⚛️ quantum physics

SQD-Enabled Circuit Compression for Resource-Efficient Quantum Chemistry

本文介绍了两种电路压缩技术——基于梯度的算符剪枝和 Clifford 舍入，这些技术在显著降低量子化学中子空间量子对角化（SQD）的量子电路复杂度和模拟时间的同时，即使在大幅压缩的情况下也能保持化学精度。

原作者： Kangyu Zheng, Yidong Zhou, Jinglei Cheng, Zhemin Zhang, Shaohua Li, Zhiding Liang

发布于 2026-07-17

📖 1 分钟阅读🧠 深度阅读

原作者： Kangyu Zheng, Yidong Zhou, Jinglei Cheng, Zhemin Zhang, Shaohua Li, Zhiding Liang

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

想象一个我们可以完美精确地模拟原子和分子行为的世界。这是量子化学的“圣杯”，该领域有望彻底改变从设计新药到创造超高效电池的一切。然而，问题在于：我们今天的计算机就像是在试图解数独谜题时手忙脚乱、漏洞百出的蹒跚学步的小孩。它们被称为“含噪声中等规模量子”（NISQ）设备。它们拥有几百个量子比特（量子版本的比特），但极易出错，且无法长时间维持复杂的计算。为了获得有用的结果，科学家通常不得不反复运行这些计算，或者使用巧妙的技巧来修复错误，这需要耗费大量的时间和计算能力。

解决这些问题的传统方法是使用一种叫做变分量子算法（VQA）的技术。你可以把它想象成一个学生试图通过听音来学习一首很难的歌曲。这个学生（量子计算机）弹奏出几个音符，而老师（经典计算机）在旁边听着并说：“这里有点不对，试着调整一下这个音。”他们重复这个过程数千次，直到这首歌听起来完美无缺。问题在于，这首“歌”（量子电路）需要极其复杂且深奥才能得到正确答案，而我们的噪声计算机往往无法处理如此漫长的表演而不崩溃。但如果学生不需要把整首歌都唱得完美无缺呢？如果他们只需要哼出几个正确的音符，而一位超级聪明的编辑就能根据这些音符重构出整部杰作呢？这正是这项新研究所提出的问题，而答案可能会改变我们使用这些带有缺陷的计算机的方式。

这篇题为《基于 SQD 的电路压缩：实现资源高效的量子化学》的论文，探讨了一种涉及子空间量子对角化（SQD）技术的巧妙变通方法。研究人员发现，我们并不需要量子计算机产生一首完美、高保真的歌曲。相反，量子计算机只需要充当一个“采样器”，生成一组随机的音符（比特串），这些音符恰好与正确解存在重叠。一旦计算机吐出这些音符，一台强大的经典计算机就会接管工作，将它们组织成一个规模小巧、易于处理的谜题，并完美地求解出分子的真实能量。

因为繁重的计算工作是在量子采样之后的“经典计算”阶段完成的，所以量子电路不需要像我们之前认为的那样华丽或深奥。作者发现，我们可以激进地“压缩”量子电路——使其变得更加简单和短小——而不会损失最终结果的任何精度。他们在 21 种不同的分子上进行了测试，范围从简单的水到氮气。他们使用了两种主要技巧来缩减电路：

梯度剪枝（Gradient Pruning）： 这就像是通过删掉演员几乎用不到的台词来编辑剧本。研究人员分析了量子电路中哪些部分对结果的影响最小，然后直接将其移除。
Clifford 舍入（Clifford Rounding）： 量子门就像是可以旋转到任何角度的旋钮。有些角度是“昂贵的”，难以处理；而另一些则是“便宜的”，很容易处理。研究人员发现，他们可以将许多旋钮对齐到最近的“便宜”角度，而不会破坏最终答案。

结果非常稳健。即使他们使用这两种技巧将电路复杂度降低了 50%，最终的能量计算仍保持在“化学精度”内——这是化学领域的精准度金标准。事实上，在 IBM 的一台真实量子计算机上，他们成功地将电路深度（计算机执行步骤的数量）减少了多达 2.8 倍。对于像水这样的分子，这意味着电路从超过 4,400 个步骤减少到了约 1,690 个步骤，但最终答案与使用完整、未经剪裁的电路时完全一致。

这项研究表明，我们一直以来对量子电路的工程设计过度了。通过依靠“编辑”（SQD）来修正细节，我们可以让“学生”（量子采样器）表现得稍微“粗糙”一点，并且速度更快。这并不意味着量子计算机是完美的；它仍然存在噪声，而且这种压缩法在“谜题”不是太大的小型分子上效果最好。但对于他们测试的这些分子来说，这种权衡是一个巨大的胜利：一次更短、更不易出错的运行，却依然能交付完美的解决方案。这提醒我们，有时候你并不需要建造一座完美的桥梁才能到达彼岸；你只需要一艘坚固的小筏和一张好的地图。

技术摘要：用于高效量子化学计算的 SQD 增强型电路压缩技术

问题陈述

在噪声中等规模量子（NISQ）硬件上进行量子化学模拟面临着重大障碍，包括有限的量子比特相干时间、浅层电路深度限制以及优化过程中的“贫瘠高原”（barren plateau）问题。变分量子算法（VQAs），如变分量子特征值求解器（VQE），是标准方法，但通常需要深层且高表达能力的电路才能达到化学精度。这些电路在经典模拟上成本高昂，且在硬件上极易受噪声影响。

一个关键的瓶颈是电路表达能力与资源效率之间的权衡。虽然像 ADAPT-VQE 这样的自适应方法提高了表达能力，但它们通常依赖于全空间评估或受限的算符池。此外，经典模拟这些电路的成本随量子比特数量呈指数级增长，且非 Clifford 门（对于捕捉复杂相关性至关重要）会大幅增加模拟成本。本文指出，当前的方法将量子电路视为准确性的唯一来源，忽略了通过后处理技术从不完美样本中恢复精度的潜力。

方法论

作者提出了一种资源高效的混合流水线，该流水线将准确的量子能量估计与最终的基态能量计算解耦。该流水线由三个阶段组成：

1. 量子比特缩减（上下文子空间）

过程始于在不丢失强相关物理特性的前提下缩小问题规模。

削减（Tapering）： 利用守恒律来减少分子哈密顿量（Jordan-Wigner 表示）的量子比特数。
投影（Projection）： 将哈密顿量投影到一个由稳定子生成元定义的低能“上下文子空间”中。这使希尔伯特空间从 $2^n$ 缩减到 $2^{n'}$ （其中 $n' \ll n$ ）。
映射（Mapping）： 生成预计算的映射表，以将缩减后的子空间中的位串映射回完整的轨道空间。

2. 压缩变分优化

该电路并非旨在为高精度而优化，而是被优化为能够产生与基态子空间具有足够重叠的位串。应用了两种激进的压缩技术：

梯度剪枝（Gradient Pruning）： 对浅层参考电路进行经典梯度分析（类似于 ADAPT-VQE）。丢弃梯度幅值较低的激发算符。仅保留前 $f_g$ 比例的算符，从而有效地从电路中移除门。
Clifford 舍入（Clifford Rounding）： 在 VQE 收敛后，对剩余算符的参数进行分析。将最接近 Clifford 角（ $k\pi/2$ ）的参数“捕捉”到这些精确值。这把非 Clifford 门转换为 Clifford 门，可以通过稳定子张量网络（STN）模拟器以极低的成本进行经典追踪。舍入参数的比例由 $f_c$ 控制。

3. SQD 恢复（子空间量子对角化）

压缩后的电路仅作为采样器。

采样： 从优化后的压缩电路中进行采样。
提升（Lifting）： 使用预计算的映射将样本从上下文子空间提升回完整的 Jordan-Wigner 空间。
经典对角化： 使用这些样本构建一个缩减的构型相互作用（CI）子空间。在子空间上执行经典对角化（使用 Davidson 特征值求解器）以精炼基态能量。
核心洞察： 由于 SQD 执行自身的经典特征值求解，因此前面的量子电路不需要产生准确的能量期望值；它只需要生成具有足够基态重叠的位串。这使得第二阶段的激进简化成为可能。

核心贡献

确定了 SQD 容差： 本文确立了 SQD 对电路缺陷的容忍度，这使得激进的电路压缩（剪枝和舍入）可以在不降低最终能量精度的情况下实现。
双重压缩策略： 作者引入并验证了基于梯度的算符剪枝和 Clifford 舍入作为互补技术，以降低电路深度和模拟成本。
系统性消融研究： 通过对 21 个分子的全面研究，表征了精度与加速之间的权衡。研究表明，即使在梯度剪枝和 Clifford 舍入两个维度上都进行 50% 的压缩，中值 SQD 误差仍保持在化学精度（1.6 mHa）之内。
硬件验证： 在 IBM 量子硬件（ibm_rensselaer）上对 6 个分子进行的实验证实，这些压缩技术将转译后的电路深度最多降低了 2.8 倍，同时与未压缩的基准相比，SQD 精度完全没有损失。

结果

精度 vs. 压缩： 在模拟中，当梯度比例 ( $f_g$ $f_{g}$ ) $\ge 0.75$ $\geq 0.75$ 且 Clifford 比例 ( $f_c$ $f_{c}$ ) $\ge 0.25$ $\geq 0.25$ 时，中值能量误差保持在化学精度内。
- Clifford 舍入： 由于大多数优化后的参数已经接近 Clifford 角，因此对精度的影响微乎其微（当 $f_c \ge 0.25$ 时）。
- 梯度剪枝： 是误差增加的主要因素。当 $f_g$ 低于 0.50 时，会导致显著的误差增长，特别是对于具有较大上下文子空间的分子（如 $N_2$ , $H_3O^+$ ）。
模拟加速比：
- 仅使用 Clifford 舍入可提供 1.2–2.1× 的加速。
- 仅使用梯度剪枝可提供高达 2.8× 的加速。
- 两者结合，可实现高达 3.8× 的模拟加速。
- 极端压缩（ $f_c=0.00$ ）可获得高达 33× 的加速，但会牺牲精度。
硬件性能：
- 在 IBM 硬件上，组合压缩（剪枝 + 舍入）使较大分子的转译电路深度降低了 2.4–2.8×（例如， $H_2O$ 的深度从 4437 降至 1690）。
- 至关重要的是，SQD 能量误差在所有配置（基准、仅剪枝、仅舍入以及组合配置）下均保持一致，证实了压缩后的电路仍能为 SQD 提供足够的基态重叠以恢复正确的能量。

意义与主张

本文声称，SQD 的集成从根本上改变了量子化学电路的设计要求。通过将精度的负担从量子电路转移到经典后处理步骤，作者证明了：

可以牺牲电路质量： 电路可以被刻意设计得更浅、更“不精确”（就 VQE 能量而言），因为 SQD 会恢复精度。
资源效率： 这种方法允许通过上下文子空间显著减少量子比特数量，并通过剪枝和舍入显著降低电路深度，从而使在近期待用硬件上进行更大规模的分子模拟成为可能。
互补性： 该方法与现有的优化器和转译器兼容，可以将算法层面的压缩叠加在标准的编译优化之上。

作者总结道，未来的 SQD 流程应优先考虑浅层、压缩的电路，而不是优化独立的 VQE 精度，因为 SQD 后处理步骤本身就能恢复所需的精度。