人工智能「看見」量子世界：南洋理工、上交發布量子系統學習綜述

作者 | 論文團隊

編輯 | ScienceAI

在量子科學中，復雜性往往增長得出乎意料。一個經典比特只能是 0 或 1，而 50 個量子比特的狀態，就需要超過一千萬億個復數來完整描述，這個規模遠遠超過任何超級計算機的存儲能力。隨著實驗室里量子設備的不斷擴展，科學家們逐漸面臨一個悖論：我們能夠制造越來越大的量子系統，卻常常無法用傳統方法去全面理解它們。

為應對這一挑戰，人工智能（AI）正展現出前所未有的潛力。近日，南洋理工大學聯合上海交通大學、香港大學、牛津大學、加拿大 PI 研究所、柏林自由大學、加州大學圣地亞哥分校、新加坡國立大學、卡爾加里大學等多家國際機構，重磅發布綜述《Artificial intelligence for representing and characterizing quantum systems》。

論文鏈接：https://arxiv.org/pdf/2509.04923

團隊系統梳理了近三百篇前沿成果，首次從機器學習、深度學習和大模型三大范式切入，總結了 AI 在刻畫和表征復雜量子系統中的關鍵作用，討論了用 AI 賦能量子科學的挑戰，并展望了「量子版 AlphaFold」的未來前景。

AI 為什么能幫我們理解量子？

量子系統的復雜度會隨著比特數的增加呈指數式爆發。對于幾十個量子比特，傳統的計算方法還能勉強應付，但一旦遇到更大規模、糾纏更深的量子態，就很快變得力不從心。AI 的優勢在于，它不需要完整寫下指數維度的描述，而是可以從有限測量數據中「學習」出量子系統的規律。換句話說，AI 把難以直觀掌握的量子態轉化為一個數據驅動的預測問題，讓不可能變得可能。

三大范式：從機器學習到大模型

這篇綜述將人工智能在量子系統研究中的應用，歸納為三種互補的范式：

• 機器學習
• 深度學習
• 語言模型

機器學習主要用于預測量子系統的線性屬性，例如能量、相關函數、磁化強度等。這些量往往是驗證實驗結果和理解系統整體行為的基礎。機器學習方法的優勢在于結果穩定、理論可控，能夠為實驗提供可靠的對照。

深度學習則展現出更強的表達能力。它能夠捕捉量子系統中更復雜的特征，例如糾纏熵和保真度，并通過生成模型實現量子態的近似重建。這讓科學家能夠在有限實驗數據的條件下，依然獲得對系統的整體刻畫，大幅降低了實驗成本。深度學習也已被用于輔助量子算法設計和量子硬件診斷。

語言模型代表著最新的趨勢。類似 GPT 的自回歸模型開始被引入到量子科學中，用于生成量子態的表示。它們有潛力發展成為「量子科學的基礎模型」，在未來扮演類似 AlphaFold 在蛋白質科學中的角色，推動領域內出現突破性的應用。

無論采用哪種方法，綜述指出其最終目標都可以歸結為三個核心任務：預測線性屬性、預測非線性屬性，以及量子態重建。通過這些能力，AI 不僅幫助科學家驗證量子計算設備的正確性，還能揭示量子物質的新奇態，并降低對傳統量子層析實驗的依賴。實際應用已經開始落地：從大規模量子比特裝置的認證，到變分量子算法的優化，再到發現強關聯物質的新相。AI 在量子科學中，正在逐漸轉變為真正的「探索伙伴」。

學習框架：為量子研究建立統一視角

除了梳理三大范式，綜述還提出了一個系統性的學習框架，用來總結 AI 介入量子研究的共性流程。這個框架包含三個核心階段：

• 數據采集：研究者通過量子實驗或數值模擬獲得有限的觀測數據。這些數據通常是局域測量結果，而非對量子態的完整描繪。
• 模型優化：AI 模型在這些數據的基礎上進行訓練，學習出能夠捕捉量子系統特征的有效表示。不同方法在這一階段各展所長：機器學習注重穩定性，深度學習強調表達能力，語言模型則追求跨任務的泛化。
• 性質預測：完成訓練的模型可被用于推斷系統的關鍵物理量，不僅包括實驗上容易測得的能量、相關函數，還包括難以直接計算的熵、保真度，甚至對未觀測情形做出可靠預測。

這一框架的意義在于，它為不同方法提供了一個統一的參照坐標系。過去，量子 AI 的研究往往是零散的探索，而現在通過這個框架，可以系統比較不同方法的優劣，并為未來研究提供清晰的路線圖。它不僅總結了已有成果，也為標準化和規模化應用奠定了基礎。

突破與瓶頸并存

綜述指出，AI 在量子科學中的應用已取得一系列令人鼓舞的成果，但同時也面臨著明顯的瓶頸。

• 首先，量子實驗數據依然昂貴且稀缺，這使得如何在「小數據」條件下實現模型的有效泛化成為核心挑戰。
• 其次，許多深度學習方法缺乏清晰的物理解釋性，這限制了它們在科學界的廣泛接受度。
• 更根本的問題在于：哪些任務可以依靠經典 AI 完成，哪些任務必須交給真正的量子硬件？這不僅是實踐問題，更觸及量子學習理論的前沿。

未來展望：通向「量子 GPT」

在未來方向上，綜述特別強調了構建通用「量子 GPT」模型的潛力。這類模型有望在有限數據下高效生成量子系統的近似表示，甚至提出新的物理假設，成為科學家與 AI 協作探索自然規律的重要伙伴。與此同時，量子科學的復雜性也會反過來推動 AI 理論的發展 —— 如何應對指數級復雜的數據結構，以及如何提高模型的可解釋性，都是亟待回答的問題。綜述認為，正是這些挑戰與機遇的交織，標志著 AI 與量子科學的深度融合正進入一個新的階段。

總結

量子科學的探索從來都充滿艱難與未知，但也正因其復雜與神秘，才不斷吸引著一代又一代科學家前赴后繼。如今，人工智能的加入正在重塑這一進程。這篇綜述為科研人員勾勒出一幅清晰的圖景，也寄望于未來某一天，AI 不僅能幫助我們「看見」量子世界，更能與我們一道揭示全新的物理定律。