🔬 physics

Enhancing quantum-classical configuration interaction methods using a neural-network classifier

本文介绍了一种数据驱动框架，该框架将神经网络分类器集成到主动学习循环中，以高效地为经典和量子-经典构型相互作用方法选择重要的决定因素，在实现与传统结果等效的同时，显著降低了计算成本和内存占用。

原作者： Severino Zeni, Giovanni Varutti, Jacopo Nespolo, Dimitrios Trypogeorgos

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Severino Zeni, Giovanni Varutti, Jacopo Nespolo, Dimitrios Trypogeorgos

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，你正试图寻找一道完美菜肴的食谱，但你拥有的图书馆包含了世界上所有可能的食材组合。检查每一个组合将耗费无穷的时间，并且需要一个城市规模的厨房。这本质上就是科学家在尝试计算分子中电子行为时所面临的问题。可能的电子排列组合（称为“行列式”）数量如此庞大，以至于即使是最快的超级计算机也无法全部检查完毕。

为了解决这个问题，科学家们使用了一种名为**选定构型相互作用（Selected Configuration Interaction, SCI）**的“智能过滤器”方法。与其检查每一种食谱，不如尝试猜测哪些食材是重要的，并只检查那些食材。然而，猜测哪些食材重要是非常困难的。如果你猜错了，你会错过完美的风味（正确的能量）；如果你的猜测范围太广，你最终会检查过多的食谱，导致厨房变得过于拥挤。

新思路：一位“智能副厨”

本文介绍了一个新工具：神经网络分类器。你可以把它想象成一位训练有素的“智能副厨”，它帮助主厨（计算机算法）决定保留哪些食材。

以下是作者们的新系统是如何运作的，我们使用一个简单的类比：

试味环节（随机采样）：
计算机不再试图独自弄清楚数百万种食材的重要性，而是随机挑选一小把食材（约占总量的 20%）。它仅用这些食材快速烹饪一道临时的测试菜肴，看看味道如何。
标记：
根据这次测试，计算机将那些让菜肴味道良好的食材标记为“重要”，并将那些味道不佳的食材标记为“不重要”。
副厨学习：
神经网络（副厨）观察这些被标记的食材。它学习其中的模式：“噢，当我看到这种特定的电子排列组合时，通常意味着该食材是重要的。”
重大决策：
现在，副厨观察剩余的数百万种尚未经过试味的食材。基于它从样本中学到的知识，它快速预测哪些剩余的食材很可能是重要的。然后，它向主厨递交一份精简且经过筛选的清单。
结果：
主厨只需要用这份精简且智能的清单进行烹饪。这节省了大量的时间和空间。

他们取得了什么成就？

作者在两种不同的烹饪方法（算法）上测试了这位“智能副厨”，并使用氮气分子（ $N_2$ ）作为他们的测试菜肴。

对于经典方法 (cHCI)：
新方法达到了与旧方法相同的美味结果（准确的能量计算），但仅使用了 1/5 的食材。
- 现实世界的影响： 这意味着计算机需要的内存减少了 5 倍，且每一步的工作速度也快了 5 倍。这就像是在得到同样美味的餐点时，却只需要一个只有原来 1/5 大小的厨房。
对于量子方法 (cSQD)：
量子计算机就像是新型的、实验性的烤箱，它们非常快，但有时会感到困惑，并不断重复选择相同的食材。新方法帮助量子烤箱更快地找到了正确的食材。
- 现实世界的影响： 新方法仅通过 3 轮烹饪就达到了极高的准确度。而旧方法即使经过 20 轮烹饪也无法达到同样的准确度水平。

核心结论

论文声称，通过使用机器学习“副厨”来协助挑选最重要的电子排列组合，科学家可以使复杂的化学计算变得更快，且对内存的需求更低。这种方法对传统超级计算机和新兴的量子计算机都有效，能够让它们解决以前由于规模太大或速度太慢而无法处理的问题，且无需改变这些计算机的基本运作方式。

技术摘要：利用神经网络分类器增强量子-经典构型相互作用方法

问题陈述
精确的电子结构计算需要能够处理在活性轨道数量呈指数级增长的希尔伯特空间内电子相关性的方法。虽然全构型相互作用（FCI）提供了精确解，但其计算成本限制了它仅能应用于极小的系统。选择性构型相互作用（SCI）方法，如 CIPSI、ASCI 和热浴构型相互作用（HCI），通过迭代构建仅包含最重要行列式的紧凑变分空间，提供了一种折衷方案。然而，SCI 方法的效率关键取决于用于识别这些重要行列式的启发式方法。随着选择空间的扩大，需要检查的候选行列式数量变得巨大，从而形成了瓶颈。

同样，在量子计算领域，基于样本的量子对角化（SQD）方法试图利用 NISQ 设备解决 CI 问题，通过量子测量构建子空间。SQD 的一个显著局限是发现新行列式的效率低下；由于重复采样往往会选中相同的构型（特别是在从近似拟设开始时），这限制了计算精度。

方法论
作者提出了一个数据驱动框架，将行列式选择重新构建为二分类任务，通过主动学习循环将神经网络（NN）分类器集成到迭代 CI 工作流中。该方法被应用于两种不同的算法：经典版本的 HCI（cHCI）以及量子-经典版本的 SQQ（cSQD）。

核心流程如下，在每次迭代时执行：

候选池生成： 底层方法生成一个候选行列式池（ $P$ ）（例如，通过 HCI 中的热浴筛选或 SQD 中的构型恢复）。
随机采样与标记： 从池中随机选择一小部分固定比例（ $f_s = 0.2$ ）的行列式（ $P_{rand}$ ）。通过结合当前空间与 $P_{rand}$ 形成一个临时变分空间。在这一临时空间中进行单次哈密顿量对角化，得到 CI 系数。
标签分配： 将 $P_{rand}$ 中振幅超过阈值的构型标记为“重要”，其余的标记为“不重要”。这创建了一个用于训练的平衡数据集。
分类器训练： 从头开始训练一个神经网络分类器，根据占据数位串（occupation-number bitstrings）来预测构型的重要性。
引导选择： 训练好的分类器对池中的剩余候选行列式（ $P_{rest}$ ）进行评分。通过保留 $P_{rand}$ 中被标记为“重要”的构型，并添加来自 $P_{rest}$ 的高分构型，来构建下一个变分空间。

该框架仅修改算法的选择步骤，保持核心工作流（对角化、采样等）不变。分类器随着波函数在迭代过程中的演化而持续自适应。

主要贡献

统一框架： 本文引入了一种通用的主动学习循环，将行列式选择视为二分类问题，适用于经典和量子-经典 SCI 方法。
算法集成： 作者成功地将该框架集成到两种特定算法中：
- cHCI： 一种经过分类器增强的热浴构型相互作用方法。
- cSQD： 一种经过分类器增强的基于样本的量子对角化方法。
基于位串的分类： 该方法利用直接作用于占据数位串的神经网络，为传统的基于微扰或能量的选择标准提供了一种灵活且与架构无关的替代方案。

结果
作者使用氮分子（ $N_2$ ）在平衡核间距 $R = 2.1$ Å、cc-pVDZ 基组下的基态，将其提出的方法与传统方法进行了基准测试。

cHCI 性能： cHCI 方法在仅为标准 HCI 收敛空间大小 1/5 的变分空间维度下，恢复了超过 98% 的 CASCI 相关能。这导致内存占用和单次迭代计算成本（特别是针对变分 Davidson 对角化）大约降低了 5 倍。
cSQD 性能： cSQD 方法展示了比标准 SQD 显著加速的收敛速度。cSQD 在仅 3 次迭代后就实现了低于 1% 的相对相关能误差。相比之下，标准 SQD 在 20 次迭代后仍未能达到该精度阈值。
效率： 基于分类器的选择有效地压缩了变分空间而不牺牲精度，使算法能够专注于最相关的构型。

意义与主张
本文声称，分类器辅助的行列式选择是一种轻量级、与方法无关的工具，用于压缩变分空间并加速经典及混合量子-经典构型相互作用算法。通过使用在运行中训练的数据驱动分类器取代启发式选择，该方法以显著降低的计算成本实现了与传统方法相当的结果。

作者将这项工作定位为迈向更全面的分类器辅助选择理解的第一步。他们指出，虽然目前的研究侧重于单一分子系统和变分阶段，但该框架暗示了机器学习在设计紧凑波函数表示和更高效电子结构工作流方面的更广泛作用。本文并未声称解决了所有系统的缩放问题，而是展示了该方法在 $N_2$ 的特定 cHCI 和 cSQD 案例中的效用。

新思路：一位“智能副厨”

他们取得了什么成就？

核心结论

技术摘要：利用神经网络分类器增强量子-经典构型相互作用方法

类似论文