1. 课程导入与资源估算工程定位

量子计算化学的核心承诺之一，是在经典计算机难以精确求解的电子结构问题上提供新的计算路径。但从“算法可行”到“任务可执行”之间，横亘着一道必须被量化的鸿沟：资源估算。本课程讨论的不是如何推导某个量子算法的数学形式，而是回答一个工程问题——要把一个化学问题真正跑在量子硬件上，需要多少量子比特、多深的电路、多少次测量、多长时间，以及这些数字如何随分子体系、精度要求和硬件约束而变化。

资源估算的目标：从化学精度到硬件指标

资源估算的起点是化学目标，终点是硬件可执行的指令序列。以基态能量计算为例，若目标是达到化学精度（约 1 kcal/mol，对应约 1.6×10⁻³ Hartree），则需先确定所需基组、活性空间和电子相关处理方法，再映射为量子比特哈密顿量。以氢分子 H₂ 在 STO-3G 基组下为例，经 Jordan-Wigner 变换后得到 4 个量子比特的哈密顿量；而同样的分子在 cc-pVDZ 基组下，若不做冻结近似，量子比特数会显著增加。资源估算要做的，是把“化学精度”翻译成“量子比特数、T 门数量、电路深度、测量次数”等硬件可读的指标。

这里必须区分三类量：逻辑资源（算法层面的量子比特与门数）、物理资源（经纠错编码后的物理比特与时间）、运行资源（采样次数、经典后处理开销）。三者不是简单换算关系，而是通过纠错码距、门保真度、测量速率等参数耦合在一起。资源估算工程的价值，正在于把这条链路显式建模，而不是停留在“大概需要很多比特”的定性判断。

工程边界：估算什么、不估算什么

资源估算不是万能的。它通常不负责具体脉冲级优化、不替代编译器的门合并、也不保证硬件当天的校准状态。它的边界应明确为：在给定算法、映射方案、纠错方案和硬件参数模型下，给出资源量的可复现估计，并标注不确定度来源。例如，T 门数量对旋转门合成精度极为敏感，若合成误差从 10⁻⁶ 放宽到 10⁻⁴，T 门数可能下降一个数量级；这类敏感性必须在估算报告中显式给出，而不是只报一个“最优值”。

与算法设计、硬件调度的关系

资源估算不是孤立环节，它同时向算法设计和硬件调度提供反馈。对算法设计而言，估算结果会反过来影响方案选择：若 T 门资源过于昂贵，可能促使研究者采用更浅的变分算法或更紧凑的哈密顿量模拟方案；若量子比特数成为瓶颈，则可能推动更激进的冻结近似或对称性约化。对硬件调度而言，估算给出的电路深度、测量次数和纠错周期，直接决定任务能否在相干时间内完成、是否需要分片执行、以及经典-量子通信带宽是否足够。

因此，资源估算工程更像一个“翻译层”和“约束求解器”：它把化学家的精度需求翻译成硬件指标，又把硬件限制反馈给算法设计。忽略这一层，容易出现“算法论文里可行、硬件上不可执行”的断裂。

全课程任务地图

本课程后续章节将沿着上述关系链逐层展开。首先建立化学问题到量子比特哈密顿量的映射规范，明确基组、活性空间和对称性约化对量子比特数的影响；随后进入算法层，比较 VQE、QPE、Trotter 等方案在门数和深度上的差异；再进入纠错与物理资源层，讨论表面码码距、T 门工厂和魔态蒸馏如何把逻辑门数放大为物理资源；最后落到运行层，分析采样次数、统计误差和经典后处理开销。

贯穿全课程的一条主线是敏感性分析：哪些参数对最终资源量影响最大，哪些假设一旦松动会导致估算结果数量级变化。例如，在含过渡金属的分子中，活性空间选择往往比算法选择对量子比特数的影响更大；而在容错场景下，T 门合成精度对物理比特数的影响可能超过码距选择。掌握这些敏感性关系，才能在真实项目中判断“先优化什么”。