摘要

隨著量子比特規(guī)模不斷增長，傳統(tǒng)計算手段正逐漸難以應對復雜量子系統(tǒng)的指數(shù)級挑戰(zhàn)。人工智能正在為量子物理打開一扇全新的“理解之門”。本篇文章由論文共同作者、上海交通大學 John Hopcroft 計算機科學中心長聘教軌副教授吳亞東撰寫，帶你快速了解 AI 如何學習量子系統(tǒng)，以及這一新交叉領(lǐng)域正在催生的前沿進展。

關(guān)鍵詞：量子計算、人工智能、量子模擬、機器學習、深度學習、神經(jīng)量子態(tài)、大語言模型、量子基態(tài)預測

吳亞東丨作者

趙思怡丨審校

論文題目：Artificial intelligence for representing and characterizing quantum systems 論文鏈接：https://arxiv.org/pdf/2509.04923 發(fā)表時間：2025年9月5日 論文來源：arxiv

近年來，量子計算和量子模擬技術(shù)迅速發(fā)展，我們已經(jīng)能夠制備和操縱越來越復雜的量子設備。然而，隨著量子比特數(shù)量不斷增加，其對應的量子態(tài)空間維度——即 Hilbert 空間維度——呈指數(shù)級增長：僅 50 個量子比特的系統(tǒng)，其可能態(tài)數(shù)量就已經(jīng)超過傳統(tǒng)超級計算機能高效處理的范圍。在這一背景下，如何描述、預測和理解復雜量子系統(tǒng)成為一項核心挑戰(zhàn)。

與此同時，人工智能（AI）的快速演進為量子科學帶來了新工具。AI 正逐漸成為理解復雜量子系統(tǒng)結(jié)構(gòu)、性質(zhì)與動力學的重要助力。

量子系統(tǒng)的“大數(shù)據(jù)困境”

一個由上百個量子比特組成的系統(tǒng)，其可訪問態(tài)數(shù)量可能遠超宇宙中的原子總數(shù)。傳統(tǒng)數(shù)值方法（如張量網(wǎng)絡）雖然在低糾纏系統(tǒng)表現(xiàn)優(yōu)異，但面對高度糾纏態(tài)時計算成本急劇飆升，就像試圖用一張二維地圖去描述真正的多維地形一樣力不從心。

這使得研究者開始尋找新的思路，而 AI 正是在此背景下進入量子物理的舞臺。

AI 介入量子科學的三大范式：

ML、DL 和 LM

為了應對這一挑戰(zhàn)，研究者們將人工智能技術(shù)引入量子科學領(lǐng)域，并主要發(fā)展了三種學習范式：

圖1：利用人工智能表征和刻畫量子系統(tǒng)的關(guān)鍵任務與應用概覽。對由量子模擬器生成的基態(tài)以及數(shù)字量子計算機制備的量子態(tài)進行表示與特性刻畫，可歸納為三類主要任務：線性性質(zhì)預測、非線性性質(zhì)預測以及量子態(tài)與量子過程的重建。每一類任務又可進一步細分為不同子類，以對應更具體的研究目標。底部的圖標表示通常用于各類任務的 AI 學習范式——機器學習（ML）、深度學習（DL）和語言模型（LM）。這些方法當前及潛在的應用場景包括：量子算法優(yōu)化、量子器件的認證與基準測試、量子硬件開發(fā)，以及科學發(fā)現(xiàn)。

1.機器學習（ML）：高可解釋性的物理預測工具

傳統(tǒng)機器學習模型，特別是基于核方法或線性回歸的模型，在預測量子系統(tǒng)的線性性質(zhì)方面表現(xiàn)出色。例如，我們可以訓練一個模型，僅通過少量測量數(shù)據(jù)，就能預測一個量子基態(tài)的磁化強度或能量。

這類方法的優(yōu)勢在于其可解釋性和理論保證。研究者可以嚴格證明，在滿足某些條件（如系統(tǒng)的局部性、能隙等）時，這類模型能以多項式樣本復雜度實現(xiàn)高精度預測。例如，Huang等人提出的基于“經(jīng)典影子”的核方法，已在實驗中被用于預測多達50個量子比特的Rydberg原子系統(tǒng)的性質(zhì)。

2.深度學習（DL）：從數(shù)據(jù)中自動提取量子結(jié)構(gòu)

深度學習通過深層神經(jīng)網(wǎng)絡自動從數(shù)據(jù)中提取特征，不僅能夠預測線性性質(zhì)，還能處理非線性性質(zhì)，如量子糾纏熵、態(tài)保真度等。同時，深度學習在量子態(tài)重建方面展現(xiàn)出巨大潛力。通過生成式學習。 “神經(jīng)量子態(tài)”模型可以逼近目標量子態(tài)的測量統(tǒng)計分布。訓練完成后的這個神經(jīng)網(wǎng)絡就可以作為一個“經(jīng)典替身”，在無需真實量子設備的情況下，生成與真實量子態(tài)一致的測量結(jié)果。

3.語言模型（LM）：邁向“量子基礎模型”

受GPT等大語言模型的啟發(fā)，研究者開始將Transformer架構(gòu)引入量子系統(tǒng)學習。這類模型通常采用預訓練-微調(diào)的兩階段策略：

• 預訓練階段：模型在大規(guī)模未標記的量子數(shù)據(jù)上學習，捕捉量子態(tài)的通用結(jié)構(gòu)和模式。

• 微調(diào)階段：模型在特定任務的標注數(shù)據(jù)上進一步調(diào)整，用于預測能譜、關(guān)聯(lián)函數(shù)等具體性質(zhì)。

這種方法的優(yōu)勢在于其通用性和可遷移性。一個預訓練好的“量子基礎模型”可以被快速適配到多種不同的任務中，大大降低了對新任務的訓練成本。

AI 如何一步步學習量子系統(tǒng)？

AI學習量子系統(tǒng)是一個系統(tǒng)性的過程，其核心流程可以清晰地分為三個步驟：

圖2：面向大規(guī)模量子系統(tǒng)學習的 AI 模型概覽。該層級結(jié)構(gòu)展示了 AI 模型在處理大規(guī)模量子系統(tǒng)時能力的遞進：從廣義的人工智能，到機器學習模型、深度學習模型，再到基于 Transformer 的模型，其適應性與表達能力依次增強。各類別中具有代表性的策略以綠色圓點標示。文中的符號 “NN”、“NQS” 與 “LLM” 分別代表 神經(jīng)網(wǎng)絡（Neural Networks）、神經(jīng)量子態(tài)（Neural Quantum States） 和 大型語言模型（Large Language Models）。其中，“序列模型”包括遞歸神經(jīng)網(wǎng)絡（RNN）、長短時記憶網(wǎng)絡（LSTM）以及相關(guān)架構(gòu)。

第一步：數(shù)據(jù)收集

科學家們首先需要準備一個由許多不同量子狀態(tài)組成的“訓練集”。對于一個由參數(shù)（如磁場強度、電路旋轉(zhuǎn)角度）控制的量子系統(tǒng)，他們會選取參數(shù)的多種組合，制備出對應的量子態(tài)。接著，他們使用一種量子測量方案（任何量子測量都可被稱為POVM），對每個制備好的量子態(tài)進行多次測量，收集到的測量結(jié)果（通常是一串串0和1的比特序列）就構(gòu)成了原始的“量子數(shù)據(jù)”。

第二步：模型訓練

收集到的原始數(shù)據(jù)會被處理成AI模型能用的格式。根據(jù)任務目標的不同，訓練方式也分為兩種：

• 性質(zhì)預測（判別式學習）：如果目標是預測某個物理量（如能量），那么數(shù)據(jù)會被處理成 {物理參數(shù), 對應的測量結(jié)果, 目標物理量} 的標簽化數(shù)據(jù)集。AI模型（如一個深度神經(jīng)網(wǎng)絡）通過不斷調(diào)整自身參數(shù)，學習從“輸入”到“目標”的復雜映射關(guān)系，直到其預測值盡可能接近真實值。

• 狀態(tài)重建（生成式學習）：如果目標是讓AI學會“模仿”某個量子態(tài)，那么訓練數(shù)據(jù)就只是大量的、無標簽的測量結(jié)果。模型（如神經(jīng)量子態(tài)，NQS）的目標是學習其背后的概率分布。訓練成功后，這個AI模型本身就成為了該量子態(tài)的一個“經(jīng)典替身”，能夠生成與真實量子測量統(tǒng)計特性相同的樣本。

第三步：模型預測

訓練好的模型就可以投入實際應用了。對于一個全新的、未知的量子系統(tǒng)，我們可以：

• 如果是測量無關(guān)型模型，只需輸入其經(jīng)典描述參數(shù)，模型就能直接輸出預測的物理性質(zhì)，無需對真實量子設備進行任何測量。

• 如果是測量依賴型模型，則需要先對真實量子系統(tǒng)進行少量測量，然后將測量結(jié)果輸入模型，模型會結(jié)合這些新數(shù)據(jù)給出更準確的預測。

AI 在量子科學中的典型應用

圖3：量子系統(tǒng)學習協(xié)議的整體框架。目前用于表示和刻畫可擴展量子系統(tǒng)的學習模型一般包含三個階段：數(shù)據(jù)收集、模型構(gòu)建與優(yōu)化、模型預測。左側(cè)面板展示了數(shù)據(jù)收集階段，其中量子系統(tǒng)在參數(shù)x(i)和輔助信息z(i)的控制下被制備為量子態(tài)ρ(x(i)）。隨后，對該量子態(tài)進行T次測量以獲得測量結(jié)果s(i)。中間面板展示了數(shù)據(jù)集構(gòu)建與模型實現(xiàn)階段。當原始數(shù)據(jù)集T收集完畢后，需要根據(jù)具體任務對其進行預處理，生成對應的任務數(shù)據(jù)集TML、TDL和TLM，分別用于訓練基于 ML、DL 和 LM 的模型。右側(cè)面板展示模型預測階段。根據(jù)預測是否需要額外的量子測量數(shù)據(jù)作為輸入，學習協(xié)議可分為基于測量的學習（measurement-based）和獨立于測量的學習（measurement-agnostic）兩類。

精準預測新量子基態(tài)性質(zhì)：通過訓練ML模型學習已知量子基態(tài)的參數(shù)與性質(zhì)關(guān)系，AI能夠快速預測新的基態(tài)磁性和相關(guān)函數(shù)，有望大幅加速新材料的理論篩選與設計流程。

為量子計算機“體檢”：利用深度學習模型分析量子計算機的局部測量結(jié)果，AI可以高效地估計制備出的量子態(tài)與理想態(tài)的保真度，為量子硬件的性能驗證與校準提供關(guān)鍵工具。

充當量子算法的“速算教練”：在變分量子算法優(yōu)化過程中，AI可以學習參數(shù)與能量之間的映射關(guān)系，構(gòu)建快速計算的經(jīng)典代理模型，或直接預測更優(yōu)的參數(shù)更新方向，顯著減少在真實量子設備上的耗時評估。

自動繪制量子相圖：基于來自模擬或?qū)嶒灥牧孔討B(tài)數(shù)據(jù)，采用無監(jiān)督學習，AI能夠自動識別出量子系統(tǒng)在參數(shù)空間中的不同物相，并定位相變臨界點，輔助物理學家探索復雜的量子相行為。

前沿挑戰(zhàn)與未來趨勢

盡管 AI 在量子系統(tǒng)表征方面已取得顯著進展，但仍面臨諸多挑戰(zhàn)：

• 理論保障不足：目前深度學習模型仍缺乏嚴格的理論保證。

• 數(shù)據(jù)稀缺：高質(zhì)量量子數(shù)據(jù)的獲取成本高，限制了模型的泛化能力。

• 可解釋性差：AI 模型的“黑箱”特性使其決策過程難以理解。

未來，隨著更多開源數(shù)據(jù)集和標準化評測平臺的建立，AI 與量子科學的結(jié)合將更加緊密。我們有望看到能夠處理多種量子數(shù)據(jù)、適應不同任務的“量子基礎模型”出現(xiàn)，進一步推動量子技術(shù)的發(fā)展。

結(jié)語

人工智能正在成為理解和控制復雜量子系統(tǒng)的強大工具。它不僅幫助我們解決了傳統(tǒng)方法難以應對的問題，還為我們打開了探索量子世界的新窗口。盡管面臨可解釋性、數(shù)據(jù)依賴和泛化能力等挑戰(zhàn)，但這些挑戰(zhàn)正驅(qū)動著研究向更深入的方向發(fā)展。隨著 AI 與量子科學的深度融合，我們離實現(xiàn)真正的大規(guī)模量子計算和量子模擬又近了一步。

本文轉(zhuǎn)載自《集智俱樂部》微信公眾號

《物理》50年精選文章