⚛️ quantum physics

Quantum-Classical Auxiliary-Field Quantum Monte Carlo at the Edge of Practicability

本文引入了量子-经典辅助场量子蒙特卡洛（QC-AFQMC）的算法改进，将经典计算的标度从 $\tilde{\mathcal{O}}(N^{5.5})$ 降低至 $\tilde{\mathcal{O}}(N^{4.5})$ ，通过结合真实的量子数据与模拟，实现了对诸如 $H_8$ 和 $Li_2O_4$ 等化学相关体系基态能量的成功计算，从而推进了该方法在早期容错量子时代的适用性。

原作者： Francesco Nappi, Matthew Kiser, Fedor Šimkovic

发布于 2026-06-18

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Francesco Nappi, Matthew Kiser, Fedor Šimkovic

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

大局观：解决化学谜题的团队协作

想象一下，你正在试图解决一个极其庞大且复杂的拼图，这个拼图代表了原子和电子在化学反应中的行为方式。这就是计算化学家每天面临的挑战。

长期以来，我们一直尝试仅使用经典计算机（即我们今天使用的那种）来解决这个拼图。但随着拼图变得越来越大（原子数量增多），碎片组合的可能性会呈指数级爆炸式增长。这就像是在试图寻找海滩上的一粒特定的沙子，而这片海滩每秒钟都在变大；最终，即使是世界上最快的超级计算机也会陷入停滞。

量子计算机则像是一个神奇的新工具，它能一眼看清整片海滩。然而，目前的量子计算机具有“噪声”且容易出错，就像一个视力模糊的孩子在尝试解开拼图。它们目前还无法独立完成整个任务。

这篇论文介绍了一种混合团队方法：量子-经典辅助场量子蒙特卡洛法 (QC-AFQMC)。

量子计算机扮演的是专家的角色，负责为拼图准备一个高质量的“猜测”（试探态）。
经典计算机扮演的是项目经理的角色。它接收量子计算机的“猜测”，并运行数百万次模拟（使用“行走者”/walkers），以精炼答案并找到真正的基态（能量最低的解）。

问题所在：瓶颈

在这个混合团队中，经典计算机必须承担大量的重活。它需要不断检查量子计算机的“猜测”与它正在运行的数百万次模拟之间的匹配程度。

论文指出，在此之前，这种检查过程就像是在团队每走一步时，都要试图数清楚海滩上的每一粒沙子。进行这项工作所需的数学运算极其沉重，以至于随着系统规模的增大，所需时间增长得极快。具体来说，如果你将化学系统的规模增加一倍，所需的时间不仅仅是翻倍，而是会发生爆炸式增长。

作者将其描述为一个扩展性问题。如果你想研究一个中等规模的分子（100个轨道），旧方法在大型超级计算机上运行可能需要五百年（500年）。这在实际操作中是不可行的。

突破：更聪明的计数方式

作者发现了一个巧妙的数学捷径，可以加速经典计算机的工作。

类比：
想象你正在尝试计算一叠箱子的总重量。

旧方法： 你必须逐一称量每一个箱子，然后把它们加起来，接着再称量整叠箱子的重量，并重复这个过程成千上万次。
新方法（本文）： 作者意识到这些箱子是按特定模式排列的。与其逐一称量，他们开发了一种新的公式（使用一种被称为艾特肯块变换/Aitken's block transformation的方法），让你只需观察几个关键部分就能计算出整叠箱子的总重量。

结果：
通过应用这种新的数学技巧，他们减轻了经典计算机所需的“重活”。

旧速度： 对于一个100轨道的系统，需要约 500 年。
新速度： 对于同一个系统，现在仅需约 1.8 年。
提升幅度： 这实现了 248 倍的加速。虽然 1.8 年仍然很长，但它将问题从“不可能”变成了“利用大型超级计算机可以实现”。

他们还通过在真实的量子硬件（IQM Emerald 量子计算机）上运行该算法来验证了这一点，测试对象包括一个小分子（H8），并模拟了更大的系统（H12 和锂-氧电池组件）。结果显示数据稳定且准确，证明了该方法即使在当前量子计算机存在“噪声”的情况下依然有效。

未来如何？

论文探讨了在完美的、“容错型”量子计算机（即不会出错的量子计算机）上运行该算法需要具备什么条件。

量子端： 他们估计，随着未来技术的发展，工作的量子部分可以在几天或几周内完成，这比经典部分的计算速度要快得多。
结论： 该方法目前处于“实用性的边缘”。它还没有准备好在明天就取代你的汽车发动机设计软件，但它已经向着能够解决此前无法实现的复杂化学问题迈出了巨大的一步。

核心主张摘要

创新点： 他们改进了连接量子数据与经典模拟的数学方法，使处理 100 轨道系统时的速度提升了 248 倍。
方法论： 他们使用了一种称为艾特肯块变换的数学技巧，来处理涉及“奇异普法夫行列式”（singular Pfaffians，一种通常会导致计算崩溃的特定数学问题）的困难计算。
证明： 他们成功在真实量子硬件上运行了针对 H8（由 8 个氢原子组成的链）的算法，并对其进行了 H12 和锂-氧电池反应的模拟。
局限性： 他们并没有声称今天就能解决电池问题。他们只是展示了该算法现在可以处理如此规模的系统，且经典计算时间在合理范围内，从而为未来的应用铺平了道路。

简而言之，作者在嘈杂的量子世界与强大的经典世界之间搭建了一座更快的桥梁，使得模拟此前因计算过慢而无法完成的复杂化学问题成为可能。

技术摘要：处于实用性边缘的量子-经典辅助场量子蒙特卡洛算法 (QC-AFQMC)

问题陈述
由于希尔伯特空间呈指数级增长，计算化学在模拟强关联费米子系统方面面临着根本性的瓶颈，这使得许多问题对于经典计算机而言变得难以处理。虽然混合量子-经典算法为近期的量子优势提供了一条潜在路径，但特定的量子-经典辅助场量子蒙特卡洛（QC-AFQMC）方法一直受到其经典后处理复杂度的限制。以往使用匹配门影子断层扫描（matchgate shadow tomography）来估计量子试探态与经典斯莱特行列式（Slater determinant, SD）行走者之间重叠的方法，其每步经典缩放比例为 $\tilde{O}(N^{5.5})$ （其中 $N$ 是分子自旋轨道数）。这种缩放使得该方法对于具有科学意义的系统（例如 50–100 个轨道）而言极其昂贵，即使假设可以使用大规模经典计算资源也是如此。此外，对于强关联系统，依赖于经典试探波函数（如多斯莱特行列式）往往需要指数数量的行列式，从而抵消了量子方法带来的效率增益。

方法论与算法改进
作者引入了对 QC-AFQMC 中匹配门影子后处理步骤的算法改进，专门针对重叠、力偏差（force bias）和局部能量的计算。

Aitken 分块变换： 核心创新在于解决了计算重叠估计所需的多项式 $q(z) \sim \text{Pf}(A(z))$ 的问题。在 QC-AFQMC 中，Pfaffian 中的矩阵 $B$ 按照构造是奇异的，这阻止了使用需要可逆性的高效微分方法。作者应用 Aitken 分块变换来划分斜对称矩阵 $A(z)$ 。该变换隔离了奇异分块，使得剩余的非奇异分块可以通过微分进行处理。这使得计算多项式系数的成本从通过插值实现的 $O(N^4)$ 降低到 $O(N^3)$ 。
用于力偏差的算法微分： 通过利用改进的重叠计算，作者应用算法微分来计算力偏差。他们证明了力偏差可以表示为重叠的比率，并能以与单次重叠估计相同的渐近成本（ $O(N^3)$ ）进行计算，而非此前更高的阶数缩放。
局部能量缩放： 涉及重叠二阶导数的局部能量计算被证明在每个快照（snapshot）下的缩放为 $O(N^3 N_C)$ 。由于 Cholesky 向量的数量 $N_C$ 随系统规模线性缩放，因此局部能量后处理的整体缩放变为 $O(N^4)$ 。
误差缓解： 对于实验数据，作者采用了组合误差缓解技术：
- 宇称约束： 丢弃与 $O(2N)$ 正交群预期宇称不一致的测量结果。
- 鲁棒匹配门影子： 学习噪声对匹配门通道的影响。
- 过滤启发式方法： 使用矩阵乘积态（MPS）作为过滤态，以后选择在无噪声条件下可能出现的测量结果，从而有效地拒绝噪声诱导的离群值。

关键结果
作者通过实验和模拟数据验证了改进后的工作流：

缩放降低： QC-AFQMC 的总经典运行时间缩放从 $\tilde{O}(N^{5.5})$ 降低到每步时间步 $\tilde{O}(N^{4.5})$ 。对于一个 100 个分子轨道的系统，与之前的最先进技术相比，预计运行时提高了 248 倍。
实验演示 (H8)： 使用 IQM Emerald 量子计算机的数据，作者计算了拉伸氢链（ $H_8$ ）的基态能量。经过基于 MPS 的误差缓解处理后，结果显示出稳定的行走者演化以及与全经典无相位 AFQMC (ph-AFQMC) 和全构型相互作用 (FCI) 基准一致的能量，尽管存在匹配门协议固有的统计噪声。
模拟 (H12)： 无噪声的 $H_{12}$ 模拟确认了匹配门影子估计与精确态矢量计算一致，仅表现出略高的方差。
化学应用 (Li $_2$ O $_4$ )： 该方法被应用于与锂空气电池相关的超氧化锂二聚体（ $Li_2O_4$ ）的重排路径，其活性空间为 $(26e, 20o)$ （40 个量子比特）。该算法成功捕捉到了反应能量剖面的三角形形状（反应物 $\to$ 过渡态 $\to$ 产物），符合此前文献和 CCSD 计算的定性行为。
资源估算： 作者提供了对经典和量子资源的估算。他们表明，虽然用于重叠估计的 Hadamard 测试方法是不可行的（对于 100 个轨道，所需时间超过宇宙年龄），但匹配门影子协议对于近期的中规模含噪声量子（NISQ）时代和早期容错（FT）时代都是可行的。对于一个 100 轨道的系统，预计经典后处理在 1000 万个 CPU 核心上大约需要 1.8 年，这比之前估计的半个千年显著减少。

意义与主张
本文声称这些算法改进使 QC-AFQMC “向处理化学相关系统迈进了一步”。通过降低经典缩放瓶颈，该混合方法对于超出经典多斯莱特行列式方法范围、但对于早期容错或大规模 NISQ 设备而言可及的系统规模（50–100 个轨道）变得可行。这项工作证明了 QC-AFQMC 可以成功利用噪声量子数据来引导蒙特卡洛模拟，并在虚时演化中保持稳定性和准确性。作者将此定位为通往量子优势的实际路径，并指出一旦量子硬件成熟，QC-AFQMC 可以作为一种可行的工业应用算法，前提是量子试探态能提供比经典试探态更高的保真度。论文对于立即进行工业部署保持了谨慎态度，指出在低层优化、并行化以及开发更强大的量子试探态准备方法方面仍需大量工作。

大局观：解决化学谜题的团队协作

问题所在：瓶颈

突破：更聪明的计数方式

未来如何？

核心主张摘要

类似论文