🔬 物理学

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，这是一种高吞吐量的工作流，它将一种通用的基于深度学习的 Slater-Koster 紧束缚哈密顿量生成器与变分量子缺陷算法相结合，旨在通过近期的量子硬件高效地计算周期性固体的精确能带结构，并在硅、各种超导体以及真实的 IBM 量子设备上展示了成功的模拟结果。

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

发布于 2026-10-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（https://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

探索电子如何在固体材料中运动是现代科学中最基本的挑战之一。这些微小的粒子决定了物质是导电、发光，还是成为能够无电阻传输电流的超导体。为了预测这些行为，科学家传统上依赖复杂的计算机模拟，通过求解描述晶体中每个电子能量的方程。虽然这些方法对于小分子效果良好，但在应用于具有重复性、无限模式的固体晶体时，会变得极其困难且缓慢。几十年来，研究人员一直希望量子计算机能够自然地解决这些问题，因为量子计算机的操作遵循与电子相同的量子规则。然而，一个主要的障碍始终存在：在量子计算机开始工作之前，科学家必须首先将物理材料转化为量子计算机能够理解的特定数学格式。这个转换步骤一直很缓慢、昂贵，并且需要人类专家为每一种新材料手动调整设置，这实际上阻碍了测试成千上万种不同物质的路径。

约翰斯·霍普金斯大学的一个研究小组现在为这一瓶颈架起了一座桥梁。他们开发了一种全新的工作流，将强大的人工智能模型与量子算法相结合，用以计算固体材料的能带。该方法不再要求人类为每种新晶体手动构建数学描述，而是训练了一个神经网络来学习电子在周期表中运动的规律。一旦训练完成，这个 AI 模型可以立即为任何由 65 种不同元素组成的材料生成必要的数学描述，涵盖从简单金属到复杂化合物的广泛范围。随后，研究人员将这些由 AI 生成的描述直接输入到运行在真实量子计算机上的量子算法中。结果显示，该系统可以预测各种材料的电子特性，而无需缓慢的手动设置，从而为筛选用于未来技术的庞大材料库打开了大门。

这项成就的核心在于取代了过去那种劳动密集型的构建数学模型的方法。以前，为了研究一种新固体，科学家需要运行繁重的模拟以获得初步图像，然后手动调整参数以拟合数据，这个过程对于单一材料可能需要数天或数周的时间。新方法使用了一个名为 SlaKoNet 的工具，它充当了一个“通用翻译官”。它在海量的已知材料数据库上进行了训练，学习电子如何根据距离和类型在原子之间跳跃。一旦完成学习阶段，该模型就能为遇到的任何新晶体结构立即生成一份忠实的数学地图。这份地图随后被交给一种被称为“变分量子缺陷化”（variational quantum deflation）的量子算法。该算法旨在寻找系统的能级，就像寻找一件乐器所能演奏出的特定音符一样，但它是通过迭代搜索最低能量状态，然后将其从路径中“消除”（deflate）掉，从而寻找下一个状态。

为了测试这一流水线是否有效，研究人员首先将其应用于硅——这种现代电子技术的基石材料。他们要求系统计算硅在标准内部结构路径上的全能级范围。通过一个模拟三量子比特量子计算机的模拟器，该系统成功重现了所有八个能带，平均误差仅为 1.78 毫电子伏特（meV）。这种精度非常接近精确的理论值，证明了 AI 生成的地图足以让量子计算机进行运算。随后，研究人员迈出了下一个关键步骤：他们在 IBM 提供的实际量子硬件上运行了相同的计算。他们专注于铝（一种常见的金属），并要求机器寻找其基态能量。虽然真实的硬件引入了更多的噪声和误差，但系统产生的结果与精确值仅差约 0.37 电子伏特（eV）。这证明了从 AI 生成地图到量子计算机求解的整个过程，可以在当今现有的、不完美的机器上运行。

然而，这种方法的真正威力在于其泛化能力。研究人员并未止步于硅和铝。他们将完全相同的工作流应用于其他五种材料，其中包括几种在低温下变为超导体的金属和一种坚硬的陶瓷化合物。在没有更改设置或重新训练模型的情况下，该系统成功生成了所有这些材料的能带结构。其准确度保持在高水平，对于更复杂的材料，误差仍保持在 1.8 毫电子伏特以下。这表明 AI 模型已经学习到了一套适用于不同化学类型的通用规则，涵盖了从简单的自由电子金属到过渡金属及氮化物。这意味着，一个经过预训练的模型现在可以作为研究数千种不同材料的起点，消除了为每种材料构建新模型的必要性。

除了研究简单的能级，研究人员还探索了该方法如何应对电子之间存在强相互作用的更困难问题。在许多材料中，一个电子的行为高度依赖于其他电子，从而产生难以模拟的复杂效应。团队展示了他们的 AI 生成模型可以通过升级来包含这些相互作用，并使用一种称为“动力学平均场理论”（dynamical mean-field theory）的技术进行求解。他们将此应用于一种以强电子关联著称的著名铜基材料。系统成功捕捉到了电子在金属族向下移动时的关联减弱现象，并确定了量子计算机理解该材料行为所需的特定数学问题。这表明，该流水线不仅是一个进行简单计算的工具，更是一个能够引导量子计算机处理材料科学中最具挑战性问题的完整框架。

这项工作的意义远超所测试的具体材料。通过消除手动设置步骤，研究人员为“高通量筛选”创造了一条路径，即量子算法可以在单次扫描中针对数千种材料进行测试。这使得科学家能够研究不同的量子算法在各种化学环境下的表现，而在过去，由于准备每个输入所需的时间过长，这是无法实现的。此外，由于整个过程是可微的（意味着数学步骤可以回溯，以观察材料的变化如何影响最终结果），这为同时优化材料设计和量子算法打开了大门。研究人员已向公众开放了他们的工具和数据，邀请他人在此基础上进行开发。尽管目前的量子计算机仍受限于噪声和可控量子比特的数量，但这项工作证明，一种由 AI 驱动的通用方法可以使当今的硬件发挥出最佳性能。它将量子计算机从一台需要为每一扇门定制钥匙的机器，转变为一种可以开启庞大材料库的工具，从而加速超导体、半导体及其他先进物质的发现进程。

技术摘要：SlaKoNet-VQD

问题陈述
变分量子算法，特别是变分量子特征值求解器（VQE）和变分量子简并法（VQD），是近期的量子硬件上计算电子结构的领先候选方案。尽管这些方法在分子系统领域已趋于成熟，但其在周期性固体中的应用仍然有限。主要的瓶颈不在于量子算法本身，而在于为每种特定材料构建忠实二阶量子化哈密顿量的高昂成本。目前的流程依赖于密度泛函理论（DFT）结合 Wannier 化处理，或是人工拟合的经验 Slater-Koster（SK）参数。这两种方法都需要针对每种材料投入大量的专家知识，难以组合成高通量或可微的流水线，且在不同化学成分之间缺乏无需重新拟合的可迁移性。

方法论
作者提出了 SlaKoNet-VQD，这是一个集成了通用神经网络哈密顿量生成器与基于 Qiskit 的 VQD 算法的工作流。

SlaKoNet 哈密顿量生成： 该流水线利用 SlaKoNet——一个在 JARVIS-TBmBJ 数据集（约 20,000 种原子序数 $Z \le 65$ 的材料）上训练的深度学习框架。与直接预测矩阵元素的图神经网络不同，SlaKoNet 通过自动微分学习随距离变化的 Slater-Koster 紧束缚参数（在位能量、跳跃积分和重叠积分）。一旦训练完成，它即可为其训练域内的任何晶体成分确定性地构建实空间哈密顿量 $H(R)$ 和重叠矩阵 $S(R)$ 。随后，这些矩阵通过布洛赫求和转化为 $k$ 空间解析的哈密顿量 $H(k)$ 。
埃尔米特化与分解： 为了确保与量子硬件的兼容性，生成的 $H(k)$ 矩阵（可能因有限精度导致对称性破缺）通过 $(H + H^\dagger)/2$ 进行对称化。得到的埃尔米特矩阵随后通过张量积 Pauli 投影器分解为加权 Pauli 串之和（ $H = \sum c_P P$ ），将问题映射到 $n = \lceil \log_2 N \rceil$ 个量子比特上，其中 $N$ 为轨道数。
变分量子简并法 (VQD)： 量子算法用于求解特征值。基态通过标准的 VQE 最小化得到。激发态通过在代价函数中增加针对先前已求得特征态的正交惩罚项来获得，以强制执行正交性。
Ansatz 与优化： 研究采用了 EfficientSU2 ansatz（circuit6）并进行五次重复，该 ansatz 由交替的 $R_Y/R_Z$ 旋转层和线性纠缠链组成。经典外层循环使用 COBYLA 优化器。

核心贡献
本文提出了五项具体贡献：

流水线构建： 在 SlaKoNet 哈密顿量生成器与 Qiskit Estimator 原语之间建立了一个清晰的接口，包括处理数值噪声所需的埃尔米特化步骤。
验证： 对硅进行了全布里渊区基准测试，将 3-qubit VQD 特征值与相同神经哈密顿量的精确对角化结果进行了比较。
硬件执行： 在 IBM 量子硬件（ibm_boston）上演示了该工作流，包括误差缓解以及模拟结果与真实硬件之间差异的量化。
泛化能力： 在无需重新训练的情况下，将相同的流程应用于五种常规超导体（Al, Ta, V, Nb, 和 ZrN），展示了其在元素自由电子金属、过渡金属及过渡金属氮化物的跨化学成分的可迁移性。
关联扩展： 一个概念性的扩展，推动 SlaKoNet 哈密顿量向通过动力学平均场理论（DMFT）求解的关联哈伯德模型（Hubbard model）演进。该扩展恢复了已知的第五族金属相关趋势以及铜酸盐 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： 在 3-qubit 态矢量模拟器上，SlaKoNet-VQD 工作流沿标准高对称路径恢复了硅的全八带结构，与精确对角化相比，平均绝对偏差（MAD）为 1.78 meV。最大的偏差（29.32 meV）出现在最高的激发态，这是由于简并惩罚项的累积所致。
硬件执行： 在 IBM 量子硬件上进行的铝基态计算，在误差缓解后，相对于精确对角化的平均绝对误差约为 0.37 eV。作者指出，该误差与典型 DFT 泛函之间的差异相当，且大于化学精度，将其归因于当前的硬件噪声而非流水线缺陷。
泛化能力： 对于另外五种超导体，该工作流实现的每能带 MAD 均在约 1.8 meV 以内。元素金属（Al, Ta, V, Nb）表现出的误差 $\le 0.05$ meV，而三量子比特 ZrN 系统误差为 1.74 meV。
关联系统： 在 DMFT 扩展中，该流水线成功重现了第五族金属向下移动（V $\to$ Nb $\to$ Ta）时相关性减弱的过程，并在将浴（bath）限制在低能流形时，识别出 La $_2$ CuO $_4$ 中强烈的准粒子重整化。

意义与主张
论文声称 SlaKoNet-VQD 消除了历史上限制量子能带结构研究的“单种材料设置成本”。通过用通用的、可微的神经网络哈密顿量取代 DFT/Wannier 化，该工作流实现了：

高通量筛选： 能够在无需人工干预的情况下，在单次扫描中对数千种材料运行 VQE/VQD。
可微流水线： 从晶体结构到量子特征值的整个链条都是可微的，允许对 ansatz 和哈密顿量进行基于梯度的协同优化。
算法基准测试： 该流水线提供了一个可重复、固定结构的基质，用于测试新的变分算法，类似于 FCIDUMP 在分子化学中的作用。

作者明确指出，结果的准确性受限于底层的 SlaKoNet 模型（基于 TBmBJ 数据训练），而非量子求解器本身。他们承认了局限性，包括当前模型缺乏自旋轨道耦合和排斥对势，以及随着能谱上升导致的激发态保真度下降。然而，他们认为该流水线为跨越周期表的变分算法高通量基准测试奠定了基础，并为机器学习加速的量子动力学平均场理论铺平了道路。

类似论文