量子化学模拟实战：VQE算法与可分离对模型(SPA)详解

1. 项目概述：当量子计算遇见化学模拟

如果你和我一样，既对量子计算的前沿进展感到兴奋，又对如何将其应用于解决真实的科学问题感到好奇，那么“变分量子本征求解器”绝对是一个绕不开的名字。这不仅仅是一个算法，更像是一座桥梁，连接了当下嘈杂的量子硬件与我们梦寐以求的、能够模拟复杂分子和材料的未来。简单来说，VQE 是一种“混合”策略：让量子计算机去做它擅长的事——制备和操控特殊的量子态，而让经典计算机去处理它拿手的任务——复杂的优化和参数更新。这种分工合作，使得我们能够在现有的、还不那么完美的“噪声中等规模量子”设备上，开始尝试解决化学中最核心的问题之一：计算一个分子或材料的基态能量。

为什么基态能量如此重要？在化学和材料科学中，一个系统的基态能量决定了它的稳定性、反应活性以及几乎所有的宏观性质。传统上，我们依赖基于薛定谔方程的经典计算方法，如密度泛函理论或耦合簇方法。然而，随着系统电子数的增加，这些方法的计算成本呈指数级爆炸，这就是著名的“指数墙”问题。量子计算机，因其天然的量子特性，被理论证明可以更高效地模拟量子系统。VQE 正是实现这一愿景的、当前最可行的路径之一。

本文聚焦的“可分离对模型”，是 VQE 大家族中一个极具巧思的成员。它不像一些通用但笨重的量子电路，而是针对特定类型的化学系统（尤其是氢原子体系）进行了深度定制。SPA 的核心思想非常直观：与其试图一次性描述所有电子之间复杂的相互作用，不如先假设整个分子的波函数可以近似为一系列电子对波函数的乘积。这听起来像是一个大胆的简化，但对于许多由弱关联电子对主导的系统（比如氢分子链、某些有机分子片段），它异常有效。更妙的是，这种结构化的近似直接转化成了极其精简的量子电路，需要的量子比特数和门操作都大大减少，使得在真实硬件上运行的成功率显著提高。

接下来的内容，我将为你拆解 VQE 的工作原理，深入剖析 SPA 的设计哲学与实现细节，并分享如何从零开始搭建一个用于氢原子链模拟的量子-经典混合计算流程。无论你是计算化学的研究者，还是量子算法的开发者，抑或是单纯对交叉领域感兴趣的技术爱好者，相信都能从中获得可以直接上手实践的干货。

2. VQE核心原理与混合计算架构拆解

要理解 VQE，我们不能只停留在“它是一个混合算法”的层面，必须深入其数学内核和运行逻辑，明白它为何能在当前硬件条件下脱颖而出。

2.1 哈密顿量的泡利算符分解：测量的基石

任何量子化学模拟的起点都是体系的哈密顿量 ( \hat{H} )，它描述了系统中所有粒子（主要是电子）的动能和势能。在量子计算中，我们无法直接处理这个连续的微分算符。VQE 的第一步，也是关键的一步，是将这个复杂的哈密顿量映射到量子比特可以操作的形式上。

具体做法是通过“第二量子化”和“泡利算符展开”。简单类比，这就像把一篇复杂的文章（哈密顿量）拆解成一个个独立的字母或单词（泡利算符项）。最终，哈密顿量被表达为如下形式：

[ \hat{H} = \sum_{i, \alpha} h_i^{\alpha} \hat{\sigma}i^{\alpha} + \sum{i,j,\alpha,\beta} h_{ij}^{\alpha\beta} \hat{\sigma}_i^{\alpha} \hat{\sigma}_j^{\beta} + \cdots ]

这里，( \hat{\sigma}i^{\alpha} ) 代表作用在第 ( i ) 个量子比特上的泡利算符（( \alpha ) 可以是 X, Y, Z 或单位阵 I），( h_i^{\alpha}, h{ij}^{\alpha\beta} ) 是预先通过经典计算得到的实数系数。这个分解的意义在于：整个哈密顿量的期望值，等于所有泡利算符项期望值的线性组合。即：

[ \langle \hat{H} \rangle = \sum_{i, \alpha} h_i^{\alpha} \langle \hat{\sigma}i^{\alpha} \rangle + \sum{i,j,\alpha,\beta} h_{ij}^{\alpha\beta} \langle \hat{\sigma}_i^{\alpha} \hat{\sigma}_j^{\beta} \rangle + \cdots ]

注意：这个分解的项数会随着体系增大而快速增长，是主要计算开销之一。但在 NISQ 时代，我们通常只保留最重要的项（通过阈值截断），或者利用分子的对称性进行合并，以降低测量负担。

为什么这么做？因为量子计算机可以直接测量泡利算符的期望值。例如，测量 ( \hat{Z}_0 ) 就是让第0个量子比特在计算基矢下进行投影测量，统计得到 |0⟩ 和 |1⟩ 的概率差。对于 ( \hat{X}_0\hat{Y}_1 ) 这样的双算符项，则需要先将量子比特通过特定的单比特门旋转到合适的测量基上（例如，对第0个比特做 Hadamard 门来测量 X，对第1个比特做 ( S^\dagger H ) 门来测量 Y），然后再进行投影测量。

2.2 参数化量子电路：制备试探波函数

有了可测量的目标，我们还需要一个方法来制备我们想要研究的量子态。VQE 使用一个参数化的量子电路（通常称为 Ansatz）来生成试探波函数 ( |\Psi(\vec{\theta})\rangle )。这里的 ( \vec{\theta} ) 是一组可调参数。

这个 Ansatz 的设计是 VQE 的灵魂，也是研究的热点。一个糟糕的 Ansatz 可能根本无法表达真实的基态，导致优化失败；而一个过于复杂的 Ansatz 则可能引入过多的噪声，或需要太深的电路，超出当前硬件的极限。常见的 Ansatz 设计包括：

• 硬件高效 Ansatz：由硬件原生支持的单比特旋转门和双比特纠缠门交替构成，结构简单，易于在真实芯片上实现。
• 基于量子化学知识的 Ansatz：如酉耦合簇 Ansatz，其结构受传统耦合簇方法启发，理论上更高效，但电路通常更深。
• 问题特定 Ansatz：就像本文的 SPA，针对特定问题（如氢原子系统）的物理特性进行定制，在精度和效率间取得最佳平衡。

电路的作用是，给定一组参数 ( \vec{\theta} )，它将初始态（通常是全 |0⟩）变换为我们猜测的基态近似 ( |\Psi(\vec{\theta})\rangle )。

2.3 混合迭代优化流程：量子与经典的对话

VQE 的核心流程是一个清晰的迭代循环，完美体现了“混合”二字的含义：

1. 量子任务：态制备与测量

   • 在量子处理器上，运行参数为 ( \vec{\theta}_k ) 的 Ansatz 电路，制备出量子态 ( |\Psi(\vec{\theta}_k)\rangle )。
   • 为了计算 ( \langle \hat{H} \rangle )，需要按照泡利算符分解的每一项所要求的测量基，反复制备该态并进行测量。每次测量都是一次采样，通过大量采样来估计该泡利算符项的期望值。将所有项的估计值按系数加权求和，就得到了当前参数下能量期望值 ( E(\vec{\theta}_k) ) 的一个估计。

2. 经典任务：优化与参数更新

   • 经典优化器接收来自量子端返回的能量值 ( E(\vec{\theta}_k) )。
   • 优化器（如梯度下降、BFGS、COBYLA等）根据当前和历史的能量值，判断如何调整参数 ( \vec{\theta} ) 才能降低能量。
   • 优化器计算出新的参数 ( \vec{\theta}_{k+1} )，并将其发送回量子端，开始下一轮迭代。

这个循环持续进行，直到能量收敛到最小值，此时对应的参数 ( \vec{\theta}^* ) 和量子态 ( |\Psi(\vec{\theta}^*)\rangle ) 就是我们寻找的基态近似。

实操心得：优化器的选择至关重要。对于有��声的量子测量，基于梯度的优化器（如 SPSA）通常比需要精确梯度的方法更鲁棒。此外，设置合适的初始参数、学习率（步长）和收敛阈值，能极大影响优化的成功率和速度。我通常会先用一个无噪声的模拟器进行初步测试，确定优化器的超参数，再上真机或带噪声的模拟器运行。

2.4 VQE的优势与面临的挑战

VQE 相比传统的量子相位估计算法（QPE）的最大优势在于对量子资源的需求大幅降低。QPE 需要非常深的电路和长相干时间的量子比特来执行量子傅里叶变换，这远远超出了 NISQ 设备的能力。而 VQE 的电路深度主要由 Ansatz 决定，我们可以设计较浅的电路。同时，它不需要量子比特始终保持相干完成整个复杂算法，每次测量都是独立的电路运行。

然而，VQE 并非没有代价，其核心挑战在于：

• 测量开销：为了精确估计每一项泡利算符的期望值，每个电路都需要运行成千上万次（shots）。对于包含成千上万个泡利项的哈密顿量，总测量次数可能非常庞大。
• 噪声影响：量子门误差、测量误差和退相干会污染测量结果，导致能量估计有偏。这要求我们发展误差缓解技术，如零噪声外推、测量误差校准等。
• 优化难题：参数空间可能存在许多局部极小值（“贫瘠高原”问题），优化器容易陷入其中，无法找到全局最优的基态。

尽管有这些挑战，VQE 因其可行性和灵活性，已成为 NISQ 时代量子化学模拟的标杆性算法。而像 SPA 这样的特定 Ansatz，正是为了在挑战中开辟一条更可行的道路而诞生的。

3. 可分离对模型的设计哲学与实现

可分离对模型是一种高度特化的 VQE Ansatz，它并非试图解决所有化学问题，而是瞄准了一类特定但重要的体系——氢原子系统，并为此做出了极其精巧的设计。

3.1 物理图像：从电子对乘积出发

SPA 的物理出发点非常直接：对于许多化学系统，尤其是那些电子关联并非全局强关联的系统，其总波函数可以近似地写成电子对波函数的乘积。考虑一个由 N 个氢原子组成的系统（如氢分子链 H_N），总共有 N 个电子（每个氢原子贡献一个）。SPA 假设这 N 个电子的总波函数 ( \Psi_{\text{total}} ) 近似为：

[ \Psi_{\text{total}} \approx \phi_1 \otimes \phi_2 \otimes \cdots \otimes \phi_{N/2} ]

其中，每个 ( \phi_k ) 描述了一个电子对（两个电子）的状态。这本质上是一种“平均场”思想的进阶版，但它不是在单电子层次上做平均，而是在电子对层次上做近似。对于氢原子体系，化学键通常由两个电子形成的电子对构成，因此这个近似非常物理。

在量子比特编码中，我们通常使用“Jordan-Wigner”或“Bravyi-Kitaev”变换将费米子算符映射到泡利算符。对于氢原子系统，一个更高效的编码是硬核玻色子模型。在这个模型里，每个原子轨道（可以粗略理解为氢原子的 1s 轨道）用一个量子比特表示。量子比特处于 |1⟩ 态表示该轨道被一个电子占据，|0⟩ 态表示空置。HCB 模型强制要求每个轨道最多只有一个电子，这自动满足了泡利不相容原理，并大大简化了哈密顿量和电路。

3.2 电路构造：将物理图像翻译成量子门

SPA 的电路结构直接反映了其物理图像。电路由多个并行的、相互独立的子电路模块构成，每个模块对应一个电子对。对于一个由边列表edges = [[0,1], [2,3]]定义的四个氢原子系统（H4），它表示我们假设电子对形成于原子0和1之间，以及原子2和3之间。

那么，描述一个电子对（两个量子比特）的纠缠态，需要什么样的量子电路呢？一个最常用且简单的选择是参数化的双量子比特纠缠门，例如一个受控旋转门，或者一个XX + YY类型的耦合门（有时称为fSim门的一种简化形式）。在提供的 Tequila 代码示例中，mol.make_ansatz("HCB-SPA", edges=edges)这一行就在内部构建了这样的电路：为每一对[i, j]在对应的量子比特 i 和 j 上放置一个参数化的双比特纠缠门，而其他不相干的量子比特之间没有直接纠缠。

这种结构带来了巨大的优势：

1. 电路深度极浅：所有电子对模块是并行执行的，因此电路深度不随原子数 N 增加而增加，仅由单个双比特门的深度决定。这对抗噪声极其有利。
2. 参数数量少：参数数量仅等于电子对的数量（N/2），远少于通用 Ansatz。这使得优化问题变得非常简单，收敛速度快，且不易陷入贫瘠高原。
3. 可自动生成：给定分子几何结构和预设的电子对匹配方式（如最近邻配对），SPA 电路可以全自动生成，无需人工设计。

3.3 轨道旋转优化：挖掘经典预处理潜力

SPA 模型有一个非常重要的特性：其能量期望值不是在任意单粒子基下都不变的。换句话说，我们对分子轨道的选择（即哈密顿量表达所基于的那组单电子波函数）会显著影响 SPA 近似的好坏。

这并不难理解。SPA 假设电子对位于某两个特定的原子轨道之间。如果一开始我们选择的原子轨道是“局域的”（比如每个轨道只集中在单个原子上），那么电子对自然被理解为定域在化学键上。但如果我们对这套基矢做一次整体的幺正变换（称为“轨道旋转”），得到一套新的“离域”轨道（比如分子轨道），那么原来清晰的电子对图像就变得模糊了，SPA 近似可能因此变差。

反过来，这也意味着存在一个最优的轨道集合，使得在这个基矢下，SPA 近似最接近真实波函数。寻找这个最优轨道的过程，就是一个经典的优化问题。如代码所示，tq.chemistry.optimize_orbitals函数就是在做这件事。它固定 SPA 电路的结构和参数，然后经典地优化那个幺正变换矩阵（initial_guess是其初始值），以最小化能量。

注意事项：轨道优化是一个在经典计算机上完成的、针对连续参数的优化过程。它不增加量子电路的深度或复杂度，却能显著提升最终结果的精度。这是混合算法威力的又一体现：将一部分可以通过经典高效处理的任务剥离出来，让量子计算专注于其核心优势——制备经典难以表达的纠缠态。在实际操作中，务必先进行轨道优化，得到一个“好”的哈密顿量，再将其送入 VQE 流程进行量子参数的优化。

3.4 SPA的定位与扩展

需要明确的是，SPA 不是一个孤立的算法，而是一种有效的电路设计范式。正如文献中指出的，它可以作为更复杂 VQE Ansatz 的构建模块。例如：

• 在基于图的 Ansatz 中，SPA 可以作为初始层，捕获主要的静态关联。
• 在“量子数守恒”的电路结构中，SPA 式的对耦合是保持粒子数等对称性的自然选择。
• 多个不同电子对匹配方式的 SPA 电路，其线性组合可以构成表达能力更强的试探波函数。

因此，掌握 SPA 不仅是为了计算氢原子链，更是理解如何将化学直觉转化为高效量子电路的一个典范。它教会我们，在 NISQ 时代，成功的量子算法往往不是追求通用性，而是追求在��定问题上的极致效率。

4. 从理论到实践：搭建H4分子模拟工作流

让我们结合提供的代码片段，一步步还原一个完整的、针对 H4 分子（四个氢原子）的 VQE-SPA 模拟工作流。我将使用 Tequila 和 Qiskit 作为示例框架，因为 Tequila 在量子化学集成方面非常出色，而 Qiskit 的生态更为广泛。

4.1 环境准备与分子建模

首先，我们需要定义我们要研究的分子。代码中给出了一个简单的 H4 几何结构，四个氢原子被分成两对，每对内部距离较近（~1.0 Å），两对之间距离较远（~2.83 Å）。这模拟了一种可能的情况：两个独立的氢分子。

import tequila as tq import numpy as np # 定义分子几何结构 geometry = """ H 0.0 0.0 0.0 H 0.0 0.0 0.74 # 第一个H2分子，键长0.74 Å H 2.0 0.0 0.0 H 2.0 0.0 0.74 # 第二个H2分子，距离第一个分子2.0 Å """ # 指定电子对匹配方式。这里我们假设分子内成对。 edges = [[0, 1], [2, 3]] # 原子索引从0开始 # 创建分子对象，使用STO-3G最小基组 mol = tq.Molecule(geometry=geometry, basis_set="sto-3g") print(f"分子包含 {mol.n_orbitals} 个分子轨道")

这一步在经典侧完成。Molecule对象会调用经典量子化学程序（如 PySCF）来计算并存储所有必要的信息：单电子积分、双电子积分、核排斥能等，并自动构建出费米子形式的哈密顿量。

4.2 构建哈密顿量与SPA电路

接下来，我们需要将费米子哈密顿量转换为量子比特可以处理的形式，并构建 SPA 电路。

# 使用硬核玻色子变换简化问题 H_fermionic = mol.make_hamiltonian() # 费米子哈密顿量 # 对于氢原子系统，使用硬核玻色子模型更高效 mol_hcb = mol.to_hardcore_boson() H_hcb = mol_hcb.make_hamiltonian() print("哈密顿量已转换为硬核玻色子形式。") # 构建SPA Ansatz电路 U = mol_hcb.make_ansatz("HCB-SPA", edges=edges) # 可视化电路（需要安装相关后端） # tq.circuit.export_to(U, filename="h4_spa_circuit.pdf") print("SPA参数化量子电路已构建。") # 我们可以打印电路来看看它的结构 print(U)

make_ansatz(“HCB-SPA”)函数是这里的魔法所在。它根据edges列表，为每一对量子比特生成一个参数化的双比特门。这个门的具体形式可能是exp(-i * theta * (XX + YY)/2)，它能在两个量子比特间生成纠缠，模拟一个电子对的形成。电路参数theta的初始值通常设为0或一个小随机数。

4.3 经典轨道优化

如前所述，在运行量子优化之前，我们先进行经典轨道优化，以找到最适合 SPA 近似的单粒子基。

# 构建轨道优化的初始猜测矩阵（幺正矩阵） # 对于简单情况，可以从单位阵开始 initial_guess = np.eye(mol_hcb.n_orbitals) # 或者，可以加入基于电子对猜测的小扰动 for i, j in edges: # 一个简单的猜测：让配对的轨道之间有一定混合 initial_guess[i, i] = 1.0/np.sqrt(2) initial_guess[i, j] = 1.0/np.sqrt(2) initial_guess[j, i] = -1.0/np.sqrt(2) initial_guess[j, j] = 1.0/np.sqrt(2) print("开始经典轨道优化...") result_orbital_opt = tq.chemistry.optimize_orbitals( molecule=mol_hcb, ansatz=U, initial_guess=initial_guess, use_hcb=True, silent=False # 设为True可关闭详细输出 ) print("轨道优化完成。") # 获取优化后的分子对象（其哈密顿量已处于最优基下） mol_optimized = result_orbital_opt.molecule H_optimized = mol_optimized.make_hamiltonian()

轨道优化过程会反复计算在 SPA 波函数下、不同轨道基对应的能量期望值（这个计算在经典侧通过积分变换完成），并使用经典优化器调整幺正矩阵，直至能量不再下降。这个过程显著提升了 SPA 波函数表达能力的上限。

4.4 运行混合VQE优化

现在，我们有了优化后的哈密顿量H_optimized和参数化电路U，可以启动正式的 VQE 循环了。

# 定义期望值计算目标 E = tq.ExpectationValue(H=H_optimized, U=U) # 选择优化器和初始参数 # 对于SPA，参数数量等于边数，这里我们有2条边，所以2个参数 initial_params = {k: 0.0 for k in U.extract_variables()} # 初始参数设为0 # 使用BFGS优化器（对于无噪声模拟效果很好） optimizer = tq.optimizers.optimizer_scipy(method="BFGS") print("开始VQE量子-经典混合优化...") result_vqe = tq.minimize( objective=E, initial_values=initial_params, method=optimizer, tol=1e-6, # 收敛容差 silent=False ) print(f"\n优化完成！") print(f"最终VQE能量: {result_vqe.energy:.8f} Hartree") print(f"优化后的参数: {result_vqe.angles}")

在这个阶段，每次优化器需要计算能量时，Tequila 会：

1. 将当前参数theta编译到量子电路U中。
2. 将电路发送到指定的量子后端（可以是模拟器如qulacs,qiskit，也可以是真实硬件）。
3. 后端执行电路并测量所有必要的泡利算符项（Tequila 会自动处理测量基的变换和分组）。
4. 将测量结果汇总，计算出能量期望值，返回给经典优化器。

4.5 结果分析与基准对比

最后，我们需要评估结果的可靠性。

# 计算经典精确解作为基准 # 对于小分子，可以进行全配置相互作用计算 fci_energy = mol_optimized.compute_energy(method="fci") print(f"\n经典FCI精确能量: {fci_energy:.8f} Hartree") print(f"VQE能量与FCI能量的差值: {result_vqe.energy - fci_energy:.6f} Hartree") # 单位转换：1 Hartree ≈ 27.2114 eV print(f"\n能量差值: {(result_vqe.energy - fci_energy) * 27.2114:.4f} eV") # 分析优化过程 if hasattr(result_vqe, ‘history’): print(f“优化共经历了 {len(result_vqe.history)} 次迭代。”)

一个成功的 VQE-SPA 计算，其最终能量应该非常接近 FCI 能量（对于 H4 在最小基组下，误差通常在 1-10 mHartree 量级，约 0.03 - 0.3 eV）。如果误差较大，可能需要检查：轨道优化是否充分收敛？SPA 的电子对匹配方式（edges）是否合理？优化器是否陷入了局部极小？

实操心得：在真实量子硬件或带噪声模拟器上运行时，务必进行误差缓解。最简单的办法是增加每个电路的测量次数（shots），例如从 8192 次增加到 100000 次，以降低统计误差。更高级的方法包括使用 T-REx 等误差抑制技术，或在优化器层面选择对噪声更不敏感的方法，如 SPSA。此外，将整个优化过程重复多次，取最佳结果，也是一个有效的策略。

5. 关键问题排查与性能优化指南

在实际操作中，你几乎一定会遇到各种问题。下面我整理了一份从入门到进阶的常见问题清单和解决思路，这些都是我在项目实践中踩过的坑。

5.1 能量不收敛或收敛到错误值

这是 VQE 最常见的问题。

5.2 计算速度过慢

VQE 计算可能很耗时，尤其是在模拟器上模拟大量量子比特时。

5.3 在真实量子硬件上运行的特殊问题

将代码部署到真实芯片上时，会遇到一系列新挑战。

5.4 化学意义的验证与结果解读

得到能量数值后，如何判断其化学意义是否正确？

1. 与经典方法对比：这是最基本的验证。将 VQE-SPA 结果与 HF、MP2、CCSD(T) 和 FCI 等经典方法的结果在同一基组下进行比较。SPA 的能量应介于 HF 和 FCI 之间，并且（对于适用体系）非常接近 FCI。
2. 检查能量曲线：对于像氢分子解离曲线这样的标准测试，计算不同键长下的能量。正确的量子方法应该能描述键的断裂（在长键长处，能量趋近于两个孤立氢原子的能量之和）。HF方法在这里会失败，而 VQE-SPA 应该能给出比 HF 更平滑、更物理的曲线。
3. 分析波函数：虽然直接从量子计算机读取完整波函数很难，但我们可以测量一些重要的可观测量。例如，测量每个量子比特的 ( \langle Z \rangle )（平均占据数），可以看电子是否如预期那样分布在成键的原子对上。还可以测量两体关联函数，来验证电子对的纠缠特性。
4. 进行灵敏度分析：微调分子的几何结构（如原子间距、键角），观察能量变化是否平滑、合理。不合理的突变可能意味着 Ansatz 在该构型附近失效。

量子计算在化学中的应用仍处于早期阶段，VQE-SPA 这样的方法为我们提供了一个坚实的起点。它告诉我们，通过精心设计的算法和充分利用混合架构，我们确实可以在今天的量子设备上，开始解决一些有实际意义的科学问题。这个过程充满挑战，但每一次成功的模拟，都是向最终目标迈进的一步。