 及 Nusspickel, Ibrahim, and Booth, 2023, [18]）： DMET 是量子嵌入理论的基石，它提供了一种将大体系划分为小片段并在其中处理电子相关的方法。EWF 作为 DMET 的一个具体实现，旨在实现系统性的精度提升，并已成功应用于蛋白质等大分子体系。这些方法是本研究采用碎片化策略的理论支柱。
5. 采样量子对角化（SQD）方法（Robledo-Moreno et al., 2025, [20] 及 Motta et al., 2024, [21]）： SQD 及其扩展版本（ext-SQD）是本研究中用于在量子硬件上求解碎片基态能量的核心算法。这些文献详细描述了 SQD 的原理，包括构型采样、经典子空间对角化和构型恢复技术，为在噪声量子处理器上实现高精度计算提供了理论和算法基础。
6. 局部幺正团簇 Jastrow (LUCJ) ansatz (Motta et al., 2023, [24] 和 Sung et al., 2026, [25])： LUCJ 是用于在量子计算机上制备近似基态的参数化量子电路。这些工作提供了 LUCJ ansatz 的理论基础、电路结构以及在量子硬件上实现其效率的讨论。
7. 本征原子轨道（IAO）方法（Knizia, 2013, [17]）： IAO 提供了一种无偏的原子轨道局部化方法，对于 FLiBe 这种具有强离子和部分共价特性的体系至关重要，因为它能提供化学上直观的原子电荷和键合图像。

4.2 本工作局限性评论

尽管本研究在将异构量子-经典计算应用于 FLiBe 熔盐中的氚结合问题方面取得了开创性进展，但其也存在一些需要未来工作解决的局限性：

1. 碎片化近似误差是主要瓶颈：

   • 误差显著性： 研究明确指出，碎片化近似是当前工作中最主要的算法偏差来源。对于中性 FLiBe 团簇的构象能量，全分子方法与嵌入式方法之间的差异高达 11-30 kcal/mol，远超片段求解器自身的误差（0.7 kcal/mol）。在氚结合能的计算中，嵌入式方法与全分子方法之间也存在约 110 kcal/mol 的系统性偏移。
   • 自由能计算的影响： 这种构型依赖的碎片化误差在自由能计算中不会抵消，因为它随 AIMD 快照而变化并可能改变符号。这意味着在当前精度下，计算出的自由能可能不具有预测性。
   • 原因分析： 碎片化误差主要源于浴轨道的截断（由 η 参数控制），可能导致长程相互作用（如色散）的贡献丢失，以及在带电离子体系中静电和极化效应处理的复杂性。

2. 计算成本与可扩展性：

   • 自由能精度要求： 最终目标是达到 ≈kBT 的精度，这对于包含超过 100 个原子的模拟体系来说，在计算成本上仍是一个巨大挑战。这意味着需要更大的团簇、更广泛的构型采样和更精确的基组。
   • 碎片尺寸限制： 虽然 ext-SQD 能够处理高达 33 个轨道的碎片，但随着活性空间尺寸的增大，经典子空间对角化和量子采样面临的压力会增加，需要更多的计算资源。

3. 量子硬件的固有局限性：

   • 残余噪声： 尽管采用了误差缓解技术，量子生成的绝对能量仍然比经典 FCI 高出 2.1 到 2.9 kcal/mol。这种恒定偏移虽然在相对能量中抵消，但仍反映了当前量子硬件的噪声水平和有限的行列式采样/对角化能力。
   • 电路深度与量子比特限制： 尽管 LUCJ ansatz 具有较好的可扩展性（门计数和深度呈二次方），但对于更大的化学体系，量子比特数量和电路深度仍将是挑战。目前的 Heron r3 处理器限制了可处理问题的最大尺寸。

4. 当前工作的聚焦范围：

   • 单参考体系： 本研究主要关注单参考电子态的 FLiBe 构型。然而，实际熔盐中可能存在具有多参考特性的构型，这将是未来工作需要探索的领域，需要更先进的量子化学方法来处理。
   • 固定几何结构： 氚结合能是在单一固定 AIMD 几何结构下计算的基态电子结合能，而非自由能。要获得预测性的氚物种形成信息，需要对盐构型进行玻尔兹曼平均。

综上所述，虽然本研究在量子-经典混合计算应用于复杂离子体系方面取得了突破，但其精度仍主要受限于量子嵌入方法的碎片化近似。未来的工作需要集中于改进嵌入策略、扩展体系规模、采用更高级的误差缓解技术，并探索与人工智能的结合，以实现对实际核聚变熔盐体系中氚行为的准确预测。

5. 其他你认为必要的补充

5.1 工作的深远意义和突破性

本研究代表了在核聚变能源研究领域和量子化学计算方法发展方面的一个重要里程碑，具有多方面的深远意义和突破性：

1. 首次将异构量子-经典计算应用于氚结合问题： 这是首次将量子-经典混合计算工作流应用于 FLiBe 熔盐中氚结合能的计算。在此之前，此类应用主要集中在更小、更简单的分子体系或中性蛋白质活性位点。本研究成功处理了带电离子体系，并在存在显著静电和极化效应的熔盐环境中展示了方法的适用性，标志着量子计算在解决实际工程问题方面迈出了关键一步。
2. 验证了量子硬件在带电离子体系中的潜力： 研究明确证明了 ext-SQD 在 IBM Heron r3 量子处理器上能够以极高的精度（与经典 FCI 相比，平均绝对偏差 0.3 kcal/mol）求解带电离子体系的片段基态能量。这一结果对于推动量子计算应用于离子-共价化学体系具有重要意义，克服了先前仅限于中性体系的局限。
3. 为预测性自由能模拟奠定基础： 精确的氚结合能是构建熔盐中氚物种形成自由能的准化学自由能校正方法的关键输入。本研究的工作虽然仍受限于嵌入误差，但其在片段求解精度上的突破，为未来实现 kBT 级别（约 1.8 kcal/mol）的预测性自由能模拟奠定了坚实的基础。
4. 展示了 EWF 方法的通用性： 论文指出，相同的 EWF 工作流（IAO 局部化、MP2 增强 DMET 浴和分区累积量组装）已成功部署于蛋白质尺度的量子化学嵌入，并转移到 FLiBe 团簇的构型上，这突显了 EWF 方法在不同化学环境中的普适性和适应性。
5. 显著的计算资源节约： 与传统的全体系 FCI 计算相比，异构量子-经典工作流显著降低了计算成本。对于最大的 23 原子含氚团簇，SQD+ext-SQD 在 GPU 节点小时数方面实现了近两个数量级的成本降低，同时大幅减少了内存占用。这使得在合理时间内处理大规模、复杂体系成为可能，对于加速材料发现和设计具有实际价值。

5.2 未来研究方向的展望

本研究不仅取得了显著成果，也为未来的量子化学计算和材料科学研究指明了多个富有前景的方向：

1. 收敛嵌入误差：

   • 改进碎片构造： 研发更具化学洞察力的碎片构造策略，而不仅仅是简单地降低碎片化阈值 η。这可能涉及更好地考虑化学键合和电子相关性，以在控制计算成本的同时，更准确地捕获长程相互作用和极化效应。
   • 增大碎片尺寸： 在计算资源允许的情况下，探索更大尺寸的碎片，但这需要更高效的量子-经典方法来求解碎片薛定谔方程。
   • 处理长程相互作用： 开发新的方法来专门处理 EWF 片段可能丢失的长程色散相互作用，例如通过后校正方案。

2. 扩展体系规模与构型采样：

   • 热力学极限： 增加研究团簇的尺寸，使其更接近热力学极限，从而使计算结果更能代表真实液体环境。
   • 化学现实基组： 采用更广泛、更具有化学现实性的基组（如关联一致基组），以提高计算精度。
   • 更广泛的构型采样： 改进构型采样方法，从 AIMD/MLFF 轨迹中提取更多样、更具代表性的瞬时构型，以更好地覆盖熔盐的动态行为。

3. 集成人工智能（AI）元素：

   • 加速构型采样： 利用机器学习力场（MLFF）进一步加速构型采样，提高采样效率和多样性。
   • 自动化分子轨道与碎片构造： 开发 AI 方法来自动化分子轨道的构造、化学有意义的碎片识别以及优化量子电路。这将极大地简化工作流，并可能发现传统方法难以企及的优化策略。
   • 波函数表示与误差缓解： 探索 AI 驱动的紧凑且准确的电子基态波函数表示，通过移除“冗余”构型和添加量子计算机未采样的“关键”构型来改进 SQD 过程。

4. 处理多参考特性： 扩展工作流以处理具有多参考特性的构型。在实际熔盐中，某些局部环境可能表现出强相关或激发态特性，这需要更通用的量子化学方法来准确描述。

5. 量子硬件与算法的协同发展：

   • 更有效的误差缓解： 持续开发更先进的量子误差缓解和纠正技术，以降低残余噪声对计算结果的影响，进一步提高量子硬件的有效精度。
   • 算法优化： 改进 ext-SQD 算法，使其在活性空间尺寸增长时仍能保持高精度，同时有效控制计算成本。

5.3 跨领域影响与普适性

本研究的异构量子-经典方法不仅对核聚变领域具有直接影响，其所开发的计算策略和解决的挑战也对更广泛的量子化学和材料科学领域具有普适性和借鉴意义：

1. 催化和生物化学： 熔盐体系中准确自由能计算所面临的挑战（如高效采样原子构型和提供精确关联电子波函数）在其他化学领域，特别是催化和生物化学中普遍存在。这些领域通常涉及大分子体系，对电子相关效应和环境效应的精确处理至关重要。本研究中开发的 EWF 和 ext-SQD 方法及其在处理复杂离子环境方面的经验，可以直接迁移到蛋白质-配体相互作用、酶反应机理和材料表面催化等问题。
2. 新材料发现： 本研究提出的量子-经典工作流可以作为新材料发现循环的关键组成部分。通过高精度量子-HPC 计算生成的氚化学信息可以用于训练替代模型，这些模型反过来可以指导熔盐成分和操作条件的探索。这种 AI 驱动的发现循环范式可应用于其他功能材料的设计，如电池电解质、固态照明材料或药物分子。
3. 量子算法与硬件协同发展： 本工作为量子算法（如 LUCJ, SQD）和量子硬件（如 IBM Heron r3）的协同发展提供了具体的测试用例和反馈。所获得的关于量子电路尺寸、深度、门计数和噪声性能的实证数据，对于未来量子处理器的设计和优化至关重要，也有助于开发更高效的量子算法。
4. 量子化学软件栈的完善： 本研究的成功整合了 PySCF, Vayesta, ffsim, Qiskit 等多个开源库，为量子化学研究社区提供了一个强大的、可扩展的计算平台。这些工具的协同作用推动了量子化学软件生态系统的成熟，使得更复杂的量子-经典计算成为可能。

总之，本研究通过创新性地结合量子计算和经典高性能计算，不仅为解决核聚变能源的关键挑战提供了新的视角和工具，也为量子化学乃至整个科学领域中处理复杂多体问题开辟了新的途径。其所积累的经验和指明的未来方向将持续推动相关领域的发展。