# VQE 详解：变分量子本征求解器与 UCC 拟设 VQE（Variational Quantum Eigensolver，变分量子本征求解器）由 Alberto Peruzzo 等人于 2014 年提出，是 NISQ（Noisy Intermediate-Scale Quantum，近期含噪中等规模量子）时代最具影响力的量子-经典混合算法。它通过参数化量子电路（拟设，Ansatz）搜索哈密顿量的基态能量，是量子化学、材料模拟的核心工具。 ## 问题背景 量子化学的核心问题是求解分子哈密顿量的基态能量： $$E_0 = \min_{|\psi\rangle} \langle\psi|H|\psi\rangle$$ 这是量子力学变分原理的直接应用：对任意归一化的试探态 $|\psi\rangle$，能量期望 $\langle H\rangle$ 总是不低于基态能量 $E_0$。我们将在下一节从谱分解出发完整证明这一原理。 经典方法求解上述问题面临如下困难： - 完整构型相互作用（Full Configuration Interaction, FCI）：需要在维度为 $\binom{M}{N}$ 的组态空间中做对角化（$M$ 为自旋轨道数，$N$ 为电子数），空间维数随体系规模指数增长，对角化本身还要付出 $O\!\left(\binom{M}{N}^3\right)$ 的代价； - 密度泛函理论（Density Functional Theory, DFT）：典型实现约 $O(n^3)$，但对强关联体系精度有限； - 耦合簇（CCSD(T)）：$O(n^7)$，被称为"金标准"，但对大分子不可扩展。 VQE 的目标是：用多项式深度的量子电路制备试探态 $|\psi(\vec{\theta})\rangle$，用经典优化器找到使 $\langle H\rangle$ 最小的参数 $\vec{\theta}^*$。 ## 核心思想：变分原理 + 参数化电路 ### 变分原理 我们先把变分原理陈述为一个定理，然后从谱分解出发给出完整证明。 **定理（变分原理）** 设 $H$ 是厄米算符，其本征值从小到大排列为 $E_0 \le E_1 \le E_2 \le \cdots$，对应的正交归一本征态为 $\{|E_j\rangle\}$。则对任意归一化态 $|\psi\rangle$（即 $\langle\psi|\psi\rangle = 1$），有 $$\langle\psi|H|\psi\rangle \ge E_0,$$ 且等号成立当且仅当 $|\psi\rangle$ 落在基态子空间内（即 $|\psi\rangle$ 在所有满足 $E_j > E_0$ 的本征态上的分量为零）。 **证明** 由谱定理，厄米算符 $H$ 可以写成谱分解的形式 $$H = \sum_j E_j\, |E_j\rangle\langle E_j|,$$ 其中本征态族 $\{|E_j\rangle\}$ 构成希尔伯特空间的一组正交归一基。把 $|\psi\rangle$ 在这组基下展开： $$|\psi\rangle = \sum_j c_j |E_j\rangle, \qquad c_j = \langle E_j|\psi\rangle.$$ 由基的完备性（即 $\sum_j |E_j\rangle\langle E_j| = I$，这是谱分解的组成部分）， $$\langle\psi|\psi\rangle = \sum_j \langle\psi|E_j\rangle\langle E_j|\psi\rangle = \sum_j |c_j|^2 = 1.$$ 现在把谱分解代入能量期望值，利用 $\langle E_j|E_k\rangle = \delta_{jk}$（正交归一性），逐项计算： $$\langle\psi|H|\psi\rangle = \Big\langle\psi \Big|\, \sum_j E_j |E_j\rangle\langle E_j| \,\Big| \psi\Big\rangle = \sum_j E_j\, \langle\psi|E_j\rangle\langle E_j|\psi\rangle = \sum_j E_j\, |c_j|^2.$$ 由于每个 $|c_j|^2 \ge 0$ 且总和为 $1$，而所有 $E_j \ge E_0$，我们可以逐项放大： $$\sum_j E_j\, |c_j|^2 \;\ge\; \sum_j E_0\, |c_j|^2 \;=\; E_0 \sum_j |c_j|^2 \;=\; E_0.$$ 这就证明了 $\langle\psi|H|\psi\rangle \ge E_0$。进一步，上面的不等号逐项来自 $E_j|c_j|^2 \ge E_0|c_j|^2$，等号成立要求 $(E_j - E_0)|c_j|^2 = 0$ 对所有 $j$ 成立，即 $E_j > E_0$ 时必须有 $c_j = 0$。证毕。 变分原理还有一个常用的定量形式，它把"能量超出量"与"基态保真度"联系起来。 **推论（保真度下界）** 在定理条件下，若基态能隙 $E_1 - E_0 > 0$，则 $$1 - |\langle E_0|\psi\rangle|^2 \;\le\; \frac{\langle H\rangle - E_0}{E_1 - E_0}.$$ **证明** 记 $q = 1 - |c_0|^2 = \sum_{j \ge 1} |c_j|^2$ 为态在基态子空间之外的概率。沿用上面得到的 $\langle H\rangle = \sum_j E_j |c_j|^2$，把 $j = 0$ 项单独写出，其余各项都放大到 $E_1$： $$\langle H\rangle = E_0|c_0|^2 + \sum_{j \ge 1} E_j |c_j|^2 \ge E_0(1 - q) + E_1 q = E_0 + (E_1 - E_0)\, q.$$ 移项即得结论。证毕。这个推论说明：只要把能量优化到距基态 $\varepsilon(E_1 - E_0)$ 以内，试探态就必然有至少 $1 - \varepsilon$ 的概率落在基态上。 VQE 利用变分原理的方式是：在参数化电路族 $\{|\psi(\vec{\theta})\rangle\}$ 中搜索，使 $\langle H\rangle$ 收敛到 $E_0$。只要电路族足够有表达力（包含基态或足够接近基态的态），最小值就能逼近 $E_0$。 ### VQE 的整体框架 $$\vec{\theta}^* = \arg\min_{\vec{\theta}} \langle\psi(\vec{\theta})|H|\psi(\vec{\theta})\rangle$$ 量子部分在每次优化迭代中执行： 1. 制备 $|\psi(\vec{\theta})\rangle = U(\vec{\theta})|0\rangle^{\otimes n}$； 2. 测量 $\langle H\rangle = \sum_k \alpha_k \langle H_k \rangle$——先把 $H$ 分解为泡利字符串（Pauli strings）的线性组合，再分别测量每一项（或每一组对易项）。 经典部分执行： 3. 把测量得到的能量估计值传给经典优化器； 4. 优化器按某种策略更新参数 $\vec{\theta}$，回到第 1 步，直到收敛。 ## 分子哈密顿量的构造 ### 量子化学哈密顿量 在 Born-Oppenheimer 近似（核固定、只处理电子自由度）下，分子哈密顿量的二次量子化形式为 $$H_{\text{mol}} = \sum_{pq} h_{pq} a_p^\dagger a_q + \frac{1}{2}\sum_{pqrs} h_{pqrs} a_p^\dagger a_q^\dagger a_r a_s + h_{\text{nuc}},$$ 其中 $a_p^\dagger, a_q$ 是费米子产生/湮灭算符，$h_{pq}$（单电子积分）与 $h_{pqrs}$（双电子积分）由所选基组计算得到，$h_{\text{nuc}} = \sum_{A j$ 的情形与 $i < j$ 对称。这说明 Jordan-Wigner 变换是费米子代数到量子比特代数的忠实表示；代价是每个算符都带一条长度可达 $O(n)$ 的 $Z$ 串。 Bravyi-Kitaev 变换（Bravyi-Kitaev transformation）用部分奇偶性信息代替完整的 $Z$ 串，把算符的平均权重降到 $O(\log n)$，从而缩短电路。 无论采用哪种映射，映射后的哈密顿量都是 $L = O(n^4)$ 个泡利字符串的线性组合： $$H = \sum_{k=1}^{L} \alpha_k P_k, \qquad P_k \in \{I, X, Y, Z\}^{\otimes n},$$ 其中 $O(n^4)$ 来自双电子积分 $h_{pqrs}$ 的指标个数。 ## 拟设（Ansatz）设计 拟设 $U(\vec{\theta})$ 的选择至关重要：它需要有足够的表达力以覆盖（或足够接近）基态，同时深度要可控，以便在 NISQ 设备上运行。 ### UCC 拟设（Unitary Coupled Cluster，酉耦合簇） UCC 是量子化学中最自然的拟设，它是经典耦合簇理论的酉化版本。 经典耦合簇（Coupled Cluster, CC）把基态表示为 $$|\psi_{\text{CC}}\rangle = e^{T} |\Phi_0\rangle, \qquad T = T_1 + T_2 + \cdots,$$ 其中 $|\Phi_0\rangle$ 是参考态（通常取 Hartree-Fock 态），$T_1 = \sum_{ia} t_i^a\, a_a^\dagger a_i$ 与 $T_2 = \sum_{ijab} t_{ij}^{ab}\, a_a^\dagger a_b^\dagger a_j a_i$ 分别是单、双激发算符（$i, j$ 遍历占据轨道，$a, b$ 遍历虚拟轨道）。指数形式 $e^T$ 自动包含了 $T^2, T^3, \cdots$ 的高阶激发，这是耦合簇方法精度高的原因。 但 $e^T$ 不是酉算符：$T^\dagger \neq -T$，故 $e^T$ 无法直接在量子电路上实现（量子电路只能执行酉演化）。UCC 的解决方案是把指数改成反厄米生成元： $$|\psi_{\text{UCC}}\rangle = e^{T - T^\dagger} |\Phi_0\rangle.$$ 我们来验证 $e^{T-T^\dagger}$ 确实是酉的。首先， $$(T - T^\dagger)^\dagger = T^\dagger - (T^\dagger)^\dagger = T^\dagger - T = -(T - T^\dagger),$$ 即 $T - T^\dagger$ 是反厄米的。对反厄米算符 $K$（$K^\dagger = -K$），利用指数的级数定义逐项取伴随： $$(e^{K})^\dagger = \sum_{m=0}^{\infty} \frac{1}{m!}(K^\dagger)^m = \sum_{m=0}^{\infty} \frac{1}{m!}(-K)^m = e^{-K} = (e^{K})^{-1},$$ 所以 $e^{T-T^\dagger}$ 是酉算符，可以在量子电路上实现，同时保留了耦合簇的物理直觉。 ### UCCSD（UCC with Singles and Doubles） UCCSD 是 UCC 最常用的截断版本，只保留单激发和双激发生成元。把每个生成元写成显式的反厄米形式： $$T_1(\vec{\theta}) = \sum_{ia} \theta_i^a \big(a_a^\dagger a_i - a_i^\dagger a_a\big),$$ $$T_2(\vec{\theta}) = \sum_{ijab} \theta_{ij}^{ab} \big(a_a^\dagger a_b^\dagger a_j a_i - a_i^\dagger a_j^\dagger a_b a_a\big),$$ 其中第二个括号内的两项互为厄米共轭（$a_a^\dagger a_b^\dagger a_j a_i$ 的厄米共轭是 $a_i^\dagger a_j^\dagger a_b a_a$），因此每个生成元都反厄米。UCCSD 态为 $$|\psi(\vec{\theta})\rangle = e^{T_1(\vec{\theta}) + T_2(\vec{\theta})}\, |\Phi_0\rangle.$$ 参数数量可以直接数出来。设占据自旋轨道数为 $n_o$、虚拟自旋轨道数为 $n_v$： - 单激发：从 $n_o$ 个占据轨道中选一个、从 $n_v$ 个虚拟轨道中选一个，共 $n_o \times n_v$ 个参数； - 双激发：从占据中选一对（$\binom{n_o}{2}$ 种）、从虚拟中选一对（$\binom{n_v}{2}$ 种），共 $\binom{n_o}{2}\binom{n_v}{2} = \frac{n_o(n_o-1)\,n_v(n_v-1)}{4}$ 个参数； - 两项合计 $O(n^4)$。 **电路实现。** 直接实现 $e^{T_1 + T_2}$ 并不容易，因为各激发生成元之间不对易。标准做法是一阶 Trotter 分解： $$e^{\sum_\mu \theta_\mu \kappa_\mu} \approx \prod_\mu e^{\theta_\mu \kappa_\mu},$$ 其中 $\kappa_\mu$ 取遍所有单、双激发生成元。这一步的误差由标准的 Trotter 界控制：对任意矩阵 $A, B$， $$\left\| e^{A+B} - e^A e^B \right\| \le \frac{1}{2}\,\|[A,B]\|\, e^{\|A\| + \|B\|},$$ 它可以通过考察 $g(t) = e^{-tB}e^{-tA}e^{t(A+B)}$ 得到：对 $t$ 求导并利用第三项中 $A+B$ 的 $A$ 部分与前两项的 $-A$ 相消，可得 $g'(t) = e^{-tB}\,[e^{-tA}, B]\,e^{t(A+B)}$，再对 $t$ 从 $0$ 到 $1$ 积分，并用不等式 $\|[e^{-tA},B]\| \le t\|[A,B]\|e^{\|A\|t}$（对 $[e^{sA}, B] = \int_0^{s} e^{uA}[A,B]e^{(s-u)A}\,du$ 取范数）逐项放缩即得。当角度 $\theta_\mu$ 较小时交换子误差为 $O(\theta^2)$，实践中可以通过重复多轮 Trotter 化（每轮角度除以轮数）把误差压到任意小。 每个因子 $e^{\theta_\mu \kappa_\mu}$ 再编译为量子门。以双激发生成元 $\kappa_{ij}^{ab} = a_a^\dagger a_b^\dagger a_j a_i - \text{h.c.}$ 为例：在 Jordan-Wigner 变换下，每个产生/湮灭算符形如 $(X \pm iY)/2$ 再乘一段 $Z$ 串，四个算符相乘展开为 $2^4 = 16$ 个泡利字符串项，反厄米组合恰好保留其中 8 个实系数项，因此 $$e^{\theta\, \kappa_{ij}^{ab}} = \exp\!\Big(i\theta \sum_{l=1}^{8} c_l\, P_l\Big), \qquad c_l \in \mathbb{R},$$ 其中每个 $P_l$ 的权重（含 $Z$ 串）至多为 $O(n)$。单个权重为 $w$ 的泡利字符串演化 $e^{i\theta P}$ 用 $2(w-1)$ 个 CNOT 加两个单比特旋转实现（用 CNOT 链把 $P$ 共轭为单比特 $Z$、旋转、再逆共轭回去）。综上，每个双激发因子需要 $O(n)$ 个 CNOT 门，$O(n^4)$ 个因子给出总 CNOT 数与电路深度 $O(n^5)$。 ### 硬件高效拟设（Hardware-Efficient Ansatz, HEA） 如果不追求化学直觉、只追求在给定硬件上容易实现，可以使用硬件高效拟设： $$U(\vec{\theta}) = \prod_{l=1}^{D} \Big[ \Big(\prod_{(i,j)} \mathrm{CNOT}_{ij}\Big)\cdot \prod_{i} R_Y(\theta_{i,l})\, R_Z(\theta_{i,l}') \Big],$$ 即每层由单比特旋转 $\prod_i R_Y R_Z$ 与一层纠缠门（如链式 CNOT）交替组成，$\mathrm{CNOT}_{ij}$ 的连接方式按硬件原生拓扑选取。 - 深度 $O(D)$ 层，参数数量 $O(D \cdot n)$，门都是原生门，编译开销小； - 表达力随 $D$ 增长很快，但随机初始化的深层 HEA 会遇到严重的 Barren Plateaus 问题（见下文），而且缺乏物理约束时容易给出不可靠的变分态。 **强纠缠拟设（Strongly Entangling Layers）** 是 HEA 的常用变体：每层包含单比特旋转和全连接（或环式）纠缠门，参数数量同为 $O(D \cdot n)$，能在浅层就建立长程纠缠。 **ADAPT-VQE**（Adaptive Derivative-Assembled Pseudo-Trotter VQE）则走另一条路：不预先固定拟设，而是迭代地从小算符池 $\{\kappa_\mu\}$（所有单、双激发生成元）中挑出贡献最大的算符追加到电路中。挑选的依据是一个解析的梯度指标：若当前态为 $|\psi\rangle$，把候选算符以参数 $\theta$ 追加为 $e^{\theta\kappa_\mu}$，则 $$\frac{d}{d\theta}\Big\langle\psi\Big|\, e^{-\theta\kappa_\mu} H\, e^{\theta\kappa_\mu} \Big|\psi\Big\rangle\Big|_{\theta=0} = \big\langle\psi\big|[\kappa_\mu, H]\big|\psi\big\rangle,$$ 其中最后一步是对 $e^{\pm\theta\kappa}$ 做一阶泰勒展开、利用 $\kappa_\mu$ 反厄米（$e^{\pm\theta\kappa} = I \pm \theta\kappa + O(\theta^2)$）后同类项相消得到的。ADAPT-VQE 每轮追加 $|\langle[\kappa_\mu, H]\rangle|$ 最大的算符并对现有参数重新优化，从而自适应地在精度和深度之间折中。 ## 经典优化器 ### 梯度优化：参数平移规则 对量子电路能量的梯度，参数平移规则（Parameter-Shift Rule, PSR）给出了精确表达式。设第 $k$ 个参数门具有 $U_k(\theta_k) = e^{-i\theta_k G_k/2}$ 的形式（本教程的统一约定），生成元 $G_k$ 是厄米的： - 当 $G_k^2 = I$（即谱为 $\{\pm 1\}$，涵盖 $R_x, R_y, R_z$ 以及 $e^{-i\theta Z_iZ_j/2}$ 等两比特旋转门）时， $$\frac{\partial \langle H \rangle}{\partial \theta_k} = \frac{1}{2}\left[\langle H \rangle\Big(\theta_k + \frac{\pi}{2}\Big) - \langle H \rangle\Big(\theta_k - \frac{\pi}{2}\Big)\right];$$ - 当 $G_k$ 恰有两个不同本征值 $\lambda_1 > \lambda_2$、谱隙 $\Delta = \lambda_1 - \lambda_2$ 时，推广形式为 $$\frac{\partial \langle H \rangle}{\partial \theta_k} = \frac{\Delta}{4}\left[\langle H \rangle\Big(\theta_k + \frac{\pi}{\Delta}\Big) - \langle H \rangle\Big(\theta_k - \frac{\pi}{\Delta}\Big)\right],$$ 取 $\Delta = 2$（即谱 $\{\pm 1\}$）就回到上一条。 推导思路如下（完整证明见[第 2 章附录：参数平移法则](../ch02-quantum-nn/parameter-shift-appendix.md)）：把电路中与 $\theta_k$ 无关的门吸收进初态和观测量后，能量函数可写成 $E(\theta_k) = \langle\psi_0|U_k^\dagger M U_k|\psi_0\rangle$；由矩阵欧拉公式与半角恒等式可以证明 $E(\theta_k)$ 必然是频率为 $\Delta/2$ 的正弦波 $E = a\sin(\delta\theta_k) + b\cos(\delta\theta_k) + C$（$\delta = \Delta/2$）；而任何这种正弦波的导数，都恰好等于它向前、向后各平移 $\pi/\Delta$ 后的函数值之差乘以 $\Delta/4$——对正弦、余弦逐项用诱导公式即可验证。因此 PSR 给出的是解析梯度而非有限差分近似。 代价方面，每个参数需要 2 次电路执行，$P$ 个参数共需 $2P$ 次（再加上每次执行所需的测量重复次数，见"测量开销"一节）。 常用的梯度优化算法包括： - Adam、RMSProp：自适应学习率的一阶方法； - 自然梯度（Natural Gradient）：沿量子 Fisher 信息矩阵定义的几何最速方向更新，收敛更快； - SPSA（Simultaneous Perturbation Stochastic Approximation，同时扰动随机近似）：每次只需 2 次电路执行估计一个近似梯度方向，对噪声鲁棒。 ### 无梯度优化 - COBYLA：线性逼近的约束优化； - Nelder-Mead：单纯形法； - Powell：方向集方法。 这些方法在噪声环境下有时比梯度方法更鲁棒，但可扩展的参数个数有限。 ## 理论分析 ### 变分误差 $$\Delta E = \langle\psi(\vec{\theta}^*)|H|\psi(\vec{\theta}^*)\rangle - E_0$$ 由变分原理，$\Delta E \ge 0$ 恒成立，且由保真度下界的推论，把 $\Delta E$ 压到 $\varepsilon (E_1 - E_0)$ 以内就保证试探态与基态的保真度至少为 $1 - \varepsilon$。对 UCCSD，在小分子和平衡基组下，$\Delta E$ 通常低于化学精度（chemical accuracy，约 1 kcal/mol $\approx 1.6$ mHartree）；特别地，对两电子体系（如 H₂），UCCSD 的激发空间已被双激发生成元覆盖，在精确 Trotter 极限下与 FCI 一致。 ### Barren Plateaus **定理（McClean et al., 2018，大意）** 对随机初始化、深度 $D = O(\mathrm{poly}(n))$ 的硬件高效拟设，若电路在参数空间上的行为接近 Haar 随机酉，则损失函数的偏导数满足 $$\mathbb{E}\left[\frac{\partial \langle H \rangle}{\partial \theta_k}\right] = 0, \qquad \mathrm{Var}\left[\frac{\partial \langle H \rangle}{\partial \theta_k}\right] = O(2^{-n}),$$ 即梯度随量子比特数指数衰减，优化景观变得指数平坦（"贫瘠高原"，Barren Plateaus），随机初始化的梯度下降几乎无法移动参数。 UCCSD 的优势在于其物理动机的参数结构：从 Hartree-Fock 参考态出发、参数初始化为零时，现有分析与数值证据表明其初始梯度只随 $n$ 多项式衰减，不会出现指数平坦；但其 $O(n^5)$ 的电路深度反过来限制了可处理的分子规模。 ### 测量开销 估计 $\langle H\rangle = \sum_k \alpha_k \langle P_k \rangle$ 需要分别测量每个泡利字符串（或每组互相 qubit-对易的字符串）的期望值。我们先推导单个字符串需要多少次测量，再汇总。 **单条字符串的测量次数。** 对泡利字符串 $P_k$ 的单次测量结果 $X$ 是其本征值 $+1$ 或 $-1$，因此 $$\mathbb{E}[X] = \langle P_k\rangle, \qquad \mathrm{Var}[X] = \mathbb{E}[X^2] - (\mathbb{E}[X])^2 = 1 - \langle P_k\rangle^2 \le 1,$$ 其中用到 $X^2 = 1$（本征值的平方恒为 $1$）。$m$ 次独立测量的样本均值 $\bar{X} = \frac{1}{m}\sum_{i=1}^m X_i$ 满足 $$\mathbb{E}[\bar{X}] = \langle P_k\rangle, \qquad \mathrm{Var}[\bar{X}] = \frac{1}{m^2}\sum_{i=1}^m \mathrm{Var}[X_i] = \frac{\mathrm{Var}[X]}{m}.$$ 于是我们得到"测量次数正比于方差"的定量关系：要使 $\bar{X}$ 的标准差不超过 $\varepsilon$，只需 $$\sqrt{\frac{\mathrm{Var}[X]}{m}} \le \varepsilon \quad\Longleftrightarrow\quad m \ge \frac{\mathrm{Var}[X]}{\varepsilon^2},$$ 即 $m \sim \mathrm{Var}/\varepsilon^2$；用 Chebyshev 不等式还可以把它转成失败概率界：$\Pr\big[|\bar{X} - \langle P_k\rangle| \ge \varepsilon\big] \le \frac{\mathrm{Var}[X]}{m\varepsilon^2}$，要使概率不超过 $\delta$，取 $m \ge \frac{\mathrm{Var}[X]}{\delta\,\varepsilon^2}$ 即可。与之互补，Hoeffding 不等式利用 $X \in [-1, 1]$（区间宽度 $b - a = 2$）的有界性给出指数集中的界： $$\Pr\big[|\bar{X} - \langle P_k\rangle| \ge \varepsilon\big] \le 2\, e^{-2m\varepsilon^2/(b-a)^2} = 2\, e^{-m\varepsilon^2/2},$$ 要使右边不超过 $\delta$，只需 $m \ge \frac{2\ln(2/\delta)}{\varepsilon^2}$。两条路线都给出 $m = O(1/\varepsilon^2)$ 的标度；前者（方差版）在 $\mathrm{Var}[X]$ 远小于 $1$ 时更紧，后者（Hoeffding 版）与方差无关但对均匀最坏情形更稳。 **整条能量估计的测量次数。** 设第 $k$ 条字符串重复测量 $m_k$ 次、样本均值 $\bar{X}_k$，能量的无偏估计为 $\hat{E} = \sum_k \alpha_k \bar{X}_k$。由于不同字符串的测量相互独立，方差直接相加： $$\mathrm{Var}[\hat{E}] = \sum_{k} \alpha_k^2\, \frac{\mathrm{Var}[X_k]}{m_k}.$$ 我们把总测量次数 $m = \sum_k m_k$ 在"总方差固定为 $\varepsilon^2$"的约束下最小化。写拉格朗日函数 $$\mathcal{L} = \sum_k m_k + \lambda\Big(\sum_k \frac{\alpha_k^2 \sigma_k^2}{m_k} - \varepsilon^2\Big), \qquad \sigma_k^2 := \mathrm{Var}[X_k],$$ 对 $m_k$ 求偏导并令其为零：$1 - \lambda \alpha_k^2\sigma_k^2 / m_k^2 = 0$，即 $m_k \propto |\alpha_k| \sigma_k$。代回约束可得总次数 $$m = \sum_k m_k = \frac{\Big(\sum_k |\alpha_k|\, \sigma_k\Big)^2}{\varepsilon^2} \;\le\; \frac{\Big(\sum_k |\alpha_k|\Big)^2}{\varepsilon^2},$$ 最后一步用了 $\sigma_k^2 = 1 - \langle P_k\rangle^2 \le 1$。对典型分子哈密顿量 $\sum_k|\alpha_k| = O(n^4)$，于是总测量次数为 $O(n^4/\varepsilon^2)$，与朴素做法（每条字符串都测 $O(1/\varepsilon^2)$ 次、共 $L = O(n^4)$ 条）同阶，但最优分配能节省常数乃至多项式因子。 **分组测量。** 互相 qubit-对易（qubit-wise commuting, QWC）的泡利字符串可以在同一轮测量中同时估计——例如 $\{X_0X_1, X_0, X_1\}$ 只需在两个量子比特上都换到 $X$ 基再测量。把 $L$ 条字符串按 QWC 分组后，独立测量轮数对典型分子哈密顿量可以降到 $O(n^3)$ 量级甚至更少；若允许更精细的非对易分组（利用 Clifford 对角化），还能进一步压缩。 ## 具体例子 ### H₂ 分子 H₂ 在 STO-3G 基组下有 2 个空间轨道、4 个自旋轨道，因此需要 4 个量子比特。 - 参考态：$|\Phi_0\rangle = |0011\rangle$，即两个最低自旋轨道（量子比特 0、1）被占据； - 激发空间：把两个电子一起激发到量子比特 2、3 的双激发是唯一独立的双激发，单激发分量在分子对称性下梯度为零，因此 UCCSD 只含 1 个参数 $\theta$： $$|\psi(\theta)\rangle = e^{\theta(a_2^\dagger a_3^\dagger a_1 a_0 - \mathrm{h.c.})}\,|\Phi_0\rangle;$$ - 优化：$E(\theta) = \langle\psi(\theta)|H|\psi(\theta)\rangle$ 是一维函数，几步迭代即收敛； - 结果：在平衡键长附近，STO-3G 基组下的基态能量为 $E_0 \approx -1.1373$ Hartree（FCI 精确值），单参数 UCCSD 在精确 Trotter 极限下达到同一值，偏差来自 Trotter 化与测量噪声，通常在 $10^{-4}$ Hartree 量级以下。 ### LiH 分子 LiH 有 4 个电子；STO-3G 基组给出 6 个空间轨道，即 12 个自旋轨道、12 个量子比特。 - 全活性空间：$n_o = 4$（占据自旋轨道）、$n_v = 8$（虚拟自旋轨道）。单激发参数 $4 \times 8 = 32$ 个；双激发参数 $\binom{4}{2}\binom{8}{2} = 6 \times 28 = 168$ 个；合计 $200$ 个参数。 - 冻结芯轨道（冻结 Li 的 1s，即 1 个空间轨道、2 个电子）后：$n_o = 2$、$n_v = 8$，参数降为 $2 \times 8 + 1 \times 28 = 44$ 个，量子比特数降为 10。这是文献中 LiH 演示常用的配置。 - 电路深度：按每参数 $O(n)$ 个 CNOT 估计，全活性空间下约 $200 \times 12 \approx 2400$ 个 CNOT（精确常数取决于编译方式），已接近当前设备的极限； - 精度：在无噪声模拟中，UCCSD 能量与 FCI 的偏差约为 1 mHartree 量级，达到化学精度。 ## VQE 的局限性 ### 1. Barren Plateaus 对硬件高效拟设，随机初始化时梯度随 $n$ 指数衰减。UCCSD 虽然避免了指数平坦，但其 $O(n^5)$ 的深度对大分子不可行；二者的矛盾是拟设设计的核心难题。 ### 2. 噪声影响 NISQ 设备的门错误率约 $10^{-3}$ 量级，深电路的错误累积使能量估计出现系统性偏移（且偏移方向通常向上，由变分原理可知噪声只会让 $\langle H\rangle$ 变差）。UCCSD 电路深度 $O(n^5)$，对 $n \gtrsim 20$ 已超出当前设备的相干时间。 ### 3. 测量瓶颈 $O(n^4/\varepsilon^2)$ 次测量对小分子可行；对 $n > 50$ 的分子，单次能量估计的测量时间成为主要瓶颈，且优化需要成千上万次能量估计。 ### 4. 局部最小值 优化景观可能存在局部最小值，梯度方法可能陷入次优解；好的初始参数（如从较小的拟设或经典近似解出发）能缓解这一问题。 ### 5. 量子优势的不确定性 目前尚无理论证明 VQE 相对于最佳经典算法（如 CCSD(T)、DMRG）具有多项式加速；VQE 的实际优势需要在更大、更强的化学体系上验证。 ## 当前进展 | 年份 | 贡献 | |------|------| | 2014 | Peruzzo et al. 在光子处理器上提出并演示 VQE | | 2017 | Kandala et al. 提出硬件高效拟设，在超导芯片上求解小分子 | | 2019 | Grimsley et al. 提出 ADAPT-VQE | | 2020 | Google Sycamore 团队演示 VQE 型（Hartree-Fock 类）化学计算 | | 2023 | 多个团队展示误差缓解后接近化学精度的 VQE 能量估计 | ## 总结 VQE 是 NISQ 时代量子化学的旗舰算法。变分原理保证了任何试探态的能量都是基态能量的上界，从而把"求基态"变成"带上界的最小化"；UCCSD 拟设以物理动机换取化学精度，在小分子上展现了量子计算的潜力；参数平移规则与最优测量分配给出了可解析、可预算的梯度与测量成本。然而，Barren Plateaus、测量开销和噪声限制了 VQE 的可扩展性，是当前研究的核心挑战。 --- **参考文献：** 1. Peruzzo, A., et al. (2014). *A variational eigenvalue solver on a photonic quantum processor.* Nature Communications, 5, 4213. 2. Grimsley, H. R., et al. (2019). *An adaptive variational algorithm for exact molecular simulations on a quantum computer.* Nature Communications, 10, 3007. 3. McClean, J. R., et al. (2018). *Barren plateaus in quantum neural network training landscapes.* Nature Communications, 9, 4812. 4. Kandala, A., et al. (2017). *Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets.* Nature, 549(7671), 242-246. --- > 返回目录：[量子计算算法教程系列](https://chenzhaoyun.com/index.php/archives/54/)