Better accuracy with fewer qubits: Single-particle basis set optimization for quantum chemistry on quantum computers

想象一下，你正试图解决一个巨大且复杂的拼图，但你只有一个小盒子来存放这些碎片。这就是目前科学家们在使用量子计算机理解化学时面临的现状。量子计算机就像是超级引擎，有一天可能会帮助我们发现新药或新材料，但现在它们还很“嘈杂”且脆弱。它们无法同时处理太多的碎片，否则整个画面就会崩塌。为了让工作进行下去，科学家通常不得不扔掉大部分拼图碎片，只保留极少数以适应这个小盒子。问题在于，当你扔掉太多碎片时，你得到的图像会变得模糊且不准确。你会丢失那些让化学反应得以运作的精细细节。

你即将听到的这篇论文正是针对这一问题。它提出了一个聪明的疑问：与其尝试把一个巨大的拼图挤进一个小盒子，不如我们重新设计这些拼图碎片本身，让它们变得更小但更聪明，如何呢？研究人员关注的是“基组”（basis sets），这本质上是科学家用来描述电子在原子周围行为的数学构建模块。你可以把这些想象成拼图碎片的形状。通常情况下，为了得到清晰的图像，你需要一大堆复杂且高质量的碎片。但本文提出，如果你仔细重新塑造一些简单的碎片，你依然可以用更少的碎片获得同样清晰（甚至更清晰）的图像。这意义重大，因为这意味着我们或许能在如今并不完美的量子计算机上进行精确的化学计算，而不需要那百万个装不进盒子的碎片。

更聪明拼图碎片的传奇

本文的作者 Subimal Deb 和 V. S. Prasannaa 决定玩一场“微调与改进”的游戏，对象正是这些数学构建模块。他们从最简单、最基础的碎片集开始，即所谓的“极小基组”（minimal basis sets）。这些是描述一个原子时能使用的最基本、最少量的拼图碎片。问题在于，它们往往边缘粗糙，导致结果有些模糊。

为了修复这个问题，团队发明了一个数字“进化机”。他们使用了一种受自然启发的方法——遗传算法（genetic algorithm）。想象你有一个装有略有差异的拼图碎片的盒子。你测试所有碎片，看看哪些能拼出最好的图像。其中的“优胜者”可以拥有“后代”（通过混合特征产生的新版本），而“失败者”则会被丢弃。但作者并没有止步于此；他们还加入了一个“精炼”步骤，就像雕塑家凿去微小的石块以使作品完美一样。他们将整个过程称为模因算法（memetic algorithm）。

他们在从氢到氟（跳过了比较特殊的氦）的原子上运行了这种数字进化。他们从标准的碎片开始，将其进化成新的、经过超优化的版本，称之为 MSTO-kG 基组。名称中的“k”只是一个数字，代表了被挤压在一起组成一个碎片的微小高斯形状的数量。他们将这个数字一路推高到了 11，创造出的碎片比原始的简单碎片要详细得多，但保持了总碎片数量不变。

神奇的结果：更少的碎片，更清晰的图像

令人兴奋的部分在于：因为他们保持了碎片的数量不变，所以不需要在他们的量子计算机盒子里占用额外的空间。但由于这些碎片变得更聪明了，它们构建出的图像却惊人地清晰。

当他们将这些新的 MSTO 碎片与化学家使用的标准高质量碎片（如著名的 6-31G 基组）进行对比测试时，结果令人惊讶。对于许多原子，他们新的、较小的碎片集所产生的基态能量（原子的最稳定能量水平）竟然与那些庞大、昂贵的基组一样好，甚至更好。

例如，在观察锂（Lithium）原子时，他们优化的碎片实际上击败了 cc-pVQZ 基组的表现。这意义重大，因为 cc-pVQZ 是一个“四倍 zeta”基组，意味着它是一个庞大、高清晰度的碎片集合。作者成功地利用一个与微小、基础的极小基组数量相同的碎片集，获得了更好的结果。这就像是用仅仅几个像素就得到了 4K 电影画质的图像，只要这些像素被涂抹得恰到好处。

他们还检查了这些新碎片在分子（聚集在一起的原子群）中的表现。在他们测试的大多数分子中，如氢化锂或氢化铍，新碎片的表现与标准的 6-31G 基组一样出色。这里有一个小插曲：氢分子（$H_2$）在使用他们的新碎片时效果没那么好，这一发现与其他科学家之前观察到的现象相吻合。但对于几乎所有其他情况，这些新碎片都是赢家。

这对未来意味着什么

这项工作的真正力量在于当你观察在量子计算机上运行这些计算的“成本”时。量子计算机是用“量子比特”（qubit，量子版的比特）和“门”（gate，即执行的操作）来衡量的。越复杂的拼图碎片，你需要的量子比特和门就越多。

作者运行了模拟，以观察他们的新 MSTO 碎片在三种不同的量子算法下与标准基组的对比情况：VQE（用于当今嘈杂的计算机）、QPE（一种未来的、更强大的方法）以及 HHL（另一种先进算法）。

结果是效率上的巨大胜利。对于锂原子，使用他们的 MSTO-11G 基组所需的量子比特数量与微小的基础基组相同，但使用的门数量远少于庞大的 6-31G 基组。具体来说，他们仅需要 6-31G 基组所需两比特门的约 13%，以及比更大的 cc-pVDZ 基组所需门数量的仅 3%。

你可以这样理解：如果标准方法要求你开着一辆重型卡车去送包裹，那么作者的方法则让你可以使用一辆轻巧、快速的摩托车，以更少的燃料消耗和更少的路面磨损，将同样的包裹送到完全相同的目的地。

总结

这篇论文并不是声称已经解决了所有的化学问题，或者制造出了完美的量子计算机。相反，它为我们目前面临的局限性提供了一个非常实际且聪明的变通方案。通过使用一种智能的、进化的方法来重新设计原子的数学“构建模块”，作者展示了我们可以在不需要海量量子资源的情况下，获得高质量、准确的结果。

他们证明了，为了得到更好的图像，你不一定需要更多的碎片；有时，你只需要让现有的碎片发挥更大的作用。这为在现有的以及不久将来的量子计算机上进行更精确的化学模拟打开了大门，帮助我们在等待技术变得完美之前，离发现新药和新材料更近一步。