来源论文: https://arxiv.org/abs/2606.04786v1 生成时间: Jun 04, 2026 01:13

量子化学自适应拟设构建新突破：基于精确哈密顿量变换的高效能 fermionic ADAPT-VQE 能量算符选择机制（RSe）深度解析

0. 执行摘要

自适应变分量子特征值求解器（ADAPT-VQE）是当前在嘈杂中等规模量子（NISQ）时代解决强关联化学系统电子结构模拟最富吸引力的算法之一。ADAPT-VQE 的核心优势在于它能够以“因地制宜”的方式，通过迭代选择和追加算符来动态构建极其紧凑的幺正乘积态（Unitary Product State, UPS）拟设（Ansatz），从而在保证化学精度的同时显著降低量子线路的深度，有效规避了传统固定拟设（如 UCCSD）所面临的“贫瘠高原（Barren Plateaus）”和“梯度低谷（Gradient Troughs）”等经典优化难题。

然而，ADAPT-VQE 的这一优雅过程也伴随着高昂的代价：算符选择步（Operator Selection Step）的量子测量开销已经成为整个算法的中心瓶颈。在每一步迭代中，算法都需要从一个庞大的算符池（Operator Pool）中筛选出对降低能量贡献最大的生成元。目前主要的算符筛选机制可分为两类：

1. 梯度选择法（Gradient-Based, GB）：计算每个算符的能量梯度绝对值并进行排序。其测量开销相对较低（仅需评估一个对易子的期望值），但由于缺乏对能量景观（Energy Landscape）的全局感知，容易在关联较强的体系中选择出并非最优的算符，甚至因梯度为零而陷入停滞。
2. 能量选择法（Energy-Based, 经典 Rotoselect, RS）：通过重建每个候选算符的一维（1D）能量地貌曲线来寻找使能量下降最大的算符。该方法能够提供全局最优的算符选择以及完美的“热启动（Warm Start）”参数，但其测量成本极高。在费米子表象下，利用参数位移规则（Parameter-Shift Rule）重建一维曲线通常需要对每个候选算符执行 4 到 5 次完整的全维哈密顿量期望值测量。当算符池规模随体系增大呈 $\mathcal{O}(N^4)$ 扩展时，经典 RS 算法的量子测量开销将变得无法承受。

为了彻底解决这一痛点，Coriani 课题组的 Emanuele Rossi 等人在最新论文中提出了一种资源节约型的能量选择变体算法——RSe（Efficient Rotoselect）。该方法通过引入“精确哈密顿量变换（Exact Hamiltonian Transformation）”，利用费米子幺正变换的解析闭式（Closed-form）理论，将全维哈密顿量 $\hat{H}$ 按照其与特定算符生成元的对易闭合关系分裂为三个相互独立的片段 $\hat{H}_{g,0}$、$\hat{H}_{g,1}$ 和 $\hat{H}_{g,4}$。通过巧妙地利用前一步迭代已知的优化能量 $E^{(n)}$ 并在 $\theta_g = 0$ 处仅测量两个“最轻”的哈密顿量片段期望值，RSe 成功实现了仅需不到 3 次全维哈密顿量评估即可完美重构一维能量地貌曲线。这一技术突破在保持经典 RS 算法全部“地貌感知”优势的前提下，将算符选择的测量开销直接砍掉了约 50%，使其成本逼近甚至等同于梯度选择法（GB）。

为了全面评估这一新算法的实际表现，作者团队在不同的关联强度体系（$\text{LiH}$、$\text{BeH}_2$ 和 $\text{H}_2\text{O}$ 在平衡几何结构与对称拉伸几何结构下）中，对 RSe、RS 以及 GB 三种选择策略，结合“仅优化最新算符（last）”与“全参数重优化（full）”两种参数更新机制，以及“固定轨道（fixed-orbital）”与“轨道优化（orbital-optimized, OO）”两种量子化学轨道处理方法进行了详尽的基准测试（Benchmark）。结果表明，在弱关联区域，RSe 与轨道优化及“last”策略结合（即 oo-RSe-last）能以惊人的零变分 VQE 优化开销实现化学精度的快速收敛；而在强关联区域，oo-RSe-full 则展现出无与伦比的收敛鲁棒性，完美克服了梯度选择法极易遭遇的“梯度低谷”和早期收敛停滞问题。

本博客将对该工作进行全方位的技术复盘与理论解密，带领读者一窥这项极具工业级应用潜力的量子化学新方法的底层奥秘。

1. 核心科学问题、理论基础与方法细节

1.1 ADAPT-VQE 的底层工作机制与三大痛点

在变分量子特征值求解（VQE）框架下，体系基态能量是通过最小化参数化状态 $|\Psi(\boldsymbol{\theta})\rangle = \hat{U}(\boldsymbol{\theta})|\title{\Psi}_{\text{ref}}\rangle$ 的能量期望值来获得的：

传统的 UCCSD 等固定拟设虽然物理图像清晰，但由于包含大量无效或贡献微弱的激发算符，导致其量子线路深不可测，极易引入巨大的退相干噪声和状态退化。ADAPT-VQE 改变了这一游戏规则，它不使用预先设定的静态线路，而是通过以下自适应循环动态生长线路：

1. 定义算符池 $\mathcal{A} = \{\hat{\tau}_g\}$：通常为满足抗厄米性（Anti-Hermitian, $\hat{\tau}_g^\dagger = -\hat{\tau}_g$）的单、双电子激发生成元，例如通用算符池 $\mathcal{A}_{sd}$。

2. 算符筛选（Selection）：在第 $n$ 步迭代中，评估算符池中所有候选算符 $\hat{\tau}_g$ 的指标（如梯度或能量降幅度），并将得分最高的算符 $\hat{\tau}_b$ 追加到当前的拟设最前端：

   $$|\Psi^{(n+1)}(\boldsymbol{\theta}, \theta_g)\rangle = e^{\theta_g \hat{\tau}_b} e^{\theta^{(n)} \hat{\tau}^{(n)}} \cdots e^{\theta^{(1)} \hat{\tau}^{(1)}} |\Psi_{\text{ref}}\rangle$$

3. 变分重优化（Optimization）：通过经典优化器在量子计算机上重新调谐所有参数 $\boldsymbol{\theta}$（或仅优化新追加的 $\theta_g$），使能量最小化，进入下一个循环，直至能量改变量或梯度模长达到收敛阈值（如 $10^{-5}$ Hartree）。

自适应变分量子特征值求解器（ADAPT-VQE）虽然效果极佳，但由于每次迭代都需要对算符池中的每一个算符进行评估，如果采用基于能量的经典 Rotoselect (RS) 算法，就会面临以下三大核心技术难点：

• 计算开销的指数级级联：对于每个算符，都需要利用参数位移规则在量子硬件上多次测量哈密顿量的期望值。由于哈密顿量通常包含 $\mathcal{O}(N^4)$ 个 Pauli 算符串（Pauli Strings），当算符池大小也为 $\mathcal{O}(N^4)$ 时，每步迭代的测量次数将随体系轨道数 $N$ 呈 $\mathcal{O}(N^8)$ 爆炸式增长。

• 参数位移规则在费米子表象下的冗余性：费米子激发算符的生成元通常具有多重特征值。尽管通过特殊的代数结构可以将其简化为 5 项三角函数形式，但为了确定这 5 个系数，仍然需要 4 次以上非零参数偏置下的能量测量。这使得 RS 算法在费米子体系下的运行成本比在自旋/量子比特体系下更为高昂。

• 局域地貌与全局最优的冲突：梯度选择（GB）仅依赖于 $\theta_g = 0$ 处的局域一阶导数：

  $$\left. \frac{\partial E^{(n)}}{\partial \theta_g} \right|_{\theta_g=0} = \langle\Psi^{(n)}| [\hat{H}, \hat{\tau}_g] |\Psi^{(n)}\rangle$$

  这种一阶线性近似无法预测当参数真正推进到非零最优点时的实际能量降幅。在强电子关联体系中，很多具有极大初始梯度的算符在优化后能量降幅极小（即所谓的“假阳性”算符），而一些初始梯度较小但“后劲十足”的算符却被无情忽略。

1.2 费米子幺正变换的闭合代数与哈密顿量精确分裂（Hamiltonian Splitting）

RSe 算法的底层理论基石是 Evangelista 和 Magoulas 在 2025 年提出的费米子幺正变换闭合理论（F. A. Evangelista and I. Magoulas, Phys. Rev. A, 111, 042825）。

对于任意抗厄米的费米子生成元 $\hat{\tau}_g$，其具有奇妙的幂零与循环性质。特别地，许多常见的费米子激发算符满足以下经典的三阶循环关系：

根据这一关系，$\hat{\tau}_g$ 的任意高阶幂次都可以写成 $\{\hat{I}, \hat{\tau}_g, \hat{\tau}_g^2\}$ 的线性组合。因此，其指数变换算符 $e^{\theta_g \hat{\tau}_g}$ 的 Taylor 展开式可以精确地求和并写成闭合形式：

当我们对整个哈密顿量进行变换时，其本质是对哈密顿量中包含的每一个费米子算符串（即费米 string $\hat{O}_i$）进行幺正相似变换：

Evangelista 等人证明，对于任意满足上述循环关系的费米子算符 $\hat{\tau}_g$，其与单个费米 string $\hat{O}_i$ 的多重嵌套对易子将自动在三阶以内闭合。具体而言，存在一个闭合参数 $\alpha$ 满足以下闭合关系（Closure Relationship）：

其中，$\alpha$ 只能取三个离散值：0, 1, 或 4。这三种情况对应的物理图景和代数条件如下：

• $\alpha = 0$：对应于 $[\hat{O}_i, \hat{\tau}_g] = 0$。即该费米 string $\hat{O}_i$ 与当前的算符生成元完全对易，它在变换下保持不变。
• $\alpha = 1$：对应于 $[\hat{O}_i, \hat{\tau}_g] \neq 0$ 且 $\hat{\tau}_g [\hat{O}_i, \hat{\tau}_g] \hat{\tau}_g = 0$。这通常对应单激发算符或某些特定的单双耦合激发项。
• $\alpha = 4$：对应于 $[\hat{O}_i, \hat{\tau}_g] = \hat{\tau}_g [\hat{O}_i, \hat{\tau}_g] \hat{\tau}_g$。这通常对应双激发算符，其在对易子运算中引入了更强的多体耦合项。

基于这一完美的分类，对于任意选定的生成元 $\hat{\tau}_g$，我们可以将分子哈密顿量 $\hat{H} = \sum h_i \hat{O}_i$ 空间精确、无损地分裂为三个片段：

其中：

• $\hat{H}_{g,0} = \sum_{i \in \mathcal{K}_{\alpha=0}} h_i \hat{O}_i$
• $\hat{H}_{g,1} = \sum_{i \in \mathcal{K}_{\alpha=1}} h_i \hat{O}_i$
• $\hat{H}_{g,4} = \sum_{i \in \mathcal{K}_{\alpha=4}} h_i \hat{O}_i$

这一哈密顿量分裂过程（如图 1 所示）具有鲜明的特征：它是针对每一个不同的算符生成元 $\hat{\tau}_g$ 定制化进行的。每个片段中包含的费米 string 完全取决于它们与该生成元的对易闭合参数 $\alpha$。

1.3 变换后哈密顿量片段的解析演化规律

由于哈密顿量被精确拆解，我们可以分别写出这三个哈密顿量片段在生成元 $\hat{\tau}_g$ 的幺正相似变换下的闭合解析形式：

1. 对于 $\alpha = 0$ 片段： 由于其与生成元完全对易，其不随参数 $\theta_g$ 演化：

   $$\hat{H}'_{g,0}(\theta_g) = e^{-\theta_g \hat{\tau}_g} \hat{H}_{g,0} e^{\theta_g \hat{\tau}_g} = \hat{H}_{g,0}$$

   对应的能量期望值分量是一个不随 $\theta_g$ 改变的常数：

   $$E_{g,0}^{(n+1)} = \langle\Psi^{(n)}| \hat{H}_{g,0} |\Psi^{(n)}\rangle$$

2. 对于 $\alpha = 1$ 片段： 代入闭合公式展开，可以得到其演化规律仅包含基频（$\theta_g$）的三角函数：

   $$\hat{H}'_{g,1}(\theta_g) = \hat{H}_{g,1} + [\hat{H}_{g,1}, \hat{\tau}_g]\sin(\theta_g) + [[\hat{H}_{g,1}, \hat{\tau}_g], \hat{\tau}_g][1 - \cos(\theta_g)]$$

   对应的能量演化曲线为：

   $$E_{g,1}^{(n+1)}(\theta_g) = c_{g,1} + a_{g,1}\sin(\theta_g) + b_{g,1}[1 - \cos(\theta_g)]$$

   其中：

   • $c_{g,1} = \langle\Psi^{(n)}| \hat{H}_{g,1} |\Psi^{(n)}\rangle$
   • $a_{g,1} = \langle\Psi^{(n)}| [\hat{H}_{g,1}, \hat{\tau}_g] |\Psi^{(n)}\rangle$
   • $b_{g,1} = \langle\Psi^{(n)}| [[\hat{H}_{g,1}, \hat{\tau}_g], \hat{\tau}_g] |\Psi^{(n)}\rangle$

3. 对于 $\alpha = 4$ 片段： 类似地，其包含两倍频（$2\theta_g$）的三角函数演化规律：

   $$\hat{H}'_{g,4}(\theta_g) = \hat{H}_{g,4} + [\hat{H}_{g,4}, \hat{\tau}_g]\frac{\sin(2\theta_g)}{2} + [[\hat{H}_{g,4}, \hat{\tau}_g], \hat{\tau}_g]\frac{1 - \cos(2\theta_g)}{4}$$

   对应的能量演化曲线为：

   $$E_{g,4}^{(n+1)}(\theta_g) = c_{g,4} + a_{g,4}\frac{\sin(2\theta_g)}{2} + b_{g,4}\frac{1 - \cos(2\theta_g)}{4}$$

   其中：

   • $c_{g,4} = \langle\Psi^{(n)}| \hat{H}_{g,4} |\Psi^{(n)}\rangle$
   • $a_{g,4} = \langle\Psi^{(n)}| [\hat{H}_{g,4}, \hat{\tau}_g] |\Psi^{(n)}\rangle$
   • $b_{g,4} = \langle\Psi^{(n)}| [[\hat{H}_{g,4}, \hat{\tau}_g], \hat{\tau}_g] |\Psi^{(n)}\rangle$

最终，整个一维能量地貌曲线可以完美写成这三个独立分量的代数和：

1.4 RSe 算法的精妙实现：如何用最少评估次数确定所有系数？

为了完整重构上述一维能量曲线，我们需要求解两组系数：$\{a_{g,1}, b_{g,1}, c_{g,1}\}$ 和 $\{a_{g,4}, b_{g,4}, c_{g,4}\}$，以及常数项 $E_{g,0}^{(n+1)}$。直接测量对易子期望值（如 $a_{g,1}$ 和 $b_{g,1}$）需要构建极为复杂的非厄米或高阶嵌套对易子算符，在量子硬件上极难直接实现。

RSe 算法采用了一种极富智慧的非直接测量策略。由于哈密顿量分裂后的片段 $\hat{H}_{g,\alpha}$ 与原哈密顿量 $\hat{H}$ 共享完全相同的费米 string（只是对应系数不同），因此在量子计算机上，测量一个哈密顿量片段的成本与测量全哈密顿量的成本在同一数量级上。我们可以通过对片段进行参数偏置测量，建立线性方程组来求解这些未知系数。

更妙的是，利用 ADAPT-VQE 的迭代特性，我们在开始第 $n+1$ 步算符筛选时，前一步优化完成后的基态能量 $E^{(n)}$ 是已知的。而显而易见，当不添加新算符（即 $\theta_g = 0$）时，能量必等于 $E^{(n)}$：

为了最大程度节省测量开销，RSe 算法的设计过程如下（如图 2 所示）：

1. $\theta_g = 0$ 处的极简测量： 常数项 $c_{g,1}$ 和 $c_{g,4}$ 对应的算符是 $\hat{H}_{g,1}$ 和 $\hat{H}_{g,4}$。我们不需要单独去测量它们。为了最小化噪声和测量成本，我们找出这三个片段中项数最少、最容易测量的两个片段（假设为 $\hat{H}_{g,i}$ 和 $\hat{H}_{g,j}$，其中 $i,j \in \{0,1,4\}$），在当前的态 $|\Psi^{(n)}\rangle$ 下直接测量这两个片段的期望值。第三个分量则通过极为简单的代数减法间接获得：

   $$E_{g,k}^{(n+1)}(0) = E^{(n)} - E_{g,i}^{(n+1)}(0) - E_{g,j}^{(n+1)}(0)$$

   这样，我们以极低的额外代价，完全确定了 $E_{g,0}^{(n+1)}$、 $c_{g,1}$ 和 $c_{g,4}$。

2. $\theta_g \neq 0$ 处的参数位移测量： 由于常数项已经完全确定，为了求解剩余的四个未知数 $\{a_{g,1}, b_{g,1}\}$ 和 $\{a_{g,4}, b_{g,4}\}$，我们只需要选择三个不同的非零位移角度（例如 $\theta_g \in (0, 2\pi)$ 中的三个点，如 $\pi/4, \pi/2, 3\pi/4$），在这些点下分别测量 $\hat{H}_{g,1}$ 和 $\hat{H}_{g,4}$ 的期望值。由于这些测量可以利用量子硬件的并行化或同批次测量技术同时获取，这相当于仅需不到 3 次完整的全哈密顿量等效评估。

3. 求解线性方程组： 利用测得的期望值，代入线性方程组：

   $$\begin{pmatrix} \sin(\theta_1) & 1-\cos(\theta_1) \\ \sin(\theta_2) & 1-\cos(\theta_2) \end{pmatrix} \begin{pmatrix} a_{g,1} \\ b_{g,1} \end{pmatrix} = \begin{pmatrix} E_{g,1}^{(n+1)}( heta_1) - c_{g,1} \\ E_{g,1}^{(n+1)}( heta_2) - c_{g,1} \end{pmatrix}$$

   和

   $$\begin{pmatrix} \frac{\sin(2\theta_1)}{2} & \frac{1-\cos(2\theta_1)}{4} \\ \frac{\sin(2\theta_2)}{2} & \frac{1-\cos(2\theta_2)}{4} \end{pmatrix} \begin{pmatrix} a_{g,4} \\ b_{g,4} \end{pmatrix} = \begin{pmatrix} E_{g,4}^{(n+1)}( heta_1) - c_{g,4} \\ E_{g,4}^{(n+1)}( heta_2) - c_{g,4} \end{pmatrix}$$

   通过解析求解上述 $2\times 2$ 矩阵方程，我们可以瞬间以极高精度重建出这一候选算符的完整能量曲线 $E_g^{(n+1)}( heta_g)$。

4. 全局寻优与热启动参数获取： 重构出解析曲线后，我们在经典计算机上通过寻找该三角函数的一维全局最小值。不仅可以获得准确的能量得分 $E_g^{(n+1)}(\theta^*_g)$，还能直接获得对应的最优参数值 $\theta^*_g$。这个值将作为后续 VQE 优化的“热启动”初值。这一过程对整个算符池中所有算符并行执行。最后，挑选出能带来最大能量降幅的算符追加到拟设中。

2. 关键 Benchmark 体系、计算数据与性能分析

为了检验 RSe 算法在解决实际化学体系中的测量表现和收敛鲁棒性，研究团队使用该方法对三个极具代表性的分子体系进行了详尽的数值模拟。以下是关键体系设置、性能数据及物理机制的深度剖析。

2.1 体系设置与计算细节

本研究考查了以下三个分子体系，它们在量子化学中具有极高的基准价值，分别代表了不同规模的电子关联活性空间：

• $\text{LiH}$ 体系：活性空间记为 $(4_e, 6_o)$，代表 4 个价电子分布在 6 个空间轨道上。其在平衡态下属于典型的弱关联体系，但在拉伸状态下会展现出显著的非动态关联特征。
• $\text{BeH}_2$ 体系：活性空间记为 $(6_e, 7_o)$，具有线性结构，其对称拉伸可以很好地模拟协同双键断裂过程中的强关联行为。
• $\text{H}_2\text{O}$ 体系：活性空间记为 $(10_e, 7_o)$，包含 10 个电子在 7 个空间轨道上。由于电子密度高且自由度大，该体系具有极复杂的电子关联网络，是检验自适应算法在大算符池下表现的绝佳试金石。

所有模拟均采用 STO-3G 极小基组，在无噪声态矢量（Noiseless State-Vector）级别进行。为了深入对比体系在不同关联状态下的表现，研究团队分别计算了分子的平衡几何结构（Equilibrium Geometry）和对称拉伸几何结构（Stretched Geometry）：

• 平衡态键长：$\text{LiH}$ ($1.595\text{ \AA}$)、线性 $\text{BeH}_2$ ($1.334\text{ \AA}$)、弯曲 $\text{H}_2\text{O}$ ($0.96\text{ \AA}$, 键角 $104.5^\circ$)。
• 拉伸态键长：$\text{LiH}$ ($3.0\text{ \AA}$)、$\text{BeH}_2$ ($2.668\text{ \AA}$)、$\text{H}_2\text{O}$ ($1.81\text{ \AA}$)。

2.2 算符选择开销对比（深入解读 Table I）

为了量化算符选择阶段的测量成本，作者团队采用了一个非常客观且与硬件无关的代理指标——Jordan-Wigner 分解后的相对 Pauli 串加权线路评估数（Relative Pauli-string-weighted circuit-evaluation counts）。这一指标精确反映了在没有使用任何高级算符分组或合并技术时，在量子计算机上执行研究所需的底层物理测量量。

下表（引自原论文 Table I）列出了在平衡态与拉伸态下，经典 Rotoselect (RS)、最新提出的高效变体 RSe 以及传统梯度选择法 (GB) 之间，算符选择开销的比例关系：

数据深度解读：

1. RS vs GB（第一行）：传统能量选择法 RS 的开销普遍是梯度选择法 GB 的 2.1 到 2.5 倍。这清晰地解释了为什么尽管经典 RS 构建的拟设质量很高，但在以前的大规模模拟中，大家依然倾向于使用 GB，因为 RS 在算符筛选步的测量负担实在太重了。
2. RS vs RSe（第二行）：对于所有测试分子和所有几何形状，RSe 相较于 RS 实现了非常稳定的约 2 倍物理降本（比例在 1.97 - 2.11 之间）。这完美兑现了理论上“将 4 次全维哈密顿量测量压缩至不到 2.5 次”的代数简化承诺。由于这两种方法在数学上是严格等价的（构建的拟设和寻优路径完全相同），这意味着 RSe 可以在不损失任何精度的前提下，直接将能量选择的运行时间缩短一半。
3. RSe vs GB（第三行）：最令人震惊的数据在于 RSe 与 GB 的对比。RSe 的测量开销仅比最廉价的梯度选择法 GB 高出 2% 到 17%！在拉伸态 $\text{H}_2\text{O}$ 下，两者的差距甚至缩小到了微不足道的 2%。这表明，RSe 彻底抹平了能量选择法长期以来在测量开销上的劣势，使研究人员能够以几乎等同于计算梯度的代价，享受到全局能量地貌寻优的巨大红利。

2.3 低关联区域表现（平衡几何结构，深入解读 Fig 4）

平衡态下的分子主要由单参考态（Single-Reference）主导，属于弱关联体系。图 4（左列为能量收敛曲线，右列为 noiseless 线路评估开销柱状图）展示了极具启发性的物理规律：

• $\text{LiH}$ 的完美协同：在平衡态 $\text{LiH}$ 下，由于关联极弱，算符选择策略成为了决定收敛性的关键。对比采用“last”更新策略（即仅优化新追加的算符，之前算符的参数直接冻结）的模型可以发现，能量选择法（RSe-last, 绿色实线）比梯度选择法（GB-last, 品红虚线）收敛明显更快。这表明 RSe 选出的算符在物理上更加精准。当进一步引入轨道优化（oo-RSe-last）时，单激发算符被完全消除，算符池规模缩减，算法不仅收敛速度极快，而且由于无需执行任何繁琐的全拟设 VQE 参数重优化（仅需使用 RSe 提供的热启动参数 $\theta^*_g$ 即可），其总量子测量开销（柱状图中绿色 oo-RSe-last 柱）达到了全场最低。这为 NISQ 设备上实现超轻量级化学模拟指明了一条极具可行性的黄金通道。
• $\text{BeH}_2$ 与 $\text{H}_2\text{O}$ 中的“重优化分水岭”：随着体系中电子关联作用的增强（如 $\text{BeH}_2$ 和 $\text{H}_2\text{O}$），我们可以清晰地观察到，所有采用“last”更新策略的模型（无论是 GB 还是 RSe）在经过前几次迭代进入化学精度区间（黄色阴影区）后，无一例外地陷入了严重的收敛停滞状态。此时，拟设中算符之间的协同效应和整体相干性变得至关重要，必须进行“full”全参数重优化才能打破僵局。采用 oo-RSe-full（黄色）和 oo-GB-full（淡蓝色）的模型能够顺利收敛到 $10^{-5}$ Hartree 的高精度阈值（黑色虚线）。而在这些完全收敛的模型中，oo-RSe-full 展现出了更优的早期收敛斜率和更浅的最终线路深度。

2.4 强关联区域表现（拉伸几何结构，深入解读 Fig 5）

当化学键被对称拉伸时（图 5），体系过渡到了强关联（Strong Correlation/Multi-Reference）主导的极端区域。此时，能量景观变得极其陡峭且充满局域极值，这对变分算法的鲁棒性提出了最严苛的挑战：

• 梯度选择法（GB）的致命滑铁卢：在拉伸态 $\text{LiH}$ 和 $\text{BeH}_2$ 中，传统的轨道优化梯度选择法 oo-GB-full（淡蓝色虚线）表现出了灾难性的“收敛停滞”和“平台期（Plateauing）”。在拉伸态 $\text{LiH}$ 中，它在第 15 到第 90 次迭代之间几乎没有取得任何能量进展。这种现象正是典型的梯度低谷（Gradient Trough）机制引起的——由于梯度法只看局域斜率，在强关联区域极易陷入某些具有微弱局域一阶梯度但实际上无法带来实质能量下降的“死胡同”算符中。而与其形成鲜明对比的是，oo-RSe-full（橙色实线）凭借其全局能量地貌探查能力，能够轻松识别并跨越这些局域陷阱，在极少的迭代次数内以“势如破竹”之势径直收敛至精确极限。
• 轨道优化（OO）的关键支柱作用：在强关联拉伸态下，不带轨道优化的固定轨道模型（如 RSe-full，红色实线）的收敛速度明显滞后于轨道优化模型（oo-RSe-full）。这是因为在化学键断裂过程中，原有的哈特里-福克（Hartree-Fock）参考轨道已经完全失效。轨道优化通过在经典计算机上不断旋转轨道，重新调整了分子轨道的物理基组，使得活动空间内的电子排布更加物理化。轨道优化与 RSe 的强强联合，使得 oo-RSe-full 成为了横跨弱关联到强关联所有测试体系中收敛最稳定、测量开销控制最出色的绝对王者。

3. 代码实现、算法复现与开源生态

为了推动这一研究成果的普及和工业化应用， Rossi 团队将该算法的核心部分进行了开源，并深度集成到了现代化变分量子模拟生态中。

3.1 核心软件包介绍与开源仓库链接

该研究的全部算法实现和数值计算均在以下两个开源 Python 软件包的基础上构建：

1. SlowQuant：这是一个专注于近期量子计算算法开发的分子电子结构和量子化学软件库。它由该论文的合作作者 Kjellgren 和 Ziems 共同开发。SlowQuant 的最大特色在于它不仅支持精确的态矢量级化学模拟，还内置了极其丰富的 ADAPT-VQE 变体、轨道优化（OO-VQE）接口以及与物理测量相关的 Pauli 串分解工具。
   • GitHub 开源仓库链接：https://github.com/EmanueleRossi93/slowquant （或主分支 https://github.com/slowquant/slowquant）
2. PySCF：这是目前量子化学和凝聚态物理界使用最广泛、生态最成熟的 Python 电子结构计算包之一。SlowQuant 通过接口调用 PySCF，来高效完成初期的哈特里-福克自洽场（HF-SCF）计算、双电子积分生成、分子轨道系数变换以及经典活性空间（CAS）的定义。
   • GitHub 开源仓库链接：https://github.com/pyscf/pyscf

3.2 算法核心复现指南与伪代码实现

为了方便科研人员在自己的研究中快速复现 RSe 算法，以下给出了该算法核心步骤——哈密顿量精确分裂与一维能量地貌快速重建的完整 Python 风格伪代码：

import numpy as np
from typing import List, Dict, Tuple

class RSeOperatorSelector:
    def __init__(self, hamiltonian_terms: List[Dict], pool: List["FermionicGenerator"]):
        """
        hamiltonian_terms: 包含分子哈密顿量中所有费米 string 及其对应积分的列表 
                            每个 term 为 dict: {"string": FermiString, "coeff": float}
        pool: ADAPT-VQE 算符池中的候选生成元列表
        """
        self.hamiltonian_terms = hamiltonian_terms
        self.pool = pool
        
    def pre_split_hamiltonian(self) -> Dict[str, Dict[int, List[Dict]]]:
        """
        核心步骤 1: 预先对哈密顿量进行分裂。
        根据闭合参数 alpha (0, 1, 4) 将 H 分裂为针对每个生成器 g 的三个片段。
        """
        split_db = {}
        for g in self.pool:
            split_db[g.id] = {0: [], 1: [], 4: []}
            for term in self.hamiltonian_terms:
                O_i = term["string"]
                h_i = term["coeff"]
                
                # 计算一阶对易子 [O_i, g]
                comm1 = O_i.commutator(g)
                if comm1.is_zero():
                    alpha = 0
                else:
                    # 计算嵌套对易子 [[[O_i, g], g], g]
                    comm2 = comm1.commutator(g)
                    comm3 = comm2.commutator(g)
                    
                    # 检测闭合参数 alpha
                    # [[[O_i, g], g], g] = -alpha * [O_i, g]
                    if comm3.is_equivalent_to(comm1 * -1.0):
                        alpha = 1
                    elif comm3.is_equivalent_to(comm1 * -4.0):
                        alpha = 4
                    else:
                        raise ValueError("算符不满足 0, 1, 4 闭合关系，请检查生成器循环性质！")
                
                split_db[g.id][alpha].append({"string": O_i, "coeff": h_i})
        return split_db

    def reconstruct_landscape(self, g_id: str, split_H: Dict, 
                              current_state: "QuantumState", 
                              E_n: float) -> Tuple[float, float]:
        """
        核心步骤 2: 利用 RSe 策略重建指定算符 g 的 1D 能量地貌并求解最小值。
        """
        H_0 = split_H[g_id][0]
        H_1 = split_H[g_id][1]
        H_4 = split_H[g_id][4]
        
        # 步骤 A: 统计各片段的 Pauli 串项数，找出最轻（最容易测量）的两个片段进行 theta_g = 0 测量
        lengths = {0: len(H_0), 1: len(H_1), 4: len(H_4)}
        sorted_alphas = sorted(lengths, key=lengths.get)
        smallest_alpha_1, smallest_alpha_2 = sorted_alphas[0], sorted_alphas[1]
        largest_alpha = sorted_alphas[2]
        
        # 在当前状态下，对两个最轻的片段进行直接期望值测量
        E_smallest_1 = current_state.measure_expectation(split_H[g_id][smallest_alpha_1])
        E_smallest_2 = current_state.measure_expectation(split_H[g_id][smallest_alpha_2])
        
        # 利用减法原理间接获取最重分量的 theta=0 值
        E_values_at_zero = {}
        E_values_at_zero[smallest_alpha_1] = E_smallest_1
        E_values_at_zero[smallest_alpha_2] = E_smallest_2
        E_values_at_zero[largest_alpha] = E_n - E_smallest_1 - E_smallest_2
        
        # 提取各个常数项
        E_g0 = E_values_at_zero[0]
        c_g1 = E_values_at_zero[1]
        c_g4 = E_values_at_zero[4]
        
        # 步骤 B: 在三个非零点处测量 H_1 和 H_4 片段的演化值
        # 选择 theta_g 的三个位移探测点
        thetas = [np.pi/4, np.pi/2, 3*np.pi/4]
        
        E_1_evolution = []
        E_4_evolution = []
        for theta in thetas:
            # 演化状态 |Psi(theta)> = e^{theta * g} |Psi_n>
            evolved_state = current_state.evolve_with_generator(g_id, theta)
            E_1_evolution.append(evolved_state.measure_expectation(H_1))
            E_4_evolution.append(evolved_state.measure_expectation(H_4))
            
        # 步骤 C: 构建并求解 2x2 线性方程组，获取 a_g1, b_g1
        M_1 = np.array([
            [np.sin(thetas[0]), 1.0 - np.cos(thetas[0])],
            [np.sin(thetas[1]), 1.0 - np.cos(thetas[1])]
        ])
        Y_1 = np.array([E_1_evolution[0] - c_g1, E_1_evolution[1] - c_g1])
        a_g1, b_g1 = np.linalg.solve(M_1, Y_1)
        
        # 构建并求解 2x2 线性方程组，获取 a_g4, b_g4
        M_4 = np.array([
            [np.sin(2*thetas[0])/2.0, (1.0 - np.cos(2*thetas[0]))/4.0],
            [np.sin(2*thetas[1])/2.0, (1.0 - np.cos(2*thetas[1]))/4.0]
        ])
        Y_4 = np.array([E_4_evolution[0] - c_g4, E_4_evolution[1] - c_g4])
        a_g4, b_g4 = np.linalg.solve(M_4, Y_4)
        
        # 步骤 D: 离散网格化寻优或利用伴随矩阵法（Companion Matrix Method）在经典端求解 1D 全局极小值
        theta_grid = np.linspace(0, 2*np.pi, 1000)
        energy_grid = (
            E_g0 
            + c_g1 + a_g1 * np.sin(theta_grid) + b_g1 * (1.0 - np.cos(theta_grid)) 
            + c_g4 + a_g4 * np.sin(2*theta_grid)/2.0 + b_g4 * (1.0 - np.cos(2*theta_grid))/4.0
        )
        
        min_idx = np.argmin(energy_grid)
        best_theta = theta_grid[min_idx]
        best_score = energy_grid[min_idx]
        
        return best_score, best_theta

3.3 科研复现的黄金步骤指引

要在本地成功运行并复现论文中的所有图表，请遵循以下推荐的工作流：

1. 安装环境依赖： 创建专门的 conda 虚拟环境，并安装 pyscf、numpy、scipy 以及克隆 SlowQuant 仓库：

   conda create -n rse_env python=3.10
   conda activate rse_env
   pip install pyscf numpy scipy
   git clone https://github.com/EmanueleRossi93/slowquant.git
   cd slowquant
   pip install -e .
   

2. 生成分子积分（PySCF 端）： 通过 PySCF 构建分子坐标（例如，将 $\text{LiH}$ 键长设为 $3.0\text{ \AA}$ 以模拟强关联拉伸态），定义 STO-3G 基组，运行 RHF（受限哈特里-福克）计算。获得自洽场分子轨道系数，并将单、双电子原始积分变换到分子轨道基组下。
3. 哈密顿量与算符池构建： 利用 SlowQuant 中的费米子算符模块，将轨道积分自动转换为第二量子化哈密顿量 $\hat{H}$（如公式 2）。同时构建通用算符池 $\mathcal{A}_{sd}$（如公式 7），过滤掉不满足粒子数守恒和 $S_z$ 守恒的项。如果运行轨道优化（OO）模型，则排除所有单激发算符，仅保留双激发算符池 $\mathcal{A}_d$。
4. 运行自适应循环（RSe 核心）： 对每个算符池生成元进行预分类分裂。在每一步迭代中，使用上文伪代码中的 RSe 逻辑评估所有候选算符，找出得分最低（能量降最大）的算符，并以最佳参数 $\theta^*_b$ 作为初始值，将其对应的幺正演化器追加到拟设中。
5. 参数更新与收敛判定： 选择采用 last（仅优化最前端一个参数）还是 full（使用 SLSQP 优化器对拟设中的所有 $\theta$ 参数进行变分重优化）。如果使能轨道优化，则在每一次经典优化循环中，交替进行经典轨道系数矩阵 $\kappa$ 的旋转（利用电子积分在经典端的实时重构）和量子端态参数 $\boldsymbol{\theta}$ 的变分寻优。当连续两次迭代的能量差小于 $10^{-5}$ Hartree 或最大的算符梯度模长降至设定阈值以下时，优雅退出循环并输出结果。

4. 关键引用文献与方法学局限性批判

任何出色的学术工作都不是空中楼阁，同时也必然存在其特定的适用范围。为了客观、深度地评价这项研究，我们需要对其关键引用文献以及当前方法学存在的局限性进行批判性剖析。

4.1 四大基石文献关联分析

1. ADAPT-VQE 奠基作： H. R. Grimsley, S. E. Economou, E. Barnes, and N. J. Mayhall, “An adaptive variational algorithm for exact molecular simulations on a quantum computer,” Nat. Commun., 10, 3007 (2019).
   • 关联分析：本文开创了自适应 VQE 的先河，奠定了梯度选择（GB）的工作范式。Rossi 等人的 RSe 算法正是为了彻底解决自 Grimsley 这篇奠基作发表以来就一直困扰 ADAPT-VQE 的“算符筛选测量开销高昂”和“梯度低谷导致收敛停滞”这两大核心历史痛点。
2. Rotoselect 经典算法： M. Ostaszewski, E. Grant, and M. Benedetti, “Structure optimization for parameterized quantum circuits,” Quantum, 5, 391 (2021).
   • 关联分析：该工作提出了针对通用参数化量子线路的 Rotoselect 框架，指出一维能量景观具有优美的解析三角结构。Rossi 等人的 RSe 算法在数学结构上与 Ostaszewski 的经典 RS 严格等价，但通过精湛的费米子代数变换，将测量的维度直接砍掉了一半，完成了向化学物理领域的完美跃迁。
3. 费米子幺正相似变换闭合理论（最核心的理论基石）： F. A. Evangelista and I. Magoulas, “Exact closed-form unitary transformations of fermionic operators,” Phys. Rev. A, 111, 042825 (2025).
   • 关联分析：没有 Evangelista 这篇极其精彩的纯数学物理闭合代数推导，RSe 算法的哈密顿量分裂就失去了理论根基。Rossi 等人极富远见地将这一高度抽象的代数物理定理嫁接到了变分量子算法的工程实践中，转化为了实实在在的测量开销削减。
4. 自适应轨道优化变分求解器（OO-VQE）： A. Fitzpatrick, A. Nykänen, N. W. Talarico, A. Lunghi, S. Maniscalco, G. García-Pérez, and S. Knecht, “Self-consistent field approach for the variational quantum eigensolver: Orbital optimization goes adaptive,” J. Phys. Chem. A, 128, 2843 (2024).
   • 关联分析：该文献详细阐述了轨道优化与自适应拟设相结合的机制。Rossi 等人在此基础上，成功证明了 RSe 与轨道优化能够产生极强的技术协同效应，为强关联系统的精确和低成本计算提供了目前最完备的方案。

4.2 方法学局限性批判（深水区思考）

尽管 RSe 算法在降低费米子 ADAPT-VQE 测量开销方面取得了突破性进展，但站在严谨的量子计算和理论化学研究视角，该方法仍存在以下四大无法回避的局限性：

1. 算符池规模的线性缩放红利耗尽： RSe 成功地将评估单个算符的成本降低了一半，这无疑是非常了不起的成就。然而，它并没有改变 ADAPT 算法在每次迭代中必须扫描整个算符池的根本逻辑。随着分子体系的增大，通用算符池的规模 $|\mathcal{A}|$ 仍以 $\mathcal{O}(N^4)$ 剧烈增长。这意味着在大体系下，即使单个算符的评估极其廉价，总的筛选测量量依然会由于算符池规模的膨胀而迅速累积。未来必须将 RSe 与算符池剪枝（Pool Pruning）或随机抽样（Random Sampling）技术结合，才能真正攻克极大型分子的模拟难题。
2. 空间与自旋对称性（Symmetry-Adaption）的严重缺失： 论文中使用的通用算符池 $\mathcal{A}_{sd}$（公式 7）仅保守地维持了粒子数守恒和自旋投影 $S_z$ 守恒，但并没有强制实施总自旋平方算符 $S^2$ 的自旋自适应对称性。由于 RSe 依赖于极其严苛的代数循环关系（$\hat{\tau}_g^3 = -\hat{\tau}_g$），一旦我们将算符池升级为物理上更优越、自旋自适应的单态对易算符生成元，这些复杂的自旋单态算符是否还能精确满足三阶循环及离散的 0, 1, 4 闭合分裂关系，目前仍是一个巨大的未知数。如果在对称性适配下闭合关系失效或产生更高的闭合特征值（如 $\alpha = 9, 16$ 等），RSe 算法的数学底座将不得不面临重构。
3. NISQ 嘈杂环境下的“嘈杂解方程”脆弱性（Shot Noise Sensitivity）： RSe 的精妙之处在于通过解一个 $2\times 2$ 线性方程组来“隔空”重构三角函数系数。然而，在真实的 NISQ 硬件上，所有的量子测量都伴随着不可避免的有限采样噪声（Shot Noise）。线性方程组的输入端（即测得的片段能量演化值）一旦叠加了统计涨落，经过逆矩阵求解后，其误差可能会被急剧放大（即方程组的条件数 Condition Number 恶化）。这可能导致重构出的一维能量景观严重失真，进而挑选出错误的算符，甚至给出极其荒谬的初值 $\theta^*_g$。论文中所有的基准测试均在理想的无噪声“态矢量”级别运行，该算法在真实嘈杂芯片上的抗噪性能和误差传播规律仍亟待业内进一步检验。
4. 经典端预计算的计算复杂度开销： 在启动 ADAPT 循环之前，算法必须对算符池中的每一个算符执行哈密顿量精确分裂（即确定哈密顿量中成千上万个费米 string 的 $\alpha$ 归属）。虽然这是一个一次性（One-time）的经典预计算，但由于哈密顿量中的项数随轨道数呈 $\mathcal{O}(N^4)$ 增长，且对易子和嵌套对易子的代数运算非常消耗内存。对于大型活性空间，这一经典端的“算符分裂数据库”构建过程可能会遭遇严重的经典算力与内存瓶颈。

5. 补充理论探索、数学推导与未来展望

为了满足对学术前沿有着极高追求的读者的探索欲，本节将提供两个极具含金量的补充内容：5-term 能量代价函数的严格代数推导，以及 RSe 算法在未来量子计算化学中的前沿展望。

5.1 5-term 能量代价函数的数学物理推导（严密补完）

在很多关于 Rotoselect 的文献中，大家都直接引用了 5-term 能量景观公式（公式 17）。为了展现本篇博客的学术严谨性，以下给出该公式的完整、一步一步的严格代数推导。

我们的目标是展开一维演化能量函数：

已知在满足循环关系 $\hat{\tau}_g^3 = -\hat{\tau}_g$ 时，指数变换算符可以写为：

由于 $\hat{\tau}_g$ 是抗厄米的（$\hat{\tau}_g^\dagger = -\hat{\tau}_g$），其伴随变换算符为：

为了简化书写，我们令 $S = \sin(\theta_g)$， $C = \cos(\theta_g)$，并将哈密顿量简写为 $\hat{H}$。我们将 $\hat{U}^\dagger \hat{H} \hat{U}$ 展开，可以得到：

我们进行项对项的乘积展开。由于包含 3 项乘 3 项，总共会产生 9 项：

利用对易子（$[\hat{A}, \hat{B}] = \hat{A}\hat{B} - \hat{B}\hat{A}$）和反易子（$\{\hat{A}, \hat{B}\} = \hat{A}\hat{B} + \hat{B}\hat{A}$）的定义，我们可以将上述算符展开式整理并按三角算符进行归类：

现在，我们引入以下三个经典的倍角三角学代数替换公式：

• 平方项消除：$C^2 = \cos^2(\theta_g) = \frac{1 + \cos(2\theta_g)}{2}$
• 平方项消除：$S^2 = \sin^2(\theta_g) = \frac{1 - \cos(2\theta_g)}{2}$
• 乘积项消除：$SC = \sin(\theta_g)\cos(\theta_g) = \frac{\sin(2\theta_g)}{2}$

将这三个替换公式代入上面的算符展开式中，并与已归类的各项合并。最终，我们在态 $|\Psi^{(n)}\rangle$ 下取期望值，即可完美得到系数显式定义的 5-term 能量景观表达式（对应论文补充材料中的 Equation 8）：

其中，各系数的显式量子物理期望值定义如下：

推导结论评价： 虽然上述显式定义极其优美，但如果直接在量子芯片上测量这些高阶嵌套算符（如 $\hat{\tau}_g^2\hat{H}\hat{\tau}_g^2$ 或反易子项），其所需的物理测量资源和线路构造复杂度将是灾难性的。这正是为什么 RSe 算法放弃直接测量这些系数，转而通过对哈密顿量进行 $\alpha$ 精确分裂，并借助极简的 3 点参数位移解线性方程组来间接确定这些系数的根本原因。这一“以迂为直”的巧妙物理设计，闪耀着深邃的方法学智慧。

5.2 物理直觉：$\alpha = 0, 1, 4$ 分裂背后的深层物理图像

对于非物理学背景的读者，可能很难理解为什么一个抽象的闭合参数 $\alpha$ 只能取 0, 1, 4 这三个奇特的值。其实，这背后有着非常直观且深刻的量子力学微观图像：

• $\alpha = 0$ 的物理图景：无相互作用区（Commutative Subspace）： 当 $\alpha=0$ 时，意味着部分哈密顿量算符（如涉及与 $\hat{\tau}_g$ 毫无关联的远程轨道的算符）与激发生成元完全对易。从物理上看，当我们在量子计算机上施加激发算符 $e^{\theta_g\hat{\tau}_g}$ 时，这部分电子轨道上的电荷分布和自旋态没有受到任何扰动，因此它们对一维能量随角度的变化贡献为零。RSe 成功识别出这一分量并将其归为常数 $E_{g,0}$，从而免去了对这部分算符执行昂贵的动态参数扫描测量，实现了极具物理意义的“剪枝”。
• $\alpha = 1$ 的物理图景：简谐耦合演化（Harmonic Coupled System）： $\alpha=1$ 对应基频三角函数演化。在微观上，这对应单电子激发过程或体系中非关联的独立跃迁模式。此时，哈密顿量片段与激发生成元之间呈现出类似简谐振子的代数闭合特征（类似于经典旋转群 $\text{SO}(3)$ 中的一阶生成元行为）。这种演化规律简单、线性度高，在量子化学中代表了中单态极化或单粒子轨道的重整化过程。
• $\alpha = 4$ 的物理图景：双频强关联非线性耦合（Anharmonic Double-Frequency coupling）： $\alpha=4$ 对应倍频（两倍角）三角演化。在物理上，双电子激发算符会同时作用于两个电子，其相似变换在代数上必然引入双倍的相位旋转速度（这正是闭合代数中出现 $\sqrt{4}=2$ 倍频的根源）。这部分算符对应分子体系中最核心、也最难处理的动态和非动态电子关联项（例如化学键断裂时的双电子相干协同运动）。RSe 通过将其精确剥离并赋予其两倍频解析特征，确保了对体系最强关联效应的高精度和高动态范围捕捉。

5.3 未来展望：RSe 的下两个重大技术演进方向

作为变分量子算法领域的一项重要突破，RSe 绝非演进的终点。在未来的发展中，以下两个方向极有可能将该方法推向全新的高度：

1. 自旋自适应算符池（Spin-Adapted Pool）的泛化拓展： 为了在变分过程中强制维持总自旋 $S^2$ 为单态，理论化学家更倾向于使用自旋自适应激发算符。这些算符是单、双费米子激发的线性组合，其代数结构远比单个费米子算符串复杂。未来的核心突破点在于，如何通过引入更广义的幺正相似变换闭合理论，在自旋适配算符池中寻找新的离散闭合常数 $\alpha$（可能是非整数，或者是一个更广阔的离散谱），进而将 RSe 的高能降本优势完美无损地移植到具有自旋对称性保护的量子模拟中。
2. NISQ 嘈杂芯片上的自适应嘈杂测量缓解协议（Noise-Resilient RSe）： 将 RSe 算法与先进的量子纠错和测量误差缓解技术（如虚拟光源、零噪声外推 ZNE 或主动参数位移自校准法）深度融合，构建一套专门应对有限采样 shot 噪声的方程组正则化求解方案（例如采用岭回归 Ridge Regression 或贝叶斯估计来代替直接的矩阵求逆）。这将彻底扫清 RSe 迈向真实商业级超导或离子阱量子芯片运行的最后障碍，让高精度、低开销的自适应量子化学模拟真正落地发光。