Application and Performance Assessment of Annealing Methods for Electrostatic-Energy-Based Configuration Search in Mixed Crystals

本文提出了一种框架，将混合晶体中的静电能量最小化映射为伊辛型哈密顿量，以实现对取代构型的快速预筛选，结果表明尽管模拟退火与量子退火均能加速搜索，但模拟退火目前在识别不同系统规模下的低能结构方面展现出更优越的鲁棒性和可扩展性。

要点

想象你是一位厨师，试图为一道复杂的菜肴（比如混合晶体蛋糕）创造完美的新食谱。你有一个装满食材（原子）的 pantry，需要弄清楚如何将这些食材在蛋糕模具中排列，以获得最美味（最稳定）的结果。

问题在于，排列这些食材的可能方式数量是天文数字。如果你试图烘焙每一种变体并逐一品尝测试，这将花费你数千年的时间。这就是科学家们面临的“组合爆炸”问题。

以下是该论文如何解决的简单解释：

1. 捷径：“静电”测试

与其烘焙每一块蛋糕来找出哪一块最好，研究人员意识到他们可以使用快速的“静电”测试。在这些特定类型的晶体中，稳定性主要取决于原子的电荷如何相互推挤和吸引。

• 旧方法： 计算蛋糕的完整、复杂物理（第一性原理）。这就像烘焙蛋糕、品尝它并测量其质地。它很准确，但耗时极长。
• 新方法： 只需计算静电（埃瓦尔德能量）。这就像在食材附近拿一个气球，看它们如何反应。它极其快速——比完整测试快约 43,000 倍。

2. 搜索策略：“退火”

即使有了快速的静电测试，仍有太多排列需要检查。因此，团队使用了一种称为退火的策略。将其想象成在雾气弥漫的山区寻宝。你想要找到最深的山谷（最低能量/最稳定的结构）。

• 模拟退火（SA）： 想象一个有点笨拙的徒步者。他们开始时疯狂跳跃（高能量）以探索整座山。随着他们感到疲惫，他们开始更仔细地行走，只向更低的山谷迈步。最终，他们会安定在他们能找到的最深的位置。
• 量子退火（QA）： 想象一个可以使用“量子魔法”的徒步者。他们不只是行走，而是可以穿过山丘隧道，或者同时处于多个位置，瞬间找到最深的山谷。这被认为是超快速、未来的版本。

3. 实验：测试三种“蛋糕”

团队在三种不同难度的晶体“食谱”上测试了他们的方法：

1. 小蛋糕（CaYAlO4）： 一个简单的食谱，食材交换很少。
2. 中等蛋糕（β-KSbF4）： 一个现实、中等复杂的食谱。
3. 巨型蛋糕（掺钡 SiAlON）： 一个庞大、复杂的食谱，有成千上万种可能的排列。

4. 结果：谁赢了？

小蛋糕：
笨拙的徒步者（SA）和量子徒步者（QA）都表现出色。他们几乎瞬间就找到了最佳食谱。

• SA 比检查所有选项快约30 倍。
• QA 甚至更快，约快100 倍，并且没有遗漏任何最佳食谱。

中等和巨型蛋糕：
在这里，结果发生了变化。

• 笨拙的徒步者（SA）： 继续表现出色。对于巨型蛋糕，它比旧方法快300 倍，并成功找到了最佳食谱，没有遗漏任何选项。事实证明它是一个可靠、通用的工具。
• 量子徒步者（QA）： 开始遇到困难。虽然它很快，但开始遗漏最佳食谱。
  • 为什么？ 论文使用**“链断裂”**的概念来解释这一点。想象量子徒步者实际上是一队人手拉手排成一列（一条链）来代表一个决定。在真实的量子计算机硬件中，有时队伍中的人会松开彼此的手（链断裂）。当这种情况发生时，团队会感到困惑，徒步者就会错过最佳山谷。
  • 对于中等蛋糕，QA 仅快1.3 倍（几乎没有改进），并且由于这些“松手”而错过了一些好的选项。

5. 结论

该论文得出结论，目前**模拟退火（笨拙的徒步者）**是完成这项工作的最佳工具。它稳健、快速，即使对于非常大且复杂的晶体问题也能完美工作。

**量子退火（量子徒步者）**对于小问题很有前景，但当前的硬件存在“故障”（链断裂），使其无法可靠地处理更大规模的现实世界问题。

底线：
研究人员建立了一个数字框架，利用这些快速的“静电”测试和“笨拙的徒步者”搜索方法来快速筛选掉糟糕的晶体食谱。这使得科学家能够在等待数千年之前挑选出最佳候选者进行进一步研究。这是一个实用的自动化工具，加速了新物质的发现。

技术摘要

技术摘要：基于静电能的混合晶体构型搜索退火方法的应用与性能评估

问题陈述
在第一性原理设计固溶体和无序材料时，替代位点占据可能性的组合爆炸使得评估所有构型变得不切实际。对称性 distinct 构型的数量可达数十亿甚至数万亿，使得通过第一性原理计算进行 exhaustive 结构弛豫和能量比较在计算上不可行。虽然静电能（特别是 Ewald 能）可作为筛选稳定构型的快速描述符——其速度比完整的第一性原理计算快几个数量级——但当需要 exhaustive 搜索时，即使这种降低后的成本对于大规模系统而言也变得难以管理。挑战在于开发一种方法，在不评估每一种可能排列的情况下，高效地提取低能替代构型。

方法论
作者提出了一个框架，将低静电能构型的搜索表述为组合优化问题。

1. 公式化：替代位点的占据状态由二元变量（$\sigma_i = 0$ 或 $1$）表示。Ewald 能被映射到伊辛型哈密顿量上。为了强制特定的替代比例，在哈密顿量中添加了一个约束项，从而形成一个约束优化问题。
2. 算法：实现了两种退火方法来解决此问题：
   • 模拟退火（SA）：利用 dwave-samplers 库，研究采用了几何和线性冷却计划。系统通过以受玻尔兹曼分布支配的概率接受高能态来探索能量景观，并逐渐冷却以收敛到低能态。
   • 量子退火（QA）：在 D-Wave Advantage system 4.1 QPU 上实现。问题使用 AutoEmbeddingComposite 嵌入到量子处理器上。搜索从横向场哈密顿量演化到问题哈密顿量。研究考察了退火时间的影响以及“链断裂”（代表单个逻辑变量的物理量子比特未能对齐）的发生情况。
3. 验证：针对三个复杂度递增的目标系统，对 SA 和 QA 的性能进行了定量评估，并与 exhaustive 搜索进行了对比：
   • 小规模：CaYAlO$_4$（70 种可能构型）。
   • 中等规模：$\beta$-KSbF$_4$（794 种可能构型）。
   • 大规模：Ba 掺杂 SiAlON（127,400 种可能构型）。

主要贡献与结果
本研究提供了针对混合晶体构型预筛选的退火方法的系统性定量比较：

• 模拟退火（SA）性能：

  • 小规模（CaYAlO$_4$）：SA 实现了比 exhaustive 搜索快约 26.6 至 43.8 倍的速度提升（取决于冷却计划），并成功识别了所有最低能结构，无一遗漏。
  • 中等规模（$\beta$-KSbF$_4$）：SA 实现了约 18.8 至 248 倍的速度提升。线性冷却显示出优于几何冷却的速度（248 倍对比 18.8 倍），同时仍能捕捉到所有最低能结构。
  • 大规模（Ba 掺杂 SiAlON）：SA 实现了约 286 倍的速度提升（几何冷却），并成功捕捉了所有最低能结构。当样本数量增加到 40,000 时，速度提升达到 668 倍，但这需要显著更多的计算资源。
  • 冷却计划：线性冷却通常提供更快的计算时间，但需要仔细调整样本大小或扫描次数，以避免在大型系统中遗漏低能结构。几何冷却在防止遗漏方面更为稳健，但由于接受了更多增加能量的自旋翻转，计算速度较慢。

• 量子退火（QA）性能：

  • 小规模（CaYAlO$_4$）：QA 表现出高效率，实现了 116 倍的速度提升，并捕捉了所有最低能结构，无一遗漏。未观察到链断裂。
  • 中等规模（$\beta$-KSbF$_4$）：QA 性能受限。虽然增加退火时间（高达 2,000 $\mu$s）允许捕捉所有最低能结构，但速度提升仅降至 exhaustive 搜索的 1.29 倍。关键的是，链断裂发生在 5.55% 至 33% 的解中。研究确立了链断裂比例与解的平均能量之间的正相关性，表明链断裂阻碍了对最优低能态的搜索。
  • 大规模（Ba 掺杂 SiAlON）：由于嵌入约束，无法对该系统执行 QA。

意义与主张
本文主张，对于基于静电能的混合晶体构型搜索，模拟退火（SA）目前是用于快速预筛选的最稳健且通用的方法。它甚至适用于大规模问题，提供两到三个数量级的速度提升，同时可靠地识别最低能结构。

虽然量子退火在小规模问题上显示出潜力，但研究强调，当前的硬件限制——特别是将逻辑变量嵌入物理量子比特以及由此产生的链断裂——构成了瓶颈。这些限制降低了 QA 在中等规模及更大规模问题上的速度提升和可靠性。作者得出结论，所提出的公式化可以使用公开可用的库（例如 Pymatgen、PyQUBO、dwave-samplers）自动实现。当与第一性原理计算逐步集成时，该框架为加速真实材料系统的候选结构生成和性质预测提供了一条计算途径，有效地弥合了组合爆炸与实际材料设计之间的差距。