想象一下，试图在相当于整个宇宙大小的干草堆中找到一根单一、完美的针。这本质上就是科学家在计算复杂分子（如铁硫簇或帮助植物制造肥料的酶中的分子）中电子行为时所面临的挑战。这里的“干草堆”是电子可能排列方式的庞大数量，而“针”则是代表分子真实稳定状态的那一种特定排列。
本文介绍了一种名为QiankunNet-QSCI的新方法，它就像一个超级智能的混合团队，能够比以往更快、更准确地找到这根针。以下是其工作原理的简化步骤：
1. 问题：噪音太多，清晰度不足
过去，科学家曾尝试利用量子计算机来解决这一问题。然而，当前的量子计算机就像“嘈杂”的收音机；它们会接收到大量静电（误差），从而淹没信号。如果你让一台嘈杂的量子计算机去查看整个干草堆，它往往只会返回一堆随机的干草，浪费时间和能量。
2. 解决方案：两步“搜索与精炼”团队
作者建立了一个量子计算机与强大人工智能（AI）之间的合作伙伴关系来解决这一问题。这可以想象为一个侦察兵和一个制图师的组合。
第一步：侦察兵（量子计算机）
与其让量子计算机一次性解决整个问题（目前它尚无法在不犯错的情况下做到这一点），研究人员将其用作一个专注的侦察兵。
- 技巧：他们为量子计算机设计了一张特殊的、极短的“地图”（称为USCI 拟设）。这张地图指示计算机忽略干草堆中广阔而空旷的部分，只关注针最可能藏身的小范围、高概率区域。
- 结果：在真实的量子计算机（祖冲之 3.1 号）上，这位侦察兵成功忽略了噪音，找到了一份高质量的“候选针”（特定电子排列）小清单。它并未找到完美的答案，但它找到了答案所在的正确区域。
第二步：制图师（AI 变换器）
一旦量子计算机交出这份高质量的小清单，AI（QiankunNet） 便接手工作。
- 任务：AI 就像一位大师级制图师，它审视侦察兵的粗略草图，并填补所有缺失的细节。它使用一种名为变换器（Transformer）的高级人工智能技术（与驱动现代聊天机器人的技术相同）来理解电子之间复杂的相互关系。
- 神奇之处：AI 对数据进行“去噪”（修正量子计算机产生的误差）并“重构”完整图像。它利用候选小清单，通过数学扩展来预测完整、完美的电子排列，其精度令人惊叹。
3. 结果：解决“不可能”的任务
团队在两个极具挑战性的化学谜题上测试了这种方法：
- 铁硫簇（[2Fe-2S]）：这是一种存在于生物体内的微小生物机器。团队利用 40 量子比特的量子计算机，以“化学精度”（即答案精确到足以用于实际化学研究）解决了其电子结构。这是一个重大里程碑，因为以往的方法很难在这样的设备上正确完成此任务。
- 固氮酶 P-簇：这是一个更大、更复杂的分子，参与肥料的制造。他们将此方法应用于一个包含 114 个电子的巨大系统。尽管量子计算机无法独自解决整个问题，但这个混合团队获得的答案与最佳理论结果极其接近。
全局视角
该论文声称，这种方法证明我们无需等待“完美”的量子计算机即可开展有用的化学工作。通过仅利用量子计算机来找到正确的起点，并利用 AI 来承担精炼的重任，我们如今就能解决复杂的分子问题。
简而言之：量子计算机充当一盏智能手电筒，穿透噪音找到正确的位置；而 AI 则充当一位才华横溢的艺术家，利用该位置绘制出分子完整、准确的图像。
技术摘要：用于强关联电子结构的 Transformer 优化量子采样
问题陈述
准确模拟强关联电子系统（如过渡金属团簇）仍是计算化学领域的核心挑战。经典方法面临显著局限：密度泛函理论（DFT）在多参考问题中常因离域化和静态关联误差而失效；而高级波函数方法（如密度矩阵重整化群 DMRG）在高维活性空间中难以扩展，因为键维数必须呈指数增长。相反，尽管量子计算通过量子叠加和纠缠为精确解提供了理论途径，但当前的含噪声中等规模量子（NISQ）设备受限于短相干时间、高错误率，以及设计兼具表达力与硬件效率的试探态（ansatz）的困难。现有的混合方法，如变分量子本征求解器（VQE）和量子选组态相互作用（QSCI），存在特定瓶颈：VQE 面临 barren plateaus（ barren 平台）和优化困难，而标准 QSCI 常因采样冗余或低权重组态而浪费量子资源，导致收敛缓慢且尾部受噪声主导。
方法论：QiankunNet-QSCI
作者提出了 QiankunNet-QSCI，这是一种混合量子 - 经典框架，旨在通过解耦量子硬件与经典机器学习的作用来克服上述瓶颈。工作流程分为两个 distinct 阶段：
聚焦量子采样（USCI 试探态）：
量子处理器不再作为完整的变分本征求解器使用，而是被用作“聚焦行列式采样器”。作者引入了专为量子采样设计的 幺正选组态相互作用（USCI） 试探态。
- 设计原则： USCI 试探态优先考虑紧凑性和化学相关性，而非覆盖整个希尔伯特空间。其构建首先通过低成本经典预筛选（例如通过 CISD 或半随机 HCI）识别出一组紧凑的、具有化学意义的行列式。
- 电路构建： 该试探态利用由轨道旋转和选定的激发算符（源自预筛选集合）组成的幺正算符，并通过 Jordan-Wigner 变换映射到量子比特。关键在于，电路被设计为浅层且硬件高效，通常仅作用于与主导激发相关的量子比特子集。
- 执行： 量子处理器（祖冲之 3.1）执行 USCI 电路以生成比特串分布。这些比特串经过对称性过滤，仅保留物理上有效的组态（正确的粒子数和自旋），从而定义了一个集中的、具有化学相关性的子空间。
经典优化（QiankunNet）：
稀疏但关键的量子样本被输入到 QiankunNet 中，这是一个基于 Transformer 的神经网络。
- 架构： QiankunNet 采用仅解码器（decoder-only）的 Transformer 架构，配备振幅/相位解耦的头部。它将斯莱特行列式占据字符串作为输入序列进行处理，利用多头自注意力机制捕捉长程轨道关联。
- 功能： 该网络从量子采样数据中学习，对分布进行去噪，重构完整的电子波函数，并变分优化系数。它有效地“填补”了采样子空间中的空白，并校正由硬件引起的偏差，从而产生基态的无偏近似。
主要贡献
- USCI 试探态： 一种新颖的紧凑试探态，专为量子采样而非变分优化而定制。它以完整性换取紧凑性，降低了电路深度和门数量，同时确保量子硬件采样希尔伯特空间中化学上最主导的扇区。
- 混合工作流： 一种两阶段架构，利用量子硬件对行列式空间进行“重要性采样”，并利用经典 AI 进行“波函数补全”和优化。这避免了深度变分电路中的噪声累积问题。
- 自旋分解以实现可扩展性： 对于极大系统，作者采用自旋分解方法，将 α 和 β 自旋通道划分为独立的量子电路。这使得能够处理原本会超出当前硬件量子比特容量或连接性的活性空间。
结果
该框架在 祖冲之 3.1 超导量子处理器（105 个量子比特）上通过三个基准测试进行了验证：
H₁₀ 环（20 个量子比特）：
- 与带有 Jastrow 因子的局部幺正耦合簇（LUCJ）试探态相比，USCI 试探态产生了显著更集中的有效比特串分布（256 个唯一值 vs. LUCJ 的约 635,000 个），并成功识别出主导物理组态。
- 以 USCI 样本初始化的 QiankunNet 达到化学精度（1.6×10−3 Ha）的速度比随机初始化或 LUCJ 初始化快数个数量级。
[Fe₂S₂(SCH₃)₄]²⁻ 铁氧还蛋白团簇（40 个量子比特）：
- 模拟了 30 电子、20 轨道的活性空间（40 个自旋轨道）。
- USCI 电路（逻辑深度 41，编译后深度 137）生成了约 108 次测量，产生了约 34,500 个唯一的、对称性一致的行列式。
- 最终能量相对于外推的 DMRG 结果达到了 化学精度（1.12±0.30×10−3 Ha），显著优于经典 CCSD 和 CISD 方法。
固氮酶 P-团簇（等效 146 个量子比特）：
- 使用两个 73 量子比特寄存器上的自旋分解 USCI 电路，解决了巨大的 CAS(114e, 73o) 活性空间（146 个自旋轨道）。
- 量子采样为有效粒子守恒字符串提供了显著的富集因子（24 倍–60 倍），优于均匀随机采样。
- 经 QiankunNet 优化后，能量误差降低至最佳可用 DMRG 外推值的 约 12–18 毫哈特里 范围内，代表了迄今为止在超导硬件上展示的最大规模量子化学活性空间计算之一。
意义与主张
论文声称，QiankunNet-QSCI 为在当前 NISQ 设备上进行准确的量子辅助电子结构计算提供了一条 实用途径。通过将量子处理器的角色从变分优化器转变为聚焦采样器，并利用人工智能优化所得数据，该框架规避了此前阻碍量子化学应用的噪声和可扩展性限制。
作者断言，这项工作表明，当前的硬件在与智能经典处理相结合时，能够解决原本无法处理的、具有化学相关性的强关联问题。他们将其定位为并非遥远的未来能力，而是当下的解决方案，为催化、药物发现和材料设计领域的近期量子加速发现确立了架构模式。论文结论指出，该方法的扩展性前景广阔，因为所需的量子比特数量随活性轨道数量线性增长，而不同于某些经典张量网络方法，其成本随纠缠度呈指数增长。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。