Tailored and Externally Corrected Coupled Cluster with Quantum Inputs

本文提出了一种混合量子-经典方法，该方法利用在量子硬件（如 Google 的 Sycamore 设备）上测得的波函数重叠来修正经典耦合集群方法，从而以极低的量子资源需求，在强关联系统中实现化学精度的结果。

要点

想象一下，你正试图烤出一个完美的蛋糕（模拟分子的行为），但你同时面临着两个截然不同的难题：

1. “大局观”问题（静态相关性）： 有时，你蛋糕里的原料会以一种简单食谱无法处理的奇特、复杂的方式相互作用。如果你忽略这一点，你的蛋糕可能会塌陷或者味道完全不对。在化学中，当化学键正在断裂或形成时，就会发生这种情况。
2. “细节”问题（动态相关性）： 即使你把握住了大局，你仍然需要考虑到每一个糖晶体和蛋分子微小而持续的抖动。如果你忽略了这些微小的细节，你的蛋糕就不会足够精准，从而无法美味。

几十年来，科学家们一直拥有一种“金标准”食谱（称为耦合簇理论/Coupled Cluster），它在处理“细节问题”方面表现出色，但在处理“大局观问题”时却表现糟糕。当他们尝试将这种方法用于复杂的分子时，该食谱会发生灾难性的失败。

新型混合食谱

这篇论文提出了一种聪明的混合方法，它结合了两个世界的精华：量子计算机和经典超级计算机。

你可以把量子计算机想象成一位“草图画家”。它擅长勾勒出“大局”（复杂的、奇特的相互作用），但并不完美。它可能会犯一些小错误。
你可以把经典计算机想象成一位“精密编辑”。它很难从头开始绘制复杂的图像，但它非常擅长拿着一份草图进行润色，以使其达到完美。

作者的方法运作如下：

1. 草图： 他们要求量子计算机准备一个“试探态”（分子的粗略草图）。
2. 测量： 他们并没有要求量子计算机完成整个计算（这太难且容易出错），而是只要求它测量特定的“重叠度（overlaps）”。想象一下，你对着光举起两张透明的薄片，然后询问：“这两个形状重叠了多少？”
3. 润色： 他们将这些重叠度测量结果输入到经典“精密编辑”中（一种称为分裂振幅耦合簇/Split-Amplitude Coupled Cluster的方法）。这位编辑利用草图来修复“大局”中的错误，然后添加“细节”，从而得到一个具有化学精确度的结果。

“影子”技术

在量子计算机上测量这些重叠度通常就像是在暴风雨中数沙粒一样；你需要数百万次测量（称为“采样次数/shots”）才能得到清晰的答案。

作者使用了一种叫做**“经典影子（Classical Shadows）”**的技巧。想象你想了解一个 3D 物体的样子，但你只能从随机角度拍摄 2D 照片。通过拍摄足够的随机照片（影子），你可以通过数学手段重建出 3D 形状，而无需一次性看到整个物体。

• 他们使用了特定类型的影子，即 Matchgate Shadows，来测量重叠度。
• 他们发现，即使照片有点模糊（有噪声）或者草图不完美，这个“精密编辑”也表现出了惊人的鲁棒性（稳健性）。它仍然可以修复食谱并制作出完美的蛋糕。

他们的发现

团队在几个场景下测试了该方法，包括将一个氮分子分解以及模拟一个钻石晶体。以下是他们的主要结论：

• 不完美的草图也能奏效： 即使量子计算机提供的“草稿”很差（比如像小孩子画的草图），经典编辑仍然可以修复它。最终结果通常具有化学准确性，解决了旧有“金标准”食谱的失效问题。
• 测量次数惊人地少： 你可能认为需要数十亿次测量才能获得良好的结果。他们发现，你只需要几百万次（具体来说，对于一个氮分子大约需要 3000 万次采样）。对于目前的量子硬件来说，这是一个完全可以接受的数量。
• 真实硬件测试： 他们不仅仅是在做模拟；他们还在 Google 的 Sycamore 量子芯片上运行了程序。即使面对物理芯片中真实的噪声和误差，他们的方法产生的结果仍能与其他的先进量子模拟方法相媲美。
• 钻石与钻石： 当他们尝试将其应用于钻石晶体时，该方法相比于仅使用原始量子草图显著提升了结果，尽管由于量子草图在特定情况下受到限制，它并未完全达到“完美”的水平。

底线结论

这篇论文表明，我们不需要一台完美的、无误差的量子计算机来解决今天的困难化学问题。我们只需要一台量子计算机来提供复杂部分的“粗略草图”，然后由一台经典计算机来进行繁重的细节润色工作。

这就像拥有一位才华横溢但略显笨拙的艺术家（量子计算机）来绘制杰作的轮廓，以及一位细致入微的修复师（经典计算机）来填补色彩并修正线条。他们在一起，创造出了单凭其中任何一方都无法完成的杰作。

技术摘要

技术摘要：结合量子输入的定制化与外部修正耦合集群方法

问题陈述
精确模拟分子电子结构需要对静态（强）相关与动态相关进行平衡处理。虽然单参考耦合集群（CC）方法，特别是 CCSD(T)，是动态相关的“金标准”，但在多参考（MR）机制（如化学键断裂）中会发生灾难性失效。相反，经典的 MR 方法（如 MRCC）计算成本极高，而活性空间（AS）方法（如 CASCI）虽然能很好地捕捉静态相关，却忽略了活性空间之外的动态相关。

量子计算为准备高质量的 MR 试探态（例如通过 VQE）提供了一条路径，以解决静态相关问题。然而，将这些量子态整合到经典的动态相关修正中面临着重大障碍。传统的混合方法通常需要测量高阶约化密度矩阵（RDM），例如 3RDM 和 4RDM，这会导致测量次数（量子资源）呈指数级增长，目前对于超出极小活性空间的系统而言是难以实现的。

方法论
作者提出了一种利用分裂振幅耦合集群方法（具体为定制化耦合集群 (TCC) 和 外部修正耦合集群 (ec-CC)）并由量子输入驱动的混合量子-经典框架。

1. 量子输入策略： 该方法不测量高阶 RDM，而是利用量子计算机准备一个试探波函数 $|\Psi_T\rangle$（例如 VQE 态）。随后，量子设备仅用于测量该试探态与特定斯莱特行列式（计算基态）之间的重叠度 (overlaps)。
2. 测量协议： 作者采用了经典影子 (classical shadows) 技术，特别是 matchgate shadows，来高效估计这些重叠度。该技术允许以多项式数量的采样次数（shots）来估计多个期望值，从而避免了全态层析或高阶 RDM 的需求。
3. 经典处理：
   • TCC： 利用测得的重叠度通过集群分析提取活性空间的集群振幅（$T_1, T_2$）。这些振幅被“冻结”，剩余的外部振幅则通过标准的 CCSD 方程求解。
   • ec-CC： 利用重叠度来确定试探态中近似的三激发（$T_3$）和四激发（$T_4$）振幅。这些振幅被“冻结”，同时在它们的参与下求解单激发和双激发方程，从而有效地利用 CCSD 来修正具有 MR 特性的能量。
4. 噪声建模： 作者开发了一个针对 matchgate shadow 测量的统计噪声模型。他们验证了重叠度估计量遵循高斯分布且是独立同分布（i.i.d.）的。这使得他们能够构建合成误差模型，以在不针对每个数据点模拟完整量子电路的情况下，估算采样预算（shot budget）。

核心贡献

• 资源效率： 作者证明了分裂振幅方法仅需多项式数量的重叠度（对于 TCCSD 为 $<n^4$，对于 ec-CC 为 $<n^8$），而非高阶 RDM。这大幅降低了与 QRDM-NEVPT2 相比所需的采样次数。
• 对不完美态的鲁棒性： 在 $N_2$ 解离曲线上的数值模拟表明，TCCSD 和 ec-CC 具有极强的鲁棒性。即使输入的量子波函数质量较低（例如来自具有显著能量误差相对于 CASCI 的浅层 VQE 电路），这些方法也能成功修复普通 CCSD 的定性失效（如虚假的反应势垒），并获得化学精度的动态相关修正。
• 采样预算估算： 通过将 TCCSD 能量误差与标准 CCSD 诊断指标（特别是 $T_1$ 诊断）联系起来，作者推导出了一个幂律模型来预测所需的采样预算。他们估计，若要获得 $N_2$ 解离曲线（21 个点）的化学精度结果，大约需要 3000 万次采样，这在当前硬件上是可行的。
• 实验验证： 作者使用 Google Sycamore 设备的数据测试了 ec-CC 协议（测量 $H_4$ 和金刚石晶胞的重叠度）。他们实现了一个后处理流水线，用于根据方差过滤重叠度并修正全局相位。

结果

• $N_2$ 解离（模拟）： 由浅层 VQE 态定制的 TCCSD 成功消除了普通 CCSD 中存在的虚假反应势垒，恢复了几乎与由精确 CASCI 定制的 TCCSD 完全一致的解离曲线。研究发现，动态相关能量的贡献对于 VQE 拟设（ansatz）的缺陷具有鲁棒性。
• $H_4$ 正方形（Sycamore 硬件）： 使用实验性的 matchgate shadow 数据，ec-CC 在充足的采样次数下实现了化学精度（误差 < 1 mEh），其表现优于原始的变分能量以及普通 CCSD 能量。其结果与来自同一硬件实验的量子蒙特卡洛（QC-QMC）结果相当。
• 金刚石晶胞（Sycamore 硬件）： 对于较大的系统（26 个轨道），使用量子试探态的 ec-CC 和 TCCSD 显著改善了试探态的变分能量，但未能达到化学精度。作者将其归因于活性空间近似的局限性以及试探态（完美配对）的特性，而非方法本身的失败。
• 误差缓解： 作者识别出一种内置的误差缓解机制。由于该方法依赖于重叠度的比值（用于归一化）且重叠度为实数，因此某些类型的噪声（如去极化噪声）会在商运算中抵消，使得该方法比直接测量能量期望值更具抗噪性。

意义与主张
该论文声称，这种方法为实现量子优势提供了一条切实可行的近期路径：

1. 可行性： 它降低了动态相关修正的测量门槛，使得处理在当前采样预算下对于经典计算难以处理的系统成为可能。
2. 误差韧性： 这些方法对状态制备的不完美（浅层电路）和测量噪声都具有鲁棒性，即使在输入质量较差时也能恢复定性的正确性。
3. 混合可行性： 它提供了一个具体的框架，使量子计算机处理困难的静态相关（通过状态制备和重叠度测量），而经典计算机处理动态相关（通过标准 CC 求解器），从而充分利用现有的经典基础设施（如 DLPNO-CCSD）。
4. 诊断指导： 这项工作为判断何时量子试探态能产生改进提供了实际指南，将量子优势的潜力与系统中特定多参考特征的存在联系起来。

作者总结道，尽管目前的实验结果令人鼓舞，但基于 matchgate shadows 的采样次数仍是上限，未来的工作可以探索更高效的影子协议（例如保持粒子数的协议）以进一步降低资源需求。