量子科技中心_量科网

变分量子本征求解器（VQE）的拟设对近期量子硬件上的基态能量计算具有重要前景，但目前最具潜力的拟设设计高度依赖于分子轨道基组捕获系统电子关联的能力。通过经典方法计算优化的轨道系数在计算上成本高昂，且必须针对每个分子几何构型独立执行——这一瓶颈限制了其在化学空间中的可扩展性。该工作提出了一种图神经网络框架，可直接从分子几何结构和成键结构中预测优化的轨道系数。该模型在中等规模氢系系统（H₄和H₆）的数万种几何构型上训练后，无需重新训练即可迁移至更大、未见过的系统（H₈、H₁₀和H₁₂），展现出对系统尺寸的强分布外泛化能力。在结构化和随机构型上的评估中，与完整经典优化得到的能量相比，该模型的平均绝对能量误差分别达到𝒪(10²)和𝒪(10)毫哈特里。除能量估算外，预测的轨道还可作为高质量的热启动初始值，显著减少基态能量收敛所需的优化器迭代次数。这些结果证明，图神经网络是加速混合量子-经典工作流中轨道优化的有效且可扩展策略，直接降低了当前限制VQE在近期量子硬件上实际部署的经典预处理开销。