H2 资源估计

本教程使用 q2m3.core.resource_estimation 估计 H2 的 EFTQC 硬件资源，比较真空和 MM 嵌入哈密顿量。

运行脚本

uv run python examples/resources/h2_resource_estimation.py

最小 API 用法

import numpy as np

from q2m3.core import compare_vacuum_solvated, estimate_resources

h2_symbols = ["H", "H"]
h2_coords = np.array([[0.0, 0.0, 0.0], [0.0, 0.0, 0.74]])

vacuum = estimate_resources(symbols=h2_symbols, coords=h2_coords, basis="sto-3g")
print(vacuum.logical_qubits)
print(vacuum.toffoli_gates)

comparison = compare_vacuum_solvated(
    symbols=h2_symbols,
    coords=h2_coords,
    mm_charges=np.array([-0.834, 0.417, 0.417, -0.834, 0.417, 0.417]),
    mm_coords=np.array(
        [
            [3.0, 0.0, 0.0],
            [3.5, 0.8, 0.0],
            [3.5, -0.8, 0.0],
            [-3.0, 0.0, 0.0],
            [-3.5, 0.8, 0.0],
            [-3.5, -0.8, 0.0],
        ]
    ),
)
print(comparison.delta_lambda_percent)

当前 H2 参考值

H2/STO-3G 示例在默认成本模型下报告以下值：

指标	H2/STO-3G 参考值
逻辑量子比特数	115
Toffoli 门数	1,224,608
目标误差	默认采用化学精度量级

MM 嵌入预计只会略微改变资源估计。点电荷主要改变单电子项。在这个小规模 H2 示例中，双电子积分主导资源估计。

解释边界

资源估计描述 EFTQC 算法成本模型，不能预测本地 Catalyst 编译内存、主机内存用量或 PennyLane 模拟的实际运行时间。