1981 年，諾貝爾獎得主理查德·費(fèi)曼（Richard Feynman）在美國麻省理工學(xué)院的第一屆計(jì)算物理會議上提出了“量子計(jì)算”的概念，自此拉開了人類探索量子計(jì)算可行性的序幕。

在接下來的幾十年里，量子計(jì)算主要處于原理驗(yàn)證階段。那時的研究范式以經(jīng)典模擬為主：科學(xué)家們先在經(jīng)典計(jì)算機(jī)上模擬所提出的量子算法，再在量子設(shè)備上運(yùn)行同樣的算法，并通過對比兩者的結(jié)果來驗(yàn)證量子設(shè)備的正確性。

2019 年成為量子計(jì)算發(fā)展的關(guān)鍵轉(zhuǎn)折點(diǎn)。這一年，谷歌量子人工智能團(tuán)隊(duì)首次宣布實(shí)現(xiàn)了“量子優(yōu)越性”（亦稱“量子霸權(quán)”）。他們利用自研的“懸鈴木”（Sycamore）53 量子比特超導(dǎo)芯片完成了隨機(jī)電路采樣實(shí)驗(yàn)。在發(fā)表于 Nature 的論文中，團(tuán)隊(duì)聲稱該實(shí)驗(yàn)在短時間內(nèi)完成了傳統(tǒng)超級計(jì)算機(jī)約需 1 萬年才能完成的計(jì)算。

雖然此后不斷有研究改進(jìn)經(jīng)典模擬方法，大幅縮短了模擬時間，但這一里程碑式實(shí)驗(yàn)傳遞出的核心信號是明確的：隨著量子硬件的快速進(jìn)步，經(jīng)典計(jì)算機(jī)的“暴力模擬”逐漸力不從心。要知道，在暴力模擬的情況下，一臺普通筆記本電腦僅能模擬約 25 個量子比特，即便是世界最強(qiáng)的超級計(jì)算機(jī)也只能逼近 45 比特。

自 2019 年以來，量子技術(shù)迎來高速發(fā)展。谷歌、IBM、微軟、英偉達(dá)等科技巨頭紛紛加碼布局，量子比特的數(shù)量和質(zhì)量持續(xù)提升，系統(tǒng)相干時間不斷延長。我們一方面越來越接近夢寐以求的容錯量子時代；另一方面，必須正視一個現(xiàn)實(shí)：每增加一個量子比特，模擬難度便呈指數(shù)增長。這意味著經(jīng)典計(jì)算機(jī)難以再有效模擬這些高性能、大規(guī)模的量子處理器行為。

更棘手的問題在于：雖然量子硬件發(fā)展迅猛，但制造和維護(hù)成本極高，全球真正可用的高質(zhì)量量子計(jì)算機(jī)依然屈指可數(shù)。結(jié)果就是，能用到這些頂尖設(shè)備的人非常少，算力資源被集中在少數(shù)機(jī)構(gòu)手里。對大多數(shù)科研人員來說，即便有再好的算法點(diǎn)子，也很難真正跑在先進(jìn)的量子計(jì)算機(jī)上進(jìn)行驗(yàn)證，這就像出現(xiàn)了一種“算力孤島”。

在這樣的背景下，一個關(guān)鍵問題浮現(xiàn)出來：研究者們該如何理解和預(yù)測自己設(shè)計(jì)的量子算法在這些動輒數(shù)十、上百量子比特電路的表現(xiàn)？傳統(tǒng)辦法，比如量子斷層掃描或用經(jīng)典計(jì)算機(jī)模擬，都已難以為繼：要么耗費(fèi)海量資源，要么根本跟不上電路規(guī)模的指數(shù)級增長。于是，量子計(jì)算的發(fā)展反而面臨一個悖論——它越是前進(jìn)，越暴露出自己的“阿喀琉斯之踵”。

近期，新加坡南洋理工大學(xué)與富士康量子研究中心團(tuán)隊(duì)合作提出了一種新范式：它不像傳統(tǒng)模擬那樣完全與量子資源孤立，而是用 AI 模型學(xué)習(xí)量子計(jì)算機(jī)的行為。該研究創(chuàng)新性地從理論上證明了“有界門量子電路”中線性物理量的可學(xué)習(xí)性規(guī)律，并提出了一種同時兼顧樣本效率和計(jì)算效率的新算法。

簡而言之，在量子機(jī)器學(xué)習(xí)、量子化學(xué)、量子動力學(xué)仿真等一大類任務(wù)中，研究團(tuán)隊(duì)讓 AI 模型充當(dāng)量子計(jì)算機(jī)的代理（Agent）。一旦確定了量子算法的設(shè)計(jì)，這個 AI 模型只需從量子計(jì)算機(jī)獲取極少量的結(jié)果，就能完成學(xué)習(xí)。之后，它便能夠在完全不再依賴量子硬件的情況下，給出與真實(shí)量子計(jì)算機(jī)幾乎一致的預(yù)測結(jié)果。

此外，如果研究者認(rèn)為 AI 模型給出的結(jié)果與量子計(jì)算機(jī)還存在一定差距，可以將 AI 模型給出的結(jié)果作為初始猜想，再在真實(shí)的量子計(jì)算機(jī)上運(yùn)行做微調(diào)。通過這樣的方式，可以顯著減少量子資源的使用。

圖丨杜宇軒（來源：杜宇軒）

該論文第一作者兼通訊作者、南洋理工大學(xué)助理教授杜宇軒對 DeepTech 表示：“這項(xiàng)工作的意義在于，我們提出的 AI 模型可以在現(xiàn)有的 CPU 或 GPU 上高效運(yùn)行。而這些算力依托成熟的云服務(wù)體系，已經(jīng)能夠在全球范圍內(nèi)便捷獲取。這不僅大幅降低了量子計(jì)算的使用成本，也讓更多研究人員能夠通過這種 AI 代理來參與量子研究?！?/p>

審稿人之一對該研究評價稱：“我相信對于學(xué)習(xí)量子電路的知識，是一項(xiàng)有價值且高質(zhì)量貢獻(xiàn)的工作。”

日前，相關(guān)論文以《針對有限門量子線路線性性質(zhì)的高效學(xué)習(xí)》（Efficient learning for linear properties of bounded-gate quantum circuits）為題發(fā)表在 Nature Communications[1]。南洋理工大學(xué)助理教授杜宇軒是第一作者兼通訊作者，富士康研究院院長謝明修（Min-Hsiu Hsieh）和南洋理工大學(xué)教授陶大程擔(dān)任共同通訊作者。

圖丨相關(guān)論文（來源：Nature Communications）

這項(xiàng)研究最初的構(gòu)想源于 IBM 于 2023 年發(fā)表在 Nature 發(fā)表的一項(xiàng)工作。IBM 聲稱，其所開發(fā)的量子計(jì)算機(jī)實(shí)現(xiàn)了“實(shí)用性”，即在解決多體物理任務(wù)時，量子計(jì)算機(jī)已經(jīng)達(dá)到了一定高度，經(jīng)典計(jì)算機(jī)很難“暴力模擬”。即便使用比較高端的模擬量子計(jì)算機(jī)的算法（比如張量網(wǎng)絡(luò)），也達(dá)不到量子計(jì)算機(jī)的精度。

這篇論文發(fā)表后，引發(fā)了業(yè)內(nèi)的廣泛討論。有人指出，當(dāng)時對比的經(jīng)典方法并非最優(yōu)，也沒有基于特定任務(wù)做相關(guān)改進(jìn)。隨后，發(fā)表在 Science Advances 以及 Physical Review Letters 等期刊的論文指出，加入先驗(yàn)信息可設(shè)計(jì)出比較高效的算法，至少能與量子計(jì)算機(jī)的模擬結(jié)果相媲美。

杜宇軒指出，從這種爭論中可以看出，量子計(jì)算機(jī)發(fā)展到 2023 年之后，領(lǐng)域內(nèi)已經(jīng)不再滿足于 2019 年谷歌在合成任務(wù)上演示的量子優(yōu)越性，而是真正想在實(shí)際問題上做“劃時代的工作”，而且希望比經(jīng)典計(jì)算機(jī)能耗更低、資源更節(jié)省以及精度更高。

（來源：Nature Communications）

這也引發(fā)了研究團(tuán)隊(duì)的思考，于是研究人員提出：是否可以通過獲取一些量子計(jì)算機(jī)信息的方式來解決這個問題？

研究團(tuán)隊(duì)進(jìn)一步探討了這一新方法的“邊界”，想確認(rèn)它到底能不能真正解決任意復(fù)雜量子電路中關(guān)鍵物理量的學(xué)習(xí)問題。理論結(jié)果表明，即便是大規(guī)模的量子系統(tǒng)，也可以用多項(xiàng)式時間或多項(xiàng)式樣本量學(xué)習(xí)出來。

但與此同時，他們也證明了一個負(fù)面結(jié)果：雖然對于樣本量來說比較高效，但對于時間成本，某類問題可能需要指數(shù)時間。

（來源：Nature Communications）

于是他們調(diào)整了研究思路，通過構(gòu)建算法驗(yàn)證了在實(shí)際場景下，該方法仍然高效。杜宇軒解釋說道：“實(shí)際場景是在很多量子化學(xué)問題或量子人工智能模型問題上，只要滿足數(shù)學(xué)上的平滑條件，就可以用多項(xiàng)式時間與樣本量學(xué)習(xí)出來。我們做了大量實(shí)驗(yàn)來論證這一點(diǎn)，結(jié)果也較為理想。”

（來源：Nature Communications）

這項(xiàng)研究中關(guān)注的重點(diǎn)是量子化學(xué)和量子機(jī)器學(xué)習(xí)類問題，研究團(tuán)隊(duì)在這一新范式下邁出了扎實(shí)的第一步。論文發(fā)表僅三個月后，成果進(jìn)展又更進(jìn)一步：他們基于河南省量子信息與量子密碼重點(diǎn)實(shí)驗(yàn)室黃合良副教授研制的國產(chǎn)自研 20 量子比特超導(dǎo)芯片，結(jié)合改進(jìn)的 AI 代理模型，成功實(shí)現(xiàn)了非平衡 Floquet 對稱性保護(hù)拓?fù)湎唷?/strong>這種“非平衡拓?fù)湎唷笔且活惸茉谕獠恐芷隍?qū)動下保持穩(wěn)定的特殊量子態(tài)，它的實(shí)現(xiàn)為未來更穩(wěn)健的量子計(jì)算和新型量子材料研究創(chuàng)造了新的可能性。

（來源：https://arxiv.org/pdf/2507.17470）

研究人員希望在未來的研究中，更深入地探索 AI 范式是否能權(quán)衡量子計(jì)算稀缺性的問題。比如在算法層，如何進(jìn)一步改進(jìn) AI 模型從而大幅超越經(jīng)典模擬器的極限，成為研究百萬量子比特計(jì)算機(jī)的新范式；在應(yīng)用層，該方法是否能夠加速各類量子算法的設(shè)計(jì)，早日讓量子計(jì)算在制藥、材料、金融等領(lǐng)域獲得實(shí)用性。

目前，杜宇軒教授課題組正在招募優(yōu)秀本科生、碩士生、博士生和訪問學(xué)者，歡迎有興趣的同學(xué)共同探索量子計(jì)算與人工智能交叉領(lǐng)域的前沿研究。

參考資料：

1.Du, Y., Hsieh, MH. & Tao, D. Efficient learning for linear properties of bounded-gate quantum circuits. Nat Commun. 16, 3790 (2025). https://doi.org/10.1038/s41467-025-59198-z

2.https://yuxuan-du.github.io/

3.Liao, W., Du. Y., Wang, X., Tian, T., Tao, D., Huang, H., Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors, arXiv:2507.17470 (2025). https://arxiv.org/pdf/2507.17470

運(yùn)營/排版：何晨龍、劉雅坤