本周想接着做SQD算法中如何处理分批（batching）计算后的信息损失问题。调研了一些文章内容：
1. 阅读了“Crossing the 12,000-atom barrier with heterogeneous quantum-classical supercomputing: quantum chemistry of protein-ligand complexes ”这篇文章，发现文中提到的TrimSQD算法，他已经采用“局部求解—筛选构型—跨批汇集—全局重解”处理独立批次之间的信息损失； 2. 阅读了 “An Implementation and Evaluation of the AMLS Method for Sparse Eigenvalue Problems ”这篇文章，他为了突破传统批次扩展（ExtSQD）的瓶颈，将搜索空间分批，局部求解后剪除无关构型（deadwood），跨批保留关键构型（livewood）并在全局重新求解。
我后续的目标是结合上述两种思路，探索在真实分子构型图中，如何通过“关键边界构型划分 + 内部局部模态截断”来降低跨子空间耦合的保留维数，并评估其在固定资源约束下的误差可控性与压缩收益。