来源论文: https://arxiv.org/abs/2606.05968v1 生成时间: Jun 06, 2026 00:34

击碎Bravyi-Kitaev映射下的对称性陷阱：基于加速ADAPT-VQE的强关联分子单周期收敛深度解析

0. 执行摘要

在近端含噪中等规模量子（NISQ）时代，变分量子特征值求解器（VQE）被视为实现量子化学模拟“量子优势”的关键路径。然而，算法的实际表现高度依赖于变分Ansatz的设计与费米子-量子比特映射（Fermion-to-Qubit Mapping）的选择。传统上，Bravyi-Kitaev（BK）映射凭借其对保利算符串最大权重 $O(\log_2 N)$ 的对数级压缩，相比于 Jordan-Wigner（JW）映射的 $O(N)$ 线性缩放，在硬件门开销上展现了显著优势。

然而，最近由 Hermawan Kresno Dipojono 提出的研究工作暴露了 BK 映射的一个严重“后门”缺陷：当与传统的固定 Ansatz（如 UCCSD）结合，在模拟高度拉伸或非对称的强关联多重数（Multi-reference）分子体系时，由于非定域奇偶校验树（Parity Tree）结构引发的全局相位相互抵消，优化器的初始梯度会彻底归零（0.000000 Ha），陷入“初始化瘫痪”（Initialization Paralyzation）或称“编码锁定型 barren plateau”。这意味着，即使物理上体系存在强关联和高纠缠需求，固定 Ansatz 的优化也会在哈特里-福克（Hartree-Fock）参考态上瞬间冻结。

为彻底打破这一结构性枷锁，该研究引入了自适应导数装配伪特罗特变分量子特征值求解器（ADAPT-VQE）框架，并针对高比特、大空间模拟开发了创新的5阶稀疏矢量化泰勒展开状态演化引擎。令人惊叹的是，研究表明：ADAPT-VQE 并非仅仅通过微调电路来逐步优化，而是凭借其独特的算符流形（Operator Manifold）梯度筛选机制，在首个宏观生长周期（Cycle 1）内实现了向全组态相互作用（FCI）极限能量的“单周期坍缩”（Single-Cycle Collapse），彻底打破了 BK 编码下的零梯度陷阱。本文将从数学机理、计算基准、代码复现以及局限性批判四个维度，对这一具有里程碑意义的工作进行全景式深度剖析。

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：非定域映射下的“编码锁定型零梯度陷阱”

在第二量子化表象下，分子哈密顿量构建在费米子生成/湮灭算符 $a_i^\dagger, a_j$ 的基础之上。为了在量子计算机上运行，这些算符必须通过特定的同构映射 $\mathcal{M}$ 投影至量子比特空间（Pauli 群 $\mathcal{P}_N$）。

• Jordan-Wigner (JW) 映射保持了轨道占有数的定域映射（直观但代价高昂，保利算符串长为 $O(N)$）。
• Bravyi-Kitaev (BK) 映射则将寄存器阵列划分为占用、奇偶校验（Parity）和更新（Update）树结构。任意费米子单粒子激发算符 $\hat{\tau}_{pq} = a_p^\dagger a_q - a_q^\dagger a_p$ 在 BK 映射下会展开为高度非定域的保利算符串线性组合：

其中 $\hat{P}_j \in \mathcal{P}_N$ 的最大权重缩放为 $O(\log_2 N)$。然而，这些保利串中包含长距离、高度纠缠的 $X$ 和 $Y$ 链，用于在二叉奇偶校验树中追踪系统的全局奇偶性。

致命的技术难点在于： 在高度拉伸的几何构型（如解离极限处的分子）或不对称强极化分子中，二阶量子化哈密顿量映射出极其复杂的长保利串。当我们尝试从平庸的、未纠缠的哈特里-福克参考态 $|\Psi_{HF}\rangle$ 开始进行参数化固定 Ansatz（如 UCCSD）演化时：

其在初始坐标边界 $\boldsymbol{\theta} = \mathbf{0}$ 处的能量梯度分量 $g_k$ 为：

在 BK 编码下，算符 $\hat{A}_k$ 中的非定域 $X, Y$ 链会对 $|\Psi_{HF}\rangle$ 施加轨道翻转和相位移动，将状态向量投影至与参考态正交的子空间内：

当在全局树状编码结构上对整个哈密顿量求和时，其非定域相位分配导致了完美的对称代数抵消：

这便是梯度消失定理（The Gradient Vanishing Theorem under Non-Local Phase Encodings）。传统的固定 Ansatz 无法感知到任何优化方向，陷入物理瘫痪。这一现象本质上是一种由编码机制（Encodement）诱导的、发生在起始点处的 Barren Plateau。

[传统 UCCSD-VQE (BK映射)]
|Ψ_HF⟩  --->  [计算能量梯度 g_k]  --->  代数相位抵消 (g_k = 0)  --->  优化器瘫痪 (0.000000 Ha)

[ADAPT-VQE (BK映射)]
|Ψ_HF⟩  --->  [算符池 A 换算]  --->  解析对易子梯度 G_i 活性检测  --->  锁定强关联算符  --->  单周期向FCI极限坍缩

1.2 方法细节：ADAPT-VQE 的算符对易子流形解析与解耦

ADAPT-VQE 并非在参数空间中苦苦挣扎，而是转向了算符流形（Operator Manifold）。它首先定义了一个静态的、不随迭代改变的算符池 $\mathcal{A} = \{\hat{A}_1, \hat{A}_2, \dots, \hat{A}_M\}$（包含单激发、双激发等抗埃尔米特算符）。

在每一个宏观生长周期中，ADAPT 引擎通过计算当前状态 $|\Psi\rangle$ 下哈密顿量 $\hat{H}$ 与算符池中每个成员的解析对易子梯度 $G_i$：

根据保利群的李代数关系，哈密顿量保利串 $\hat{O}_\alpha$ 与池中算符 $\hat{P}_j$ 的对易子简化为非对易部分的直接求和：

这种算符级别的过滤机制具有极强的物理免疫力：它直接过滤掉了所有对易项，只暴露出驱动强关联的非对易对称破缺分量。 即使在 $|\Psi_{HF}\rangle$ 处，反对易项也会产生一个极大的非零梯度（$G_m \gg 0$），瞬间为优化器指明坍缩路径。

1.3 技术难点：大比特演化中的 $O(N^3)$ 算符指数化瓶颈

由于 ADAPT-VQE 必须动态演化状态向量：

在经典模拟中，最直接的方法是使用密集矩阵指数化（例如 SciPy 中的 expm）配合奇异值分解（SVD）。然而，这些方法的操作数随量子比特数呈指数和立方缩放 $O(N^3 \cdot 2^{3N})$。对于 12 量子比特的 $\text{H}_2\text{O}$ 体系，状态空间维度为 $4096$，生成稠密矩阵运算将导致灾难性的内存冻结与计算卡死。

为克服这一物理瓶颈，本工作设计了5阶矢量化泰勒展开状态演化引擎（详见第3部分），将大矩阵指数化问题彻底转化为极其高效的稀疏矩阵-矢量乘法，成功地在普通工作站上实现了秒级计算。

2. 关键 Benchmark 体系、计算数据与性能分析

本研究精心挑选了量子化学中极具代表性的三个分子“支柱”（Pillar Molecules），并在空间几何构型上施加了极端的物理应变，以模拟极致的多重数强关联环境。

2.1 三大测试体系几何配置

1. 氢化锂 (LiH) (10 量子比特)： 评估于平衡-拉伸坐标 $R = 1.696$ Å。冻结内核，保留 2 个活性价电子分布于 5 个活性空间轨道上。
2. 氟化氢 (HF) (10 量子比特)： 处于严重拉伸状态，键长 $R = 3.0$ Å。氟的 $1s^2$ 内核被冻结，包含 8 个活性价电子和 5 个活性空间轨道。
3. 水分子 ($\text{H}_2\text{O}$) (12 量子比特)： 采用复杂的非对称双键拉伸构型：$R_1(\text{O-H}) = 1.95$ Å 且 $R_2(\text{O-H}) = 1.50$ Å，以此构建极为严苛的非对称强关联势能面。氧的 $1s^2$ 内核冻结，8个活性电子分布在 6 个活性轨道上。

具体的直角坐标（Cartesian Coordinates）列于下表：

2.2 核心计算数据对比与分析

以下是本研究最核心的数据汇总，集中展示了传统 BK-UCCSD 与 ADAPT-VQE 的物理表现对立：

2.3 数据深度解构

1. 传统 BK-VQE 的彻底失效： 无论是 LiH、HF 还是 $\text{H}_2\text{O}$，在传统固定 UCCSD-VQE 下，其活性空间能移均为精确的 $0.000000$ Ha。这证明了在零梯度初始化陷阱下，传统的非定域 BK 参数优化路径被完全“封印”。

2. ADAPT-VQE 的“单周期收敛”奇迹： 通过算符筛选，ADAPT 引擎在第一步就精确抓取了起决定性作用的对称破缺双激发算符（如对于极化分子中的 $\sigma \rightarrow \sigma^*$ 价层轨道跃迁）。

   • 对于 LiH，算符池索引为 [14] 的算符被选中，系统能量瞬间下降 -1.034598 Ha，直接触及 FCI 精准底线。
   • 对于 HF，选中索引 [08] 的算符，能量暴跌 -25.035892 Ha。
   • 对于非对称 $\text{H}_2\text{O}$，在 12 比特、92 个算符的庞大搜索空间中，引擎精准锁定索引 [61] 算符，能量直线坍缩 -18.632151 Ha，一步到位。

3. 对易子梯度的灵敏度对比： 传统的参数能量梯度为 0。但在 ADAPT 第一周期：

   • LiH 测得的最大对易子梯度强度 $|G_{max}| = 1.77459211$；
   • HF 的最大对易子梯度强度高达 $|G_{max}| = 50.07172814$；
   • $\text{H}_2\text{O}$ 同样测得 $|G_{max}| = 37.26430519$。 这一鲜明的对比，雄辩地论证了算符对易子流形在应对不确定非定域映射时的卓越物理活性。

[能量变化曲线 (Energy Plunge)]
能量 (Ha)
  |
0.0 +---------------------------------- (传统 BK-UCCSD 彻底停滞在 0.0 Ha)
    | 
    | * (ADAPT-VQE 瞬间选择强关联算符)
    |  \
    |   \
FCI +----+----------------------------- (单周期直接砸向 FCI 基态能量底限)
    0    1    2    3    4    5 (周期数 Cycle)

4. “鬼梯度”（Ghost Gradients）的发现与清除： 在 Cycle 2 之后，ADAPT-VQE 遇到了一个极具欺骗性的物理现象：在能量已经降至绝对 FCI 底线、无法再降低的情况下，算符筛选引擎仍然报告了极其强烈的非零梯度（例如在 $\text{H}_2\text{O}$ 中维持在 $\approx 37.11$）。这并非真实的物理关联，而是非定域保利串在二叉树映射下的旋转伪影（数学“鬼梯度”）。由于底层经典的 SLSQP 优化器具有高度稳健性，它自动将这些多余算符的演化步长 $\theta$ 压缩至 0.00000000（或被研究中设置的 $\theta < 10^{-9}$ 零跳过快速通道拦截），从而维持了纯净的基态。这一发现为未来的多状态变分方法指明了边界：在 BK 映射下，不能单纯依赖传统的基态生长梯度路径来进行激发态扩展。

3. 代码实现细节、5阶泰勒加速引擎与复现指南

为了使全球科研工作者能够快速、稳定地复现这一单周期坍缩结果，下面将系统解构其核心算法设计与 5 阶泰勒稀疏加速演化引擎的数学和代码实现。

3.1 核心数学加速：5阶矢量化泰勒展开

在常规 VQE 计算中，状态更新涉及计算矩阵指数运算对初态的作用：$|\Psi(\theta)\rangle = e^{\theta \hat{A}}|\Psi_0\rangle$。当体系达到 12 甚至更多量子比特时，直接生成密集的 $2^N \times 2^N$ 矩阵是不可接受的。

本研究提出，由于算符 $\hat{A}$ 具有抗埃尔米特性，其作用于实数/复数态矢量时具有较好的收敛域。我们可以利用直接向量相乘，将指数算符进行 5 阶 Taylor 截断级数展开：

利用基于压缩稀疏行（CSR）格式的高性能稀疏矩阵-矢量乘法（Sparse Matrix-Vector Dot Product, SpMV），我们可以迭代计算级数项：

最终累加得到 $|\Psi(\theta)\rangle \approx \sum_{k=0}^5 |v_k\rangle$。该算法完全避免了建立极其庞大的指数矩阵，将空间复杂度降为 $O(2^N)$，计算耗时从几小时缩短至几秒钟。

3.2 复现架构与 Python 伪代码

基于该研究所描述的高效引擎，复现代码核心架构如下：

import numpy as np
import scipy.sparse as sp
from scipy.optimize import minimize

class AcceleratedTaylorEngine:
    def __init__(self, num_qubits):
        self.n = num_qubits
        self.dim = 2 ** num_qubits
        
    def sparse_taylor_evolution(self, state_vector, operator_sparse, theta):
        """
        5阶矢量化泰勒展开加速引擎
        直接投影算符作用，避免密集 expm 运算
        """
        if abs(theta) < 1e-9:
            return state_vector  # 零跳过快速通道
            
        # 初始化迭代项
        term = state_vector.copy()
        evolved_state = state_vector.copy()
        
        # 5阶递推求和
        for k in range(1, 6):
            # 稀疏矩阵矢量积: A * |v_{k-1}>
            term = operator_sparse.dot(term) * (theta / k)
            evolved_state += term
            
        # 归一化，防止极小幅度漂移导致的模损耗
        norm = np.linalg.norm(evolved_state)
        return evolved_state / norm

    def get_commutator_gradient(self, hamiltonian_sparse, operator_sparse, state_vector):
        """
        解析对易子梯度计算: G_i = <Ψ|[H, A_i]|Ψ>
        """
        # 计算 H|Ψ>
        h_psi = hamiltonian_sparse.dot(state_vector)
        # 计算 A|Ψ>
        a_psi = operator_sparse.dot(state_vector)
        
        # 项一: <Ψ|H A|Ψ> = <HΨ|AΨ>
        term1 = np.vdot(h_psi, a_psi)
        # 项二: <Ψ|A H|Ψ> = <AΨ|HΨ>
        term2 = np.vdot(a_psi, h_psi)
        
        # 抗埃尔米特算符求导性质，梯度为 2 * Real(term1)
        # 或根据 Eq 7 直接计算对易子期望值
        return 2.0 * np.real(term1)

# 核心 ADAPT 循环伪代码逻辑
def run_adapt_vqe(hamiltonian, operator_pool, init_state, tol=1e-6):
    engine = AcceleratedTaylorEngine(num_qubits=10)
    current_state = init_state.copy()
    ansatz_operators = []
    optimized_thetas = []
    
    print("Launching ADAPT-VQE with Sparse Taylor-5 Engine...")
    
    for cycle in range(1, 3):  # 只需要展示两个循环来验证单周期坍缩与鬼梯度
        gradients = []
        for op in operator_pool:
            grad = engine.get_commutator_gradient(hamiltonian, op, current_state)
            gradients.append(grad)
            
        max_idx = np.argmax(np.abs(gradients))
        max_grad = gradients[max_idx]
        print(f"[Cycle {cycle:02d}] Max Gradient = {abs(max_grad):.8f} at Index [{max_idx}]")
        
        if abs(max_grad) < tol:
            print("Convergence criteria met!")
            break
            
        # 压入新算符
        ansatz_operators.append(operator_pool[max_idx])
        optimized_thetas.append(0.0) # 初始赋予0权重
        
        # 经典的 SLSQP 变分优化子
        def energy_cost_function(thetas):
            # 级联演化状态
            state = init_state.copy()
            for op_sp, th in zip(ansatz_operators, thetas):
                state = engine.sparse_taylor_evolution(state, op_sp, th)
            # 计算期望值 <Ψ|H|Ψ>
            return np.real(np.vdot(state, hamiltonian.dot(state)))
            
        res = minimize(energy_cost_function, optimized_thetas, method='SLSQP',
                       options={'ftol': 1e-12, 'disp': False})
        
        optimized_thetas = list(res.x)
        current_state = init_state.copy()
        for op_sp, th in zip(ansatz_operators, optimized_thetas):
            current_state = engine.sparse_taylor_evolution(current_state, op_sp, th)
            
        print(f"[Cycle {cycle:02d}] Energy Shifted: {res.fun:.8f} Ha")

3.3 开源生态与推荐软件包

研究中虽然使用了高度定制化的 5 阶展开核心，但底层的量子化学基元和映射算符可以通过以下开源库流畅生成：

• PySCF (Python-based Simulations of Chemistry Framework): 推荐用于快速执行 Hartree-Fock 计算并导出活性空间单/双电子积分。
• OpenFermion / OpenFermion-PySCF: 用于承接 PySCF 的积分，将其转化为第二量子化分子哈密顿量，进而一键执行 Bravyi-Kitaev 变换。
• Qiskit Nature: IBM 的量子计算化学包，提供了极其成熟的 BravyiKitaevMapper 类和 UCCSD 激发池算符构建方法。可借助其矩阵化接口生成 CSR 格式哈密顿稀疏矩阵投入上述 Taylor-5 引擎。

4. 关键引用文献与局限性批判

4.1 关键参考文献及其物理贡献

1. Grimsley et al. [Nature Communications, 10, 3007 (2019)] (ADAPT-VQE 的奠基工作) [8]：首次提出了动态增长 Ansatz 电路的自适应物理框架，将量子化学态制备从“预编译固定模板”解脱出来，奠定了本研究的算符选择底座。
2. Seeley, Richard, and Love [J. Chem. Phys. 137, 224109 (2012)] (Bravyi-Kitaev 映射的重要物理实现) [14]：全面定义了 BK 奇偶校验二叉树的底层代数结构，为本研究追溯零梯度成因提供了直接的编码图论工具。
3. Tang et al. [PRX Quantum, 2, 020310 (2021) / J. Chem. Phys. (2025)] [13]：对非变分 ADAPT 方法的探讨，揭示了在系统抗噪和门层级优化中的潜力，为本工作探讨噪声韧性及浅层电路提供了背景线索。
4. Kumar N. et al. [IEEE PuneCon (2025)] [7]：指明了固定 UCCSD 在拉伸构型下收敛于虚假经典平庸解的脆弱性，直接启迪了本研究探寻非定域物理陷阱根源。

4.2 局限性批判与科学拷问

尽管本工作在打破 BK 映射下的对称性陷阱以及提升状态演化速度上取得了突破，但在量子化学更广阔的发展层面上，以下几个重大局限性和隐藏问题仍需得到客观批判与直面：

4.2.1 “单周期收敛”的体系规模特异性（System-Size Specificity）

研究中展示的“单周期直接坍缩至 FCI 限”虽然在物理上极其震撼，但必须注意到，这是由于测试分子（LiH、HF、不对称 $\text{H}_2\text{O}$）的强关联态在本质上是由**单主控二重数（Single-Dominant Multi-Reference）**支配的。例如，在拉伸的二原子体系中，物理关联往往被高度锁定在单一的 $\sigma \rightarrow \sigma^*$ 双激发轨道。因此，ADAPT 在第一周期准确挑出该算符时，能量自然会直接见底。

然而，对于过渡金属氧化物（如典型的二茂铁、单核铁硫簇合物等复杂的强关联体系）或者更大分子空间的激发态耦合，系统往往存在着数十甚至数万个几乎简并（Quasi-degenerate）的参考电子配置。在这种环境下，静态算符池中的算符对易子会出现高度复杂的纠缠。ADAPT-VQE 不可能再表现出瞬间的“单周期坍缩”，而是仍须经历极其漫长的多周期迭代积累。本论文在讨论中并未对此类真实强关联体系进行深入阐述，存在过度推演单周期普适性的嫌疑。

4.2.2 泰勒展开引擎的非幺正性（Unitarity Violation）

这是一个严重的数学隐患。5阶泰勒展开式 $|\Psi(\theta)\rangle \approx \sum_{k=0}^5 \frac{\theta^k}{k!} \hat{A}^k |\Psi_0\rangle$ 只是算符指数 $e^{\theta\hat{A}}$ 的多项式近似。真实的演化算符 $e^{\theta\hat{A}}$ 理论上是严格幺正的（Unitary），保证了状态矢量的概率幅守恒。然而，任何有限阶数截断的泰勒级数都不是幺正的！

当作用的变分参数 $\theta$ 较小（如 LiH 的 $\theta = 0.124$）时，非幺正性的偏差可被后置的归一化步骤（Normalize）轻易掩盖。但在更为复杂的化学环境下，或者面临更强的自旋轨道耦合时，变分参数往往需要超过 $1.0$ 甚至更大。此时，5阶截断会发生严重的**概率幅泄露（Norm Leakage）**甚至发散。如果没有动力学矢量范数重新缩放（Vector-Norm Re-scaling）或自适应高阶截断机制，该加速引擎在 18 量子比特以上的复杂强关联模拟中极易发生数值崩溃。

4.2.3 硬件“鬼梯度”产生的测测量开销（Measurement Overhead on NISQ）

尽管本论文非常精彩地揭示了在达到 FCI 精准度后，后续周期里产生的高额非零梯度属于非定域映射下的“鬼梯度”（Ghost Gradients），且经典 SLSQP 优化器能自动将对应参数 $\theta$ 置为 0 来抵抗它。但是，研究忽略了一个关键的 NISQ 硬件事实：

在真实量子芯片上，计算这些“鬼梯度”仍然需要付出巨大的物理测测量（Shot Allocation）代价。ADAPT 引擎每前进一步，都必须对所有池中的算符执行 $G_i = \langle\Psi|[\hat{H}, \hat{A}_i]|\Psi\rangle$ 的实测。这意味着，即使物理基态已经完全收敛、无需任何生长，量子计算硬件依然在反复测量由 BK 树形相位旋转引发的、没有物理能量贡献的虚无“鬼梯度”。这在无形中极大地浪费了宝贵的 NISQ 计算资源。未来的工作亟需在经典端建立能够预先滤除这类非物理旋转算符的辅助算法。

5. 补充理论探索：信息论与纠缠流形视角下的 BK 陷阱

为了给变分量子算法的设计提供更具洞察力的理论支撑，我们有必要从量子纠缠与信息传播的角度，深度解剖为什么非定域的 Bravyi-Kitaev 映射会在强关联点产生如此诡异的零梯度陷阱，而 Jordan-Wigner 却较少表现出此类现象。

5.1 非定域树状结构与物理态的“纠缠过度配置”

变分量子状态的可优化性（Trainability）高度依赖于变分线路所开辟的能量超曲面（Energy Landscape）的平滑度。在 Jordan-Wigner 映射中，物理轨道的占有信息与量子比特是一一对应（Local One-to-One）的。当分子键拉伸时，虽然关联度极强，但态矢量的纠缠在空间上依然呈现局部特征，优化器能够通过局部的轨道旋转逐步向下游渗漏信息。

相比之下，Bravyi-Kitaev 映射采用的二进制树状设计，将每一个物理轨道的奇偶校验信息打散并混合编码在整个寄存器空间中。这就产生了一个物理逻辑悖论：

在物理上原本非常简单、极度局部化的分子拉伸单重对称性破缺态，在 BK 量子比特空间中，却不得不通过由一长串相互缠绕的非定域 $X, Y$ 算符所组成的保利链来进行表示。

这种映射强行将整个体系拖入了纠缠过度配置（Entanglement Over-allocation）的深渊。对于一个简单的、零初态未纠缠的哈特里-福克参考态 $|\Psi_{HF}\rangle$，任何试图在固定 Ansatz 中沿着单一方向前进的尝试，都会遭遇非定域保利链产生的全局相位抵消。这种现象在数学上表现为对称相消，在信息论上，则是由于非定域信息在奇偶校验树中被过度稀释，导致局部参数梯度（对极小局部量子比特进行微调）无法回传系统能量的全局变化，从而使整个固定 Ansatz 陷入死局。

5.2 算符流形的几何复兴

ADAPT-VQE 的成功不仅在于它免去了参数调整，更在于它在**李群几何（Lie Group Geometry）**层面的复兴。固定 Ansatz（如 UCCSD）将量子状态约束在一个预设的、死板的多维环面（Torus）上。如果这个环面的初始梯度方向由于非定域相位被完全切断，优化器就会在原地打转。

而 ADAPT 的算符生长法则相当于在状态流形的切空间（Tangent Space）中，直接根据对易子物理活性测量，沿着能量最速下降的测地线（Geodesic）方向开辟一条全新维度：

          [固定 UCCSD 轨迹]
          ❌ 遭遇相位抵消，在环面边缘原地打转
         /
|Ψ_HF⟩ ------ (切空间对易子测地线方向) -------> [FCI 精确解 (Cycle 1)]
         \
          [ADAPT 瞬间开辟的直达通道] 🚀

这条测地线方向是由算符池本身的李代数直接生成的，它天然地绕过了非定域映射构建的伪对称壁垒。这种自适应动态开辟维度的策略，在几何层面上为我们彻底降伏非定域映射下的 barren plateaus 提供了终极武器。未来的变分量子化学软件设计，应当以此为范式，彻底挥别僵化的固定模板 Ansatz，走向全面自适应与硬件协同演化的新纪元。