想象你是后厨一位新手厨师，面前摆着一锅神秘高汤的配方书——上面写满所有食材的总目录，却唯独漏掉了每种调料的最佳用量。你不知道汤做到什么程度才算“到位”，只能一遍遍地试：抓一把盐（参数 θ₁）、撒一点胡椒（参数 θ₂）、舀起一勺尝尝味道（测量能量期望值），然后根据舌头反馈再微调。VQE 算法干的正是这件事：用量子电路当“做菜流程”（ansatz），用量子计算机“尝味道”（测量能量），用经典计算机当“厨师经验”（优化器）来决定下次怎么调味，反复循环，直到这锅汤在客观标准下做到最优——把分子体系的总能量压到最低。这个“最低”对应分子的基态，而 VQE 是当前量子硬件上最有希望的实用算法之一。这篇文章会把这个“调汤闭环”完整拆开给你看。

岗位关联

做量子计算或量子化学应用方向，VQE 是第一个值得掌握的实用算法：它让你理解量子硬件和经典优化如何合流，也是入行量子软件岗位的高频考点。

目录
  1. 可视化演示
  2. 变分原理：目标是能量下限
  3. 哈密顿量：把分子翻译成算符
  4. ansatz 电路：选择试探态的模板
  5. 能量测量：尝出味道得分
  6. 混合优化：经典与量子闭环
  7. 应用验证：从实验台到餐桌
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示VQE变分原理能量优化轨迹、参数化Ansatz量子线路结构及哈密顿量泡利分解与测量分组策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

变分原理与能量优化 试探态能量 基态能量E₀ E(θ)=⟨ψ(θ)|H|ψ(θ)⟩≥E₀ 变分原理保证试探态能量不低于真实基态能量

变分原理：目标是能量下限

厨师要判断汤“够不够好”，先得知道什么是“好”。在分子世界里，“好味道”有客观的物理标准——能量越低，体系越稳定；最低的那个能量叫基态能量 E_g。这就像一锅汤的美味上限是固定的，再好的食材也突破不了这个天花板。问题是，我们根本不知道基态长什么样，也不知道该往哪个方向努力。

VQE 的策略是“先猜后优化”：随便猜一个带参数的量子态 |ψ(θ)⟩（一版候选配方），算出这个态的能量期望 E(θ)。变分原理保证了：不管你怎么猜，E(θ) 永远大于等于基态能量 E_g。所以只要使劲把 E(θ) 往低处压，就一定能逼近那个天花板。这相当于把“玄学找基态”变成“滚下山去找最低点”——每一步都知道自己该往上还是往下。

数学上把这个原理写成下式：

所以，你不需要一开始就会做汤，只需要会“对比打分 + 不断改进”。变分原理给了 VQE 一个坚定的信念：能量要往下走。有了这个目标，后面的一切——哈密顿量表、ansatz、测量、优化——都是在为这个“下山”动作服务的工具。

E(θ)=⟨ψ(θ)∣H^∣ψ(θ)⟩≥EgsE(\theta) = \langle \psi(\theta) | \hat{H} | \psi(\theta) \rangle \geq E_{\mathrm{gs}}
  1. 试探波函数带参数 θ 的候选量子态，对应一版“汤方”。
    ∣ψ(θ)⟩|\psi(\theta)\rangle
  2. 哈密顿量算符体系的能量算符，相当于“按味道标准给这版汤方打分”的机制。
    H^\hat{H}
  3. 能量期望值对该态求能量的内积，就是当前配方的味道得分。
    ⟨ψ(θ)∣H^∣ψ(θ)⟩\langle \psi(\theta) | \hat{H} | \psi(\theta) \rangle
  4. 下界不等式无论 θ 怎么取，得分永远不小于基态能量。
    ≥Egs\geq E_{\mathrm{gs}}

哈密顿量：把分子翻译成算符

打分之前得有完整评分表。分子的能量由电子动能、电子间排斥、电子与原子核吸引等一堆物理量拼成，这一长串能量算符合起来叫哈密顿量 H。它就像一本“菜谱总纲”，把分子里所有相互作用的能量都登记在册。可问题在于，这本总纲是用连续偏微分方程写的，量子计算机看不懂。

二十世纪量子化学的“二次量子化”帮了大忙：它把问题改写成粒子数表象，只关心每个轨道被电子占了没有，就像菜篮子里每格放不放菜。接下来用 Jordan-Wigner 映射，把“某轨道被占据”这个信息编码到量子比特的 |0⟩ 和 |1⟩ 上。于是哈密顿量变成一串泡利算符的线性叠加：

这一步是 VQE 的“编译器输入”。有了评分表，味道就能量化：前面所有测量和优化，都建立在“哈密顿量 = 一堆泡利项之和”这个格式上。后面算总能量，本质上就是对每个泡利项打分，再按权重汇总——就像汤好不好喝，要分解成咸度、鲜度、甜度几个维度分别评估。

H^=∑ihiP^i\hat{H} = \sum_{i} h_i \hat{P}_i
  1. 求和指标把哈密顿量切成许多可独立处理的“物理片断”。
    ∑i\sum_{i}
  2. 实数系数每个片断的权重，由分子结构决定。
    hih_i
  3. 泡利算符串每个片断是若干 X、Y、Z 门的张量积，作用于 n 个量子比特。
    P^i∈{I,X,Y,Z}⊗n\hat{P}_i \in \{I, X, Y, Z\}^{\otimes n}

ansatz 电路：选择试探态的模板

汤方框架决定了你能调出什么味。化学启发 ansatz（如 UCCSD）更像“祖传菜谱”：从 Hartree-Fock 基态出发，按化学中单激发、双激发的规则一圈圈“加料”，物理意义明确，但电路往往很深。硬件高效 ansatz（HEA）则像“自由创作”：只考虑手头灶台能用什么动作（门的集合），把门的参数堆成串，电路浅、噪声小，代价是化学含义弱、参数调起来像“盲调”。

无论哪种风格，一个 ansatz 就是一组参数化的酉变换 U(θ)，把全零初始态变成一个候选量子态：

流程一固定，你只动调料量。ansatz 相当于“做菜流程固定，只调 θ 这一排旋钮”：旋钮越多表达力越强，但电路越深，噪声积累和梯度消失（贫瘠高原）的风险也越高。选择 ansatz 是 VQE 中最“手艺活”的部分，几乎决定了优化能不能成功。

∣ψ(θ)⟩=U(θ)∣0⊗n⟩,U(θ)=exp⁡(∑iθi(T^i−T^i†))|\psi(\theta)\rangle = U(\theta)|0^{\otimes n}\rangle, \quad U(\theta) = \exp\left(\sum_i \theta_i(\hat{T}_i - \hat{T}_i^\dagger)\right)
  1. 全零初态所有量子比特从 |0⟩ 出发，相当于“一张白纸”。
    ∣0⊗n⟩|0^{\otimes n}\rangle
  2. 参数化酉变换由 θ 控制的“做菜动作序列”，保证量子态始终归一化。
    U(θ)U(\theta)
  3. 激发算符把电子从占据轨道搬到空轨道的“换菜动作”。
    T^i\hat{T}_i
  4. 反对称组合先激发再反激发，保证整体变换是酉的、概率守恒。
    T^i−T^i†\hat{T}_i - \hat{T}_i^\dagger

能量测量：尝出味道得分

一轮调味后要尝汤。尝味道不能一口定论，要反复尝很多勺取平均，因为舌头有随机误差——这正是量子测量的本质：测量结果是概率分布，单次读数有巨大涨落。VQE 不直接测 H，而是把 H 拆成泡利项逐个测量：

这是整个流程里“烧钱”最快的环节：采样数 N 决定精度，统计误差按 1/√N 缓慢下降。聪明的做法是“测量分组”：把互相交换（对易）的泡利项合并到一组，一次电路运行同时测多项，把测量轮次从几百轮压到十几轮。就像一次舀好几勺挨个尝，省时间又保证判断质量。它是 VQE 工程化中最落地的性能优化之一，也是大规模分子模拟能跑起来的关键。

⟨H^⟩=∑ihi⟨P^i⟩,⟨P^i⟩≈1N∑k=1Nsi,k\langle \hat{H} \rangle = \sum_i h_i \langle \hat{P}_i \rangle, \quad\langle \hat{P}_i \rangle \approx \frac{1}{N}\sum_{k=1}^{N} s_{i,k}
  1. 泡利项期望每个泡利串 P_i 在电路末态上的平均值，需要重复制备并测量。
    ⟨P^i⟩\langle \hat{P}_i \rangle
  2. 线性加权组合按系数 h_i 把所有片断的得分累加，还原总能量。
    ∑ihi⟨P^i⟩\sum_i h_i \langle \hat{P}_i \rangle
  3. 采样平均每次测量得到比特串 s_{i,k}，N 次取平均逼近真实期望。
    ⟨P^i⟩≈1N∑k=1Nsi,k\langle \hat{P}_i \rangle \approx \frac{1}{N}\sum_{k=1}^{N} s_{i,k}

混合优化：经典与量子闭环

尝完味道，厨师的“经验脑”开始工作：这勺咸了，下轮少放半克盐；淡了，再补一点。VQE 里这个“经验脑”就是经典计算机上的优化器，它根据测得的 E(θ) 给出下一组参数。经典优化器选择很多：无梯度方法（COBYLA、Nelder-Mead）对噪声不敏感；基于梯度的方法（Adam、BFGS）收敛快，但需要从量子端挖出梯度——量子梯度可以用“参数移位规则”实现：把参数平移一个固定角度采样两次，差值就是梯度的近似。

每一步迭代遵循最朴素的梯度下降法则：

闭环转起来的节奏是：量子端制备试探态、测能量 → 经典端算梯度、更新 θ → 再送回量子端重新制备。当相邻两轮能量差小于设定阈值 ε，就宣布收敛。这正是量子-经典混合算法的精髓：量子做它擅长的态制备与测量，经典做它擅长的数值优化，像主厨和助手配合——一个掌勺，一个调火。

θ←θ−η∇θE(θ)\theta \leftarrow \theta - \eta \nabla_{\theta} E(\theta)
  1. 学习率每次调味迈多大的步子，步子太大容易过头。
    η\eta
  2. 梯度向量能量对每个参数的变化率，指明“往哪个方向调能降能量”。
    ∇θE(θ)\nabla_{\theta} E(\theta)
  3. 更新规则沿负梯度方向调整参数，小步迭代逼近能量谷底。
    θ←θ−η∇θE(θ)\theta \leftarrow \theta - \eta \nabla_{\theta} E(\theta)

应用验证：从实验台到餐桌

菜谱好不好，要端上桌看客人反应。VQE 最早期的验证台上摆的都是小分子：H₂、LiH、H₂O 等。它们足够简单，经典计算机能给出精确答案，正好用来检验量子端算得对不对。最常见的验证方式是扫描“键长-能量”曲线（势能面）：把原子核距离 R 固定为一个值，就跑一次 VQE；把 R 从短到长扫成一串点，连起来就得到整条势能面。这条曲线的形状直接决定化学反应的速率，是量子化学的金标准输出。

误差分析的标准写法是：

如果误差落在化学精度以内，说明这台“量子调汤”流程是可信的。当前含噪声量子硬件上，VQE 小分子的流程大多能跑通，但跑得很“艰辛”——噪声像厨房里乱飘的油烟，总让味道偏一点。VQE 就像一道刚端上桌的新菜：配方（ansatz）、评分（测量）、调味（优化）都验证过了，只是灶台还不够干净。等硬件噪声降下来，它会是量产“分子能量”的第一候选人。

ΔE=∣EVQE−Eexact∣\Delta E = \left| E_{\mathrm{VQE}} - E_{\mathrm{exact}} \right|
  1. VQE 输出能量优化收敛后量子端+经典端共同给出的基态估计。
    EVQEE_{\mathrm{VQE}}
  2. 经典精确能量用完整配置相互作用等经典方法算出的参考值。
    EexactE_{\mathrm{exact}}
  3. 绝对误差两者之差，用来判断是否达到“化学精度”（约 1 kcal/mol）。
    ΔE\Delta E

AI 应用场景

量子化学势能面扫描（材料设计）

阶段：模型推理

解决的问题：传统耦合簇或完全配置相互作用方法在电子数增多时呈指数级膨胀，VQE 把“求基态能量”换成“参数可训练的量子电路+经典优化”，让分子模拟有可能跑在近期量子设备上。

具体案例：计算 LiH 分子在键长 1.0 Å 到 4.0 Å 之间的势能面，每个固定 R 点跑一次 VQE，得到能量-键长曲线，与经典 FCI 结果对比验证精度。这条曲线能直接给出平衡键长和解离能，供材料设计使用。

制药中的分子构象能量评估

阶段：模型评估

解决的问题：候选药物分子的构象能量差极小，传统力场精度不够、高精度量化方法太贵；VQE 为关键片段提供基于量子力学的能量校正。

具体案例：把 VQE 嵌入 QM/MM 工作流，对药物分子中金属配位活性位点片段算基态能量，修正力场参数，帮助筛选活性构象。

量子硬件基准测试

阶段：效果评估

解决的问题：量子硬件没有统一的“跑分”标准，VQE 在标准小分子上跑出的能量误差能综合反映门保真度、测量噪声和退相干水平。

具体案例：在 IBM Eagle 127 比特芯片上运行 H₂ 的 VQE，将能量偏差拆分成门误差、测量误差和优化不收敛三部分，定位芯片噪声的主要来源。

Python 演示

python71 行
import numpy as np # 泡利矩阵定义I2 = np.eye(2)X = np.array([[0.0, 1.0], [1.0, 0.0]])Z = np.array([[1.0, 0.0], [0.0, -1.0]]) def kron2(A, B):    return np.kron(A, B) # 两比特哈密顿量 约化 H2 分子模型# H = 0.5 Z0Z1 + 0.3 X0 + 0.2 X1 + 0.1 Z0 + 0.15 Z1H = (0.5 * kron2(Z, Z) + 0.3 * kron2(X, I2)     + 0.2 * kron2(I2, X) + 0.1 * kron2(Z, I2)     + 0.15 * kron2(I2, Z)) def ry(theta):    c = np.cos(theta / 2.0)    s = np.sin(theta / 2.0)    return np.array([[c, -s], [s, c]]) def cnot01():    return np.array([[1.0, 0.0, 0.0, 0.0],                     [0.0, 1.0, 0.0, 0.0],                     [0.0, 0.0, 0.0, 1.0],                     [0.0, 0.0, 1.0, 0.0]]) def ansatz_state(theta):    # 初态 |00>    psi = np.zeros(4, dtype=complex)    psi[0] = 1.0 + 0.0j    # 分别对两个比特施加旋转门    psi = kron2(ry(theta[0]), I2) @ psi    psi = kron2(I2, ry(theta[1])) @ psi    # 用 CNOT 建立纠缠    psi = cnot01() @ psi    # 再转一次增加表达力    psi = kron2(I2, ry(theta[2])) @ psi    return psi def energy(theta):    psi = ansatz_state(theta)    return np.real(np.conj(psi) @ H @ psi) def finite_diff_grad(theta, eps=1e-4):    g = np.zeros_like(theta)    for i in range(len(theta)):        d = np.zeros_like(theta)        d[i] = eps        g[i] = (energy(theta + d) - energy(theta - d)) / (2.0 * eps)    return g def optimize(theta0, steps=150, lr=0.15):    theta = np.array(theta0, dtype=float)    history = []    for it in range(steps):        theta = theta - lr * finite_diff_grad(theta)        e = energy(theta)        history.append(e)        if it % 30 == 0:            print("iter %3d  E=%.6f  theta=%s" % (it, e, np.round(theta, 4)))    return theta, history if __name__ == "__main__":    # 用精确对角化当裁判    w = np.linalg.eigvalsh(H)    print("精确基态能量: %.6f" % w[0])    theta0 = np.array([0.35, 0.35, 0.0])    best, hist = optimize(theta0)    print("VQE 基态能量: %.6f" % energy(best))    print("误差: %.2e" % abs(energy(best) - w[0]))
目的：用 NumPy 手动模拟一个 2 比特 VQE 全流程，展示“参数化电路 + 能量测量 + 经典梯度下降”如何一步步逼近精确基态能量。
  1. H = (0.5 * kron2(Z, Z) + ...)把分子哈密顿量按泡利基分解并组装成矩阵，这是能量计算的“评分表”。
  2. psi[0] = 1.0 + 0.0j初始化量子态 |00⟩。
  3. psi = kron2(ry(theta[0]), I2) @ psi对第 0 号比特施加 RY 旋转门，θ[0] 就是待优化的“调料量”。
  4. psi = cnot01() @ psi引入纠缠，让两个比特不再独立，这才是分子级的量子相关性。
  5. return np.real(np.conj(psi) @ H @ psi)计算试探态的能量期望 ⟨ψ|H|ψ⟩，等于“尝一口味道”。
  6. g[i] = (energy(theta + d) - energy(theta - d)) / (2.0 * eps)中心差分近似偏导，告诉优化器该往哪个方向调。
  7. theta = theta - lr * finite_diff_grad(theta)梯度下降的参数更新，对应“根据品尝结果微调配方”。
  8. w = np.linalg.eigvalsh(H)解析精确基态能量当裁判，验证 VQE 的答案是否逼近真值。

常见误区

误区反正最后都是最小化能量，那我随便堆一圈旋转门当 ansatz，总能找到基态吧？

正解不对。变分原理只保证了 E(θ) ≥ E_g，但没说你的参数空间真的包含基态。如果 ansatz 表达力不够，最小化的结果会停在一个高于基态的能量上。就像汤方固定“只放盐和糖”，你再怎么调也调不出麻味。UCCSD 等化学启发 ansatz 从参考态附近系统性覆盖重要激发，而单纯堆门可能出现“近似灾难”或梯度消失。

为何常见：因为看到“能量最小化”就以为是经典可微函数优化，忽略了参数化电路自身的表达力边界。

误区量子算法肯定能把经典化学软件秒杀，VQE 一出，高斯软件就该被淘汰了。

正解目前远远没有。对 H₂、LiH 这样的小分子，经典方法（完全配置相互作用 FCI）能在化学精度内给出几乎精确的答案。VQE 的价值不在于小分子上比谁更快，而是给出一条通往经典方法指数困难尺度（大活性空间、强关联体系）的路径。在现在的噪声机器上跑 VQE，往往是“能跑，但跑得很艰难”。

为何常见：媒体渲染“量子优越性”，加上对指数加速的浪漫想象，让初学者忽略了 NISQ 噪声和巨额采样成本。

误区量子电路跑一次，读出能量值不就行了吗？为什么还要重复几千上万次？

正解量子测量本质是概率性的。同一条电路反复运行，每次测到的比特串都按概率分布变动，单次读数包含巨大涨落。能量期望必须通过大量采样取平均，才能把统计误差压到化学精度（约 1 kcal/mol）。测量分组、幅度估计等技巧都是在同样的采样预算下降低方差，而不是省掉采样。

为何常见：经典模拟里能量是确定性数值，初学者容易把“可观测量期望值”和“一次读出的本征值”混为一谈。

误区那我多加参数，ansatz 就能覆盖更多量子态，结果肯定更准。

正解参数量激增会带来两个麻烦：一是“贫瘠高原”现象——随机初始化的梯度随比特数指数级缩小，优化器根本跑不动；二是电路加深让门噪声累积，能量偏置可能盖过真实信号。所以表达力、可训练性和噪声鲁棒性必须一起权衡，这也是 VQE 研究里“设计 ansatz”常常比“选优化器”更决定成败的原因。

为何常见：经典机器学习里参数多=模型容量大，但量子电路深度带来的噪声和梯度消失是经典优化里没有的硬约束。

面试题

Q1. VQE 算法最核心的求解目标是什么？

单选题 · easy

  • A.分子体系的激发态能谱
  • B.分子体系的基态能量← 正确答案
  • C.哈密顿量全部的本征值
  • D.量子电路的最优编译策略

答案：B。VQE 通过改变参数 θ 最小化能量期望值 ⟨ψ(θ)|H|ψ(θ)⟩，最终逼近的是基态能量。它并不尝试求出全部本征值，也不关心电路编译问题，因此 B 正确、C 和 D 是干扰项；A 描述的是激发态任务，不是 VQE 的主目标。

Q2. 变分原理给出的核心结论是什么？

单选题 · easy

  • A.任意试探态能量一定小于基态能量
  • B.任意试探态能量不小于基态能量← 正确答案
  • C.任意试探态能量恰好等于基态能量
  • D.能量期望值与试探态选择完全无关

答案：B。变分原理说对于任意归一化试探态，能量期望值都大于等于基态能量，等号只在试探态恰好是基态时取到。A 方向反了，C 只有在极特殊情况下成立，D 否定了态对能量的影响，均错。

Q3. 在 VQE 中，ansatz 电路 U(θ) 的主要作用是什么？

单选题 · easy

  • A.制备带参数的试探量子态← 正确答案
  • B.直接测量出基态能量
  • C.对哈密顿量做对角化运算
  • D.消除电路中的所有噪声

答案：A。ansatz 是一组参数化的酉变换，用来从全零态出发制备候选态 |ψ(θ)⟩。能量测量是后面的独立环节，对角化和噪声消除也不是 ansatz 的职责，故 B、C、D 均不正确。

Q4. 能量期望值公式 E(θ)=⟨ψ(θ)|H|ψ(θ)⟩ 中的 H 代表什么？

单选题 · mid

  • A.体系的测量结果概率
  • B.泡利 Z 矩阵算子
  • C.体系的哈密顿量算符← 正确答案
  • D.含参的单比特量子门

答案：C。H 是体系的哈密顿量，它汇总了动能、势能等全部能量贡献，是 VQE 打分的“评分表”。泡利矩阵只是分解 H 的工具，测量概率和单比特门都不是 H 本身。

Q5. 能量测量时采用“测量分组”策略，利用了什么物理性质？

单选题 · mid

  • A.对易算符共享本征态← 正确答案
  • B.反对易子自动消失
  • C.量子测量不可逆原理
  • D.海森堡不确定性原理

答案：A。对易的泡利算符拥有共同本征态，可以在同一次电路运行里同时测量。这样能显著减少测量轮次。B、C、D 虽然都是量子力学中的真实性质，但与“分组省测量”的原理无关。

Q6. UCCSD 中字母 S 和 D 分别指什么？

单选题 · mid

  • A.自旋量子数与维度
  • B.单比特门与双比特门
  • C.单激发与双激发算符← 正确答案
  • D.采样与误差消除手段

答案：C。UCCSD（幺正耦合簇单双激发）包含单激发算符 T₁ 和双激发算符 T₂，分别对应一个电子从占据轨道跃迁到空轨道、以及两个电子同时跃迁。它属于化学启发 ansatz，A、B、D 都是对缩写的错误猜测。

Q7. 参数移位规则（parameter-shift）的核心思想是什么？

单选题 · mid

  • A.用随机抽样子集来估计梯度
  • B.用演化搜索最小能量
  • C.用数学解析推导出梯度公式
  • D.用平移参数前后的期望值差分构造梯度← 正确答案

答案：D。对于很多参数化量子门，梯度可以写成把参数平移固定角度两次、再取期望值差的解析形式。A 是随机梯度，B 是演化算法，C 是普通解析求导，三者都不是参数移位规则的本质。

Q8. 下列哪些因素会导致 VQE 收敛到错误的能量？

多选题 · mid

  • A.ansatz 表达能力不足← 正确答案
  • B.噪声造成的测量偏差← 正确答案
  • C.初始参数选择不当← 正确答案
  • D.采样次数被设置过高

答案：ABC。表达力不足会直接限制可达态空间；噪声会引入系统性偏置；初始参数差可能收敛到局部极小值或贫瘠高原。采样次数越高统计误差越小，不会导致错误结果，故 D 不选。

Q9. 关于 VQE 的测量分组优化，下列说法正确的是？

多选题 · mid

  • A.能减少总的测量轮次← 正确答案
  • B.把相互对易的泡利项合并← 正确答案
  • C.分组与哈密顿量结构无关
  • D.分组后一定增加采样次数

答案：AB。测量分组把对易的泡利项放在同一次电路运行中测量，从而减少测量轮次。分组方案当然依赖哈密顿量具体包含哪些泡利项，所以 C 错；分组降低的是重复编译和测量轮次，不代表要增加采样次数，D 错。

Q10. 关于 VQE 的应用验证与部署，下列说法正确的有？

多选题 · extreme

  • A.氢分子是常用的验证基准← 正确答案
  • B.键长曲线需逐点运行 VQE← 正确答案
  • C.经典精确对角化已完全失效
  • D.噪声环境需分析统计误差← 正确答案

答案：ABD。H₂ 是最简单的验证基准，势能面扫描确实要在每个核间距 R 上单独跑一次 VQE，噪声环境下的结果也需要统计误差分析。虽然 VQE 的目标是超越经典极限，但当前经典方法对小分子依然有效，没有“完全失效”，C 过于绝对不选。