IBM量子化学基准测试翻车：用Claude复现发现其结果并非单态

在量子化学计算里，如果$\langle S^2 \rangle$（自旋平方期望值）对不上，那么算出的能量值再漂亮也没有意义。最近我盯着IBM关于铁硫簇（iron-sulfur clusters）的SQD/QSCI基准测试看了很久，发现一个很严重的问题：他们声称达到了单态（singlet, $\langle S^2 \rangle = 0$），但实际测量结果在 4.7 到 7.0 之间。这意味着计算结果根本没收敛到目标电子态，而这个误差量级恰恰就是目前学术界争议的焦点。

为了验证这个结论，我尝试了多种初始猜测，结果全部落在同一个错误区间。即便使用了IBM提供的缓解方案，虽然子空间扩大了4倍（从48,600个行列式增加到194,481个），但能量几乎没变，依然没能产生一个真正的单态。

最让我觉得离谱的是，我直接分析了IBM公开的数据存档。在对[2Fe-2S]和[4Fe-4S]的硬件测量记录进行回溯时，[4Fe-4S]竟然收敛到了一个纯三线态（S=1），距离他们的参考值差了 1,438 mHa。这意味着他们拿到的可能是一个很“干净”的状态，但绝对是“错误”的状态。

这次审计过程中，我把 Claude 当成了核心助手。整个端到端的审计流程在我的指导下，Claude 用了大约 72 小时完成。最硬核的点不在于速度，而在于它的自我纠错能力：它通过预设的验证关卡，自己发现了五处错误，其中一个是通过交叉比对 IBM 发布的能量表发现的。当新的测量工具显示之前的结论其实是自旋扇区的人为偏差时，Claude 竟然主动撤回了之前最支持量子计算的那个结论。

这次实操让我意识到，用 AI 处理这种高复杂度技术审计时，必须建立一套严密的“验证门禁”机制，否则 AI 很容易在错误的方向上给你一个极其自信的答案。

# 这是一个典型的验证逻辑伪代码，用于检查自旋纯度
if (measured_S2 > threshold) {
    log("Spin contamination detected");
    trigger_adversarial_review();
} else {
    proceed_to_energy_comparison();
}