🔬 materials science

SlaKoNet-VQD: A universal Slater-Koster tight-binding Hamiltonian for variational quantum band-structure calculations on near-term hardware

本文介绍了 SlaKoNet-VQD，这是一种结合了基于深度学习的 Slater-Koster 哈密顿量生成器与变分量子算法的通用工作流，旨在为近期的量子硬件实现高效、高通量的能带结构计算和相关电子建模。

原作者： Akshaya Ajith, Jaehyung Lee, Charles Rhys Campbell, Kamal Choudhary

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Akshaya Ajith, Jaehyung Lee, Charles Rhys Campbell, Kamal Choudhary

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

想象一下你正在试图预测一种材料的未来——比如，研究一种新型超导体如何实现无损耗导电。为了做到这一点，科学家通常必须为这种材料构建一张极其庞大且复杂的电子图谱。传统上，制作这张图谱就像是为你想要研究的每一栋建筑都专门聘请一位高度专业化的建筑师。你必须为硅（Silicon）手工绘制蓝图，然后停下来，重新开始为铝（Aluminum）、钽（Tantalum）等其他材料手工绘制。这既缓慢又昂贵，且需要人类专家坐下来为每种新材料调整参数。这种“针对单一材料”的设置，是阻碍量子计算机解决材料问题的最大交通堵塞。

SlaKoNet-VQD 应运而生，它是一个全新的工作流，就像一台通用的、超快速的 3D 打印机，专门用于打印这些电子图谱。

通用蓝图打印机

与其为每栋建筑聘请一位新建筑师，研究人员构建了一个名为 SlaKoNet 的“通用神经哈密顿量生成器”。你可以把它想象成一位掌握了数千种食谱（具体来说，是来自周期表中 65 种不同元素的数据）的大厨。一旦这位大厨学会了原子如何“握手”（跳跃/hopping）以及如何“坐在一起”（在位能量/onsite energies）的规则，他就能立即为由这些成分组成的任何晶体调制出一份完美的食谱。

论文显示，这位“大厨”可以在毫秒级时间内生成一种材料的电子图谱。它不需要停下来向人类求助。它只需获取原子结构，将其运行通过其大脑，然后吐出运行量子计算机所需的数学模型。

量子冒险

一旦图谱被打印出来，团队就会将其输入到一个名为 VQD（变分量子去膨胀法）的量子算法中。如果你把材料中的电子想象成一叠书，那么基态就是最底下的那本书，而激发态则是上面的书。VQD 就像一位聪明的图书管理员，他先找到最底下的那本书，然后将其从书架上“去膨胀”（移除），以便算法可以找到下一本、再下一本，直到映射出整叠书的结构。

研究人员在**硅（Silicon）**上测试了这一点。他们在模拟器（一个完美、无噪声的数字版量子计算机）上运行该算法，发现 SlaKoNet-VQD 团队能够重建整个能带结构（电子的能量层级），平均误差仅为 1.78 meV。这极其精确——就像是在一英里外对着靶心射击并精准命中。

真实硬件：“噪声”现实检验

但模拟器是完美的世界。在真实的量子计算机上会发生什么？团队将他们的算法应用于一台真实的 IBM 量子机器（ibm_boston 后端）来计算**铝（Aluminum）**的能量。

在这里，硬件带来的“噪声”（由硬件引起的微小误差）显现了出来。真实机器上的结果误差约为 0.37 eV。虽然这比模拟器的误差大得多，但作者明确指出：这并不是他们方法的失败，而是当今硬件的局限性。该误差与你在两种不同的标准计算机模型（DFT 泛函）之间看到的差异相当，这意味着即使在硬件存在缺陷的情况下，该方法也发挥出了当前技术所能达到的最佳水平。

超越单人游戏：“关联”派对

到目前为止，我们一直把电子视为“单打独斗”的玩家。但在某些材料中，电子会举办一场大规模的派对，它们彼此之间进行着剧烈的相互作用（关联电子）。论文表明，SlaKoNet 可以通过升级来处理这种混乱。

他们采用了这个通用图谱，并添加了一个“派对规则”（哈伯德模型/Hubbard model）来模拟这些相互作用。他们对钒（Vanadium）、铌（Niobium）、**钽（Tantalum）**以及一种复杂的铜氧化物 La2CuO4 进行了测试。他们发现，随着相互作用强度的增加，较重金属（如钽）中的电子比较轻的金属（如钒）表现得更加“自由”（关联度较低）。这与科学家已知的化学知识相吻合。

至关重要的是，论文认为这种“派对”问题是量子计算机的完美下一个目标。虽然经典计算机在解决这些相互作用时非常吃力，但量子求解器正是为这类工作而生的。SlaKoNet 模型提供了起点，而量子计算机理论上可以完成剩下的工作。

这并不意味着什么

了解这篇论文没有声称的内容非常重要。

它不是解决所有误差的灵丹妙药： 论文明确指出，最大的误差来源并非量子计算机，而是 SlaKoNet 模型本身。该模型经过训练以保证准确性，但与实验能隙相比，它仍存在 0.74 eV 的平均误差。量子部分实际上非常精确；只是它所读取的“地图”目前还不完美。
它目前还不能处理所有情况： 当前模型无法处理需要“自旋-轨道耦合”（一种特定的量子效应）或原子间斥力的重元素。如果你尝试将其用于铅（Lead）或铋（Bismuth）之类的材料，它目前是行不通的。
它还不是解决现实世界发现的终极方案： 虽然该流程快速且可微（这意味着理论上你可以通过调整材料结构来优化结果），但作者指出，使用此方法进行晶体结构的完整“端到端”优化仍是未来的工作。

总结

这篇论文展示了一个工作流程，其中一个经过 AI 训练的通用模型取代了构建电子图谱这种缓慢、手动的过程。它成功地在模拟器上运行，精确地绘制了硅和铝的能带，并在真实硬件上运行以获得铝的“足够好”的结果。

作者认为，这为“高通量”筛选打开了大门——即在一次扫视中检查数千种材料的量子特性，这在以前因为手动设置时间过长而无法实现。他们还暗示，同样的设置最终可能有助于解决物理学中最难的问题：当所有电子同时相互作用时，它们是如何行为的。但就目前而言，这是一个强大的新工具，它让从“我有一个晶体”到“我有一个量子计算”的过程变得快得多。

技术摘要：SlaKoNet-VQD

问题陈述
变分量子算法，特别是变分量子本征求解器（VQE）和变分量子缺陷法（VQD），是近期的量子硬件计算电子结构的领先候选方案。然而，由于“单种材料设置成本”的存在，这些算法在周期性固体中的应用受到了严重限制。传统上，构建一个忠实于特定材料的二阶量子化哈密顿量需要经过密度泛函理论（DFT）结合 Wannier 化，或者使用人工拟合的经验紧束缚（TB）参数。这些过程是不可微的，需要大量的专家知识，且无法轻易组合进高通量或基于梯度的优化流水线中。这一瓶颈阻碍了跨越元素周期表的系统性量子能带结构研究的规模化扩展。

方法论
作者提出了 SlaKoNet-VQD，该工作流利用一个通用的神经哈密顿量生成器取代了传统的、高成本的哈密顿量构建步骤。该流水线由三个主要部分组成：

SlaKoNet（哈密顿量生成）： 一个在 JARVIS-TBmBJ 数据集（约 20,000 种原子序数 $Z \le 65$ 的材料）上训练的深度学习模型。不同于直接预测矩阵元素的图神经网络，SlaKoNet 通过自动微分学习距离相关的 Slater-Koster (SK) 跳跃（hopping）和重叠积分。它能为其训练域内的任何晶体组分输出非正交紧束缚哈密顿量 $H(k)$ 和重叠矩阵 $S(k)$ 。从原子坐标到 $H(k)$ 的映射是完全可微的，并可在 GPU 上运行。
埃尔米特化与泡利分解： 为了确保与量子求解器的兼容性，SlaKoNet 生成的实对称 $H(k)$ 矩阵经过投影以恢复对称性（处理有限精度噪声），并进行解析分解为加权泡利字符串之和（ $H = \sum c_P P$ ）。这使得哈密顿量可以被映射到最小的量子比特寄存器（ $n = \lceil \log_2 N \rceil$ ，其中 $N$ 是轨道数）。
变分量子缺陷法 (VQD)： 分解后的哈密顿量被输入到基于 Qiskit 的 VQD 流水线中。通过标准的 VQE 寻找基态，而激发态则通过最小化一个带有针对先前已求得本征态重叠惩罚项的代价函数来获得。该工作流使用了硬件高效型 ansatz（具体为重复 5 次的 EfficientSU2）和 COBYLA 经典优化器。

核心贡献
本文做出了五项具体贡献：

流水线构建： 在 SlaKoNet 生成器与 Qiskit Estimator 原语之间建立了一个清晰的接口，包括一个用于处理数值噪声的必要埃尔米特化步骤。
验证： 对硅进行了全布里渊区基准测试，将 3 量子比特 VQD 本征值与相同神经哈密顿量在 161 个高对称 k 点下的精确对角化结果进行了对比。
硬件执行： 在 IBM Quantum 硬件（ibm_boston）上演示了该工作流，执行了铝（aluminum）的带误差缓解的基态计算。
泛化能力： 将同一工作流（无需重新训练）应用于五种常规超导体（Al, Ta, Nb, V, 和 ZrN），涵盖了单质金属和过渡金属氮化物。
关联扩展： 提出了一种概念性扩展，将 SlaKoNet 哈密顿量提升为通过动力学平均场理论（DMFT）求解的关联哈伯德模型（Hubbard model）。该方法恢复了已知的关联趋势，如第 5 族金属中的趋势以及铜酸盐 La $_2$ CuO $_4$ 中的强准粒子重整化，并将由此产生的杂质问题识别为量子求解器的自然目标。

结果

硅基准测试： SlaKoNet-VQD 工作流重现了硅沿标准高对称路径的完整八带能带结构。在无噪声 3 量子比特态矢量模拟器上，与精确对角化的平均绝对偏差（MAD）为 1.78 meV。最大的偏差（29.32 meV）出现在最高激发态，这是由于缺陷惩罚项的累积所致。
泛化能力： 该工作流在所有五种测试的超导体中均实现了约 1.8 meV 以内的 MAD。单质金属（Al, Ta, V, Nb）在 2 量子比特基准下表现出极低的误差（0.01–0.05 meV），而 3 量子比特 ZrN 系统误差为 1.74 meV。
硬件执行： 在 IBM Quantum 硬件上，经过误差缓解后，铝在代表性 k 点的基态计算相对于精确对角化的平均绝对误差约为 0.37 eV。该偏差与典型 DFT 泛函之间的差异相当，但超过了化学精度，反映了当前硬件的噪声限制。
关联物理： 在 DMFT 扩展中，当将浴系（bath）限制在低能流形时，该流水线成功捕捉到了第 5 族金属向下移动过程中（V $\to$ Nb $\to$ Ta）关联减弱的过程，以及 La $_2$ CuO $_4$ 中的强重整化现象。

意义与主张
作者声称 SlaKoNet-VQD 消除了逐种材料构建哈密顿量的结构性瓶颈，从而能够实现跨越元素周期表的高通量变分量子算法基准测试。通过提供一个通用、可微且快速的哈密顿量生成器，该流水线促进了：

高通量筛选： 无需人工干预即可对数千种材料运行 VQE/VQD。
基于梯度的协同优化： 由于流水线的端到端可微性，可以对量子 ansatz 和哈密顿量参数（或晶体结构）进行联合优化。
算法研究： 为测试新的变分算法提供了一个可复现、固定结构的基质，类似于化学领域中的 FCIDUMP 格式。

论文明确指出，目前结果的精度受限于 SlaKoNet 模型相对于 TBmBJ 的偏差（带隙的 MAD 约为 0.74 eV），而非量子求解器的性能。此外，目前的实现尚未包含自旋轨道耦合或排斥对势，这限制了其在重元素及总能量结构预测方面的应用。作者将这项工作定位为迈向机器学习加速的量子动力学平均场理论以及未来容错量子能带结构计算的重要一步。