⚛️ quantum physics

An Optimized Construction of Lie Algebra Generator Pools for Variational Quantum Eigensolvers in Chemistry

本文引入了一种基于基本李代数性质的多项式缩放策略，用于构建优化的变分量子特征值求解器生成器池，从而克服了以往的计算瓶颈，以实现对强关联分子系统的高效模拟及在量子计算领域的更广泛应用。

原作者： Yaromir Viswanathan, Olivier Adjoua, César Feniou, Siwar Badreddine, Jean-Philip Piquemal

发布于 2026-07-30

📖 1 分钟阅读🧠 深度阅读

原作者： Yaromir Viswanathan, Olivier Adjoua, César Feniou, Siwar Badreddine, Jean-Philip Piquemal

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图烘焙一个完美的蛋糕，但你手头没有食谱。相反，你有一个充满了数百万种食材的、混乱庞大的储藏室：面粉、糖、香料、石头，甚至还有旧鞋子。你的目标是只混合出恰到好处的一把食材，从而创造出一种能完美模拟特定复杂分子蛋糕的味道。这正是科学家在尝试用量子计算机模拟分子时面临的挑战。这些“食材”是量子算符（quantum operators），而这种“混合”过程是一种被称为李代数（Lie algebra）的数学舞蹈。如果你选错了食材，你的蛋糕（模拟过程）要么毫无味道，要么会彻底崩塌。如果你选了太多食材，厨房就会变得过于拥挤，以至于烤箱（计算机）无法承受。多年来，寻找这组完美的、最精简的食材就像是在一个每秒都在指数级扩大的草堆中寻找一根针，这使得为哪怕是一个微小的碎屑烘焙蛋糕都变得几乎不可能。

这篇论文介绍了一种组织那个储藏室的高明新方法。作者团队来自 Qubit Pharmaceuticals 和索邦大学，他们开发了一种数学上的“购物清单”生成器，这种生成器不需要你去品尝每一种食材。他们并没有盲目地抓取物品并寄希望于它们奏效，而是使用了一种巧妙的二进制编码系统（可以将其想象为一种由零和一组成的秘密语言），从而能瞬间知道哪些食材可以组合成完美的蛋糕。他们证明了，通过观察这些食材在网格上的关系，他们在数学上可以保证一小组特定的食材足以创造出我们所需的任何分子结构。他们不仅找到了一种更好的挑选食材的方法，还构建了一个工具，让其能够为高达 26 个量子比特（qubits）的系统“烘焙蛋糕”，而这种规模的大小在以前对于这些方法来说太大了，会导致程序卡死。

问题所在：无限的食材架

在量子化学领域，科学家们想要模拟分子的行为。为了在量子计算机上实现这一点，他们使用了一种名为 VQE（变分量子特征值求解器）的算法。你可以把 VQE 想象成一个试图重现分子能量状态的机器人厨师。这个机器人有一份“算符”清单——即它可以在量子计算机上进行的数学操作。为了构建完美的模拟，机器人需要按特定顺序组合这些操作。

问题在于，可能的动作列表极其庞大。对于一个仅有几十个量子比特的系统，可能的组合数量会爆炸式增长到数万亿个。传统上，为了找到最佳的操作组合，科学家使用一种“贪婪”的方法。想象一下，你要通过一次拿起一块积木、检查它是否合适、然后再检查整座塔是否稳固的方式来搭建一座塔。如果你有一十亿块积木，检查每一块都会耗费极长时间。旧方法需要检查指数级增长的候选对象，这意味着对于任何大于微小分子的系统，计算机都会陷入计算的交通拥堵中，无法完成任务。

解决方案：神奇的网格

论文作者意识到，与其物理测试每一块积木，不如观察这些积木的“指纹”。他们将每一个可能的量子算符映射到一个简单的二进制矩阵（一个由 0 和 1 组成的网格）上。在这个网格中，“1”表示两个算符发生冲突（它们不对易），而“0”则表示它们相处融洽。

他们发现了一条强大的规则：如果你能以特定的方式排列这个网格，你就可以在数学上证明你的算符集是“完备的”。这意味着，无论你想构建多么复杂的分子形状，你的这一小组算符都有能力创造它。

他们的主要发现是一个定理，该定理指出：你不需要盖好整座塔就能知道你的积木是否有效。 你只需要检查你的二进制网格的秩（rank，即复杂度）。如果网格具有特定的数学形状，你就确信你的算符集是完成任务所需的最小组。这使过程从一种不可能实现的指数级搜索转变为快速的多项式计算。这就像拥有一个神奇的扫描仪，它会告诉你：“是的，这 20 种食材足以做出蛋糕”，而你甚至无需进行实际的混合。

结果：烘焙更大的蛋糕

团队使用两种不同的“机器人厨师”策略对这种新方法进行了测试。

首先，他们使用了一种称为 MB-ADAPT-VQE 的方法。这是一种自适应方法，机器人逐步构建配方，一次添加一种食材。通过使用他们这种全新的、微小的“最小完备池”（Minimal Complete Pool, MCP）算符，他们发现机器人可以更快地得出正确答案。对于一个拥有 26 个量子比特的水分子（H2O），旧方法可能需要检查超过 15,000 种不同的食材。而使用新方法，他们只需要大约 48 个核心食材，再加上一些额外的“启动”食材来帮助机器人开始工作。这使工作量减少了 100 倍以上。

其次，他们测试了一种名为 NI-DUCC-VQE 的“固定”方法。这就像是在机器人开始烹饪之前就预先写好了整个配方。由于他们的方法可以如此快速地生成这些完美的、最小化的池，他们能够模拟拥有 26 个量子比特的水分子（H2O）——这种系统规模对于这类算法来说此前是无法触及的。他们发现，虽然机器人仍需要进行大量测量（约 1,500 次尝试）才能获得正确的能量，但它可以做到不会陷入困扰旧方法的无限循环中。

难点：你仍然需要一个好的启动器

然而，这篇论文也揭示了一个至关重要的教训：拥有一个完美的最小化食材集并不总是能快速烘焙出蛋糕。

当团队尝试使用一组在数学上完美但在选择上却是随机的食材时，机器人卡住了。它开始烘焙，然后撞到了墙，停止了改进。事实证明，机器人需要“启动器”——即基于现实世界物理学（例如电子在分子中实际运动的方式）而选出的食材，来推动过程进行。

作者发现最好的策略是混合型的：

使用他们的新数学方法找到微小的、完美的核集算符（MCP）。
在这个核心基础上添加一些“基于物理动机”的启动器。
让机器人构建剩余部分。

这种组合使他们能够为像拉伸氢链和水分子这样复杂的系统达到“化学精度”（获得正确能量的金标准）。论文表明，虽然数学保证了解决方案的可能性，但解决方案的速度取决于选择正确的起点。

为什么这很重要

这项工作是一个重要的进步，因为它消除了量子计算中的一个主要瓶颈。通过证明我们可以通过简单的数学验证这些算符池，而不是通过暴力计算，作者们为模拟更大、更复杂的分子打开了大门。这最终可以帮助科学家设计新药、制造更好的电池或发现新材料，而这一切都是通过在仍处于早期阶段的量子计算机上进行模拟来实现的。论文并未声称已经解决了所有问题——模拟大型分子仍然需要强大的计算机和精细的调优——但它为科学家们提供了一张更好的航行地图。

技术摘要：用于变分量子特征值求解器（VQE）的优化李代数生成元池构建

问题陈述

变分量子特征值求解器（VQE），特别是像 ADAPT-VQE 这样的自适应算法，依赖于“算符池”——即用于构建量子拟设（ansatz）的泡利算符集合。为了使这些算法能够保证收敛到精确基态，算符池必须是一个最小完备池（Minimal Complete Pool, MCP）：即一个能以最小基数生成与系统哈密顿量相关的完整动力学李代数（Dynamical Lie Algebra, DLA）的算符集合。

当前方法的主要瓶颈在于验证完备性的计算不可行性。传统方法需要显式构建 DLA 基底或枚举乘积群，这两者都随量子比特数 $N$ 呈指数级增长（ $O(4^N)$ ）。这种指数级缩放限制了以往的应用仅限于小型系统（通常 $N \le 14$ ），并阻碍了将固定拟设方法（如 NI-DUCC-VQE）应用于更大、更复杂的分子。此外，虽然理论上存在通用的 MCP，但它们往往无法尊重量子化学中固有的特定对称性（例如粒子数、自旋、时间反演对称性），从而导致梯度消失和算法停滞。

方法论

作者提出了一个通用的多项式时间框架，通过利用泡利算符的代数性质并将其映射到二进制向量空间，来构建并验证 MCP。

1. 向二进制矩阵的代数映射

该方法并非直接分析算符，而是将一组泡利字符串 $A$ 映射为一个二进制邻接矩阵 $\Gamma_A \in M_{|A| \times |A|}(\mathbb{F}_2)$ 。

定义： 若泡利算符 $\alpha_i$ 与 $\alpha_j$ 反交换，则矩阵项 $\Gamma_A(i, j)$ 为 1，否则为 0。
意义： 该矩阵编码了所有的对易关系。作者证明，“收缩”（一种用于简化反交换图的图论操作）对应于在域 $\mathbb{F}_2$ 上的初等行/列变换。

2. MCP 同余定理

核心理论贡献是 MCP 同余定理。它确立了：若要使一组泡利字符串 $A$ 成为目标李代数 $\mathfrak{g}$ 的 MCP，则该集合必须是括号无关（bracket-independent）的，且其矩阵 $\Gamma_A$ 在 $\mathbb{F}_2$ 上与规范矩阵 $\Gamma_{\text{canonical-MCP}}$ 同余。

秩条件： 对于具有零对角线的对称二进制矩阵（ $\Gamma_A$ 始终如此），同余仅由矩阵的秩决定。
验证： 验证完备性简化为检查 $\text{rank}(\Gamma_A)$ 是否与目标代数的理论秩相匹配。这种验证过程的复杂度为 $O(N^3)$ ，较之以往方法的指数级缩放有了巨大的提升。

3. 对称性保持构建

为了满足量子化学的具体需求，该框架纳入了物理约束：

对称性保持： 构建出的算符池旨在尊重分子对称性（例如，要求实波函数的时间反演对称性会导致奇泡利字符串；以及粒子数守恒）。
目标秩： 对于与分子哈密顿量相关的特定子代数（ $\mathfrak{so}(2N)$ 的一个子代数），作者通过数值识别出 MCP 的目标秩为 $2N - 4$ ，而非通用的 $2N - 2$ 。
工作流： 算法从“具有物理动机的起始算符”（经过预筛选、保持对称性的 UCCSD 算符）开始。它迭代地添加括号无关的算符，直到 $\Gamma_A$ 的秩达到目标值（ $2N - 4$ ）。如果未达到目标秩，则在不显式枚举指数级乘积群的情况下扩展搜索空间。

核心贡献

理论进展

多项式时间验证： 本文提供了首个可证明的多项式时间（ $O(N^3)$ ）方法，用于验证目标李代数算符池的最小性与完备性。
同余分类： 它将算符池的完备性与二进制矩阵的同构类联系起来，使得通过秩评估而非穷举搜索来识别 MCP 成为可能。
子代数特征化： 该工作确定了与化学相关的对称性受限子代数的特定秩条件（ $2N-4$ ），弥合了抽象李代数理论与实际分子模拟约束之间的鸿沟。

算法应用

MB-ADAPT-VQE： 作者引入了一种利用所构建 MCP 的 批处理 ADAPT-VQE（Batched-ADAPT-VQE） 变体。通过使用规模随 $O(N)$ 缩放的算符池（而非标准的 $O(N^4)$ 量子激发基底池），该方法显著降低了梯度评估时的测量开销。
可扩展的 NI-DUCC-VQE： 该框架使得非迭代解耦幺正耦合集群（NI-DUCC-VQE）能够应用于此前因构建瓶颈而被认为过大的系统，成功模拟了高达 26 个量子比特（H $_2$ O）的分子。

结果

该框架在 Hyperion 态矢量模拟器上通过一系列分子系统（LiH, H $_6$ , H $_8$ , H $_2$ O）进行了验证。

维度缩减： 与标准 QEB 算符池相比，构建的算符池实现了超过一个数量级的算符计数缩减。对于 H $_2$ O（26 个量子比特），算符池规模从约 15,000 个减少到了 48 个（MCP）或 667 个（MCP + 起始算符）。
收敛效率：
- MB-ADAPT-VQE： 使用较大的批次大小（ $k=20, 30$ ）配合缩减后的算符池，与标准 ADAPT-VQE 相比，在函数评估次数方面显著加速了收敛，这在强关联系统（拉伸态 H $_6$ ）和较大分子（H $_2$ O）中表现尤为明显。
- NI-DUCC-VQE： 该方法在大约 1,500 次函数评估内达到了 H $_2$ O 的化学精度，证明了其在大规模模拟中的可行性。
起始算符的重要性： 数值实验证实，虽然理论上的完备性是必要的，但具有物理动机的起始算符至关重要。随机选择的完备池或严格的最小池（不含起始算符）往往会导致停滞或无法达到化学精度，这表明算符的选择与集合的完备性同样重要。

意义与主张

本文声称提供了一个基础性框架，消除了限制李代数生成元池构建的经典计算瓶颈。通过将验证问题从指数级的群枚举转向多项式级的矩阵秩评估，作者实现了：

模拟此前由于固定拟设限制而无法实现的复杂强关联系统（高达 26 个量子比特）。
为自适应 VQE 提供更高效的资源分配，减轻量子硬件上的测量负担。
提供一种数学严谨的方法来确保对称性适配池的完备性，从而防止导致梯度消失的“对称性障碍”。

作者指出，虽然理论框架保证了完备性，但在实际的 VQE 收敛过程中，通过增加额外的物理动机算符来增强最小核心通常会更有利。他们将这项工作定位为一种通用的工具，不仅适用于化学领域，还具有应用于量子纠错、机器学习和硬件控制的潜力，尽管其主要的验证仍是在量子化学模拟领域进行的。