通过贪婪算子对易性划分与高阶泰勒态演化缓解自适应 VQE 中的稀疏矩阵缩放瓶颈

变分量子本征求解器（VQE）及其自适应变体（如 ADAPT-VQE）是研究强关联量子系统的核心。然而，拟设增长过程的经典模拟仍然受到算子空间的指数缩放以及相关的酉演化计算成本的约束。我们引入了贪婪算子对易性划分（GOCP）框架，这是一种旨在优化算子选择和态演化的分析方法学。通过将复杂的酉旋转重新表述为五阶 O(5) 泰勒级数展开的链式序列，GOCP 绕过了显式矩阵指数运算，将计算任务简化为一系列稀疏矩阵-向量操作。我们利用 Jordan-Wigner 和 Bravyi-Kitaev 映射，在包括 BeH2 和强关联 H2O 几何结构在内的多种分子系统中评估了该框架的性能。我们的结果表明，GOCP 框架在态保真度超过 1 - 10^-6 的情况下保持了极高的数值保真度，同时在基态能量计算中实现了低于化学精度的精度。通过能够高效模拟超过 2.68 x 10^8 个元素的算子流形，该方法为探索复杂量子多体系统中的深度变分电路提供了一条可扩展且严谨的途径。