將量子技術與 AI 結合將具有怎樣的可能性？
在一項研究中，北京理工大學陳天副教授與合作者就進行了這樣的嘗試。他們將 AI 和分子振動光譜相結合，開發了一種用於量子光學模擬的新理論方法，並在實驗中證明了其可行性。
研究人員利用大規模光子網路和壓縮真空態構建量子模擬系統，成功實現了複雜分子振動光譜的高保真度模擬（重構保真度超過 92%）。
值得關注的是，整合量子光子微處理器晶片包含 16 個單模壓縮真空態和一個完全可程式設計的干涉儀網路，能夠靈活處理多達 16 個模式的量子態，顯著降低了傳統方法對壓縮相干態的依賴。
圖丨陳天（來源：陳天）
該方法能夠有效解決經典計算機難以處理的複雜分子振動光譜問題，為量子化學難題提供了新的解決方案。
其在加速計算、降低演算法複雜度方面表現出顯著優勢，能夠更好地理解分子間的相互作用和反應機制，在分子設計與最佳化方面具有直接應用的潛力。例如，在藥物設計和材料科學領域對分子性質的預測和最佳化、加速新藥的發現過程、降低研發成本等。
能夠靈活處理多達 16 個模式的量子態
分子振動光譜是理解分子結構和性質的重要工具，它在藥物設計、材料科學和化學反應機制研究中具有重要的應用價值。但不可忽視的是，分子光譜無論在計算還是實驗方面都存在諸多挑戰。
儘管經典計算方法能獲得相關結果，但存在資源消耗大、運算時間長、能源效率低等問題；量子模擬作為一種新興的技術，理論上可以顯著提高計算效率，但現有量子演算法對實驗條件要求極為苛刻，難以在實驗中演示分子振動光譜的高精度量子模擬。
隨著近年來 AI for Science 在各領域的火熱，該課題組提出，或許可以嘗試將量子技術與 AI 結合，來解決指數級複雜的分子振動光譜問題。
陳天解釋道：“量子計算的糾纏與干涉特性使其具備天然的計算並行性，這一優勢可顯著提升計算速度和降低演算法的複雜度，並大幅度減少計算時間。”
在量子技術中，壓縮相干態和壓縮真空態是兩種重要的量子態。傳統的量子演算法大多數依賴於壓縮相干態，其缺點是：需要同時對壓縮光和相干光進行干涉操作，這在實驗上非常困難，尤其是在晶片平臺上，壓縮度與光譜純度的限制使得此類操作幾乎無法實現。
為了解決這一問題，該團隊設計了一種全新的理論演算法，透過引入壓縮真空態，重新設計了分子譜求解流程，並得到了與傳統演算法效能相當的設計方案。
具體來說，他們將分子的振動模式擴充套件到 2m 個光學模式，並透過簡單的旋轉和壓縮操作來實現對分子振動光譜的模擬。
這一演算法的核心優勢在於，由於僅需對壓縮真空態進行操作，而無需涉及相干光的干涉，透過降低對裝置的要求，從而大幅簡化了量子模擬過程。
圖丨分子振動光譜學中的壓縮真空態和線性光子網路（來源：Nature Communications）
量子微處理器晶片類似於“量子大腦”，它是高效處理複雜資訊的關鍵所在，其創新設計包含了兩個主要部分：
一是製備的壓縮態光源，其每個模式都可以獨立處理資訊任務；二是實驗設計方面，為解決資料處理與重構問題，他們設計了一種高度整合且可程式設計的量子光晶片，包含 16 個單模壓縮真空態，能夠精確調控光的干涉和相位等，實現複雜的量子操作。
在研究過程中，該課題組與香港理工大學的劉愛群教授合作，透過深入瞭解晶片的原理，進一步優化了晶片的設計和應用。
然而，如何將光晶片接收到的資料與分子振動光譜聯絡起來，以及如何提取高維資料，始終是複雜的挑戰。為此，該團隊開發了先進的資料分析演算法，顯著提升了資料處理的效率和準確性，實現了從大量資料中快速提取分子振動光譜的特徵。
研究人員對甲酸（CH2O2）和胸腺嘧啶（C5H6N2O2）的振動光譜進行了模擬，甲酸具有 9 個振動模式，而胸腺嘧啶具有 39 個振動模式。實驗結果顯示，甲酸的重建保真度達到了 92.9%，胸腺嘧啶的重建保真度達到了 97.4%。
為驗證方法的普適性，研究人員對包括真實分子與人工構造分子在內的數千至數萬組資料進行了測試。結果表明，僅需精確調節少量引數即可取得優異的效果，證明了該方法的廣泛適用性。
“從實驗實現的角度來看，這種方法與壓縮相干光的效果基本相同，並且演算法的複雜度並未增加。”陳天說。
圖丨量子微處理器晶片的原理圖及實驗裝置（來源：Nature Communications）
這篇論文經歷了三輪修改，三位審稿人分別從演算法、化學以及晶片三個領域的角度提出了深刻的問題。在後續的審稿過程中，研究團隊基於專業的審稿意見優化了算力和儲存度的計算結果，使其更具科學專業性和嚴謹性。
“雖然審稿過程充滿挑戰，但每一次審稿都推動了研究的進一步完善，為未來量子-AI 融合技術在分子光譜模擬及相關領域的應用奠定了堅實的基礎。”陳天表示。
審稿人對該研究評價道：“與現有方法不同的是，該方法不需要壓縮相干態，只需要在協方差矩陣中嵌入位移來壓縮真空態。這個想法很簡單，但很創新，它將使實驗實現變得可行，正如作者在大分子系統上的實驗所證明的那樣。”
最終，相關論文以《融合壓縮態的大尺度光子網路應用於分子振動譜學的研究》（Large-scale photonic network with squeezed vacuum states for molecular vibronic spectroscopy）為題發表在 Nature Communications 上 [1]。
香港理工大學博士後朱慧慧是第一作者，北京理工大學陳天副教授、香港城市大學陳立國（Lip Ket Chin）助理教授、新加坡南洋理工大學郭龍泉（Leong Chuan Kwek）教授、瑞典查爾姆斯理工大學本特·諾德恩（Bengt Nordén）教授、北京理工大學張向東教授、香港理工大學劉愛群教授擔任共同通訊作者。
圖丨相關論文（來源：Nature Communications）
構建“理論-實驗-應用”的完整鏈條，為現實問題提供“快速求解”方案
在作為獨立研究人員剛起步時，他的主要研究方向是偏理論的光量子行走。在經過深入研究和思考後，陳天意識到傳統純理論的量子光學計算或推導存在侷限性。
“儘管量子光學中的許多有趣現象從 20 世紀 60 年代就開始陸續被報道，但直到十幾年前，量子光學仍然是一個偏重數學且缺乏廣泛的應用前景的領域。”他回憶道。
在與北京理工大學張向東教授多次交流和討論中，陳天的視野逐漸開闊，開始在演算法層面上探索量子光學與 AI 的結合，並將研究方向逐漸調整到與量子技術融合的演算法設計，致力於為現實的問題提供“快速求解”方案。
陳天表示：“我相信這也是許多理論學科在實際應用方面的瓶頸之一。我的目標不僅是實驗室成果，而是希望透過與工業界深度交流與合作，能夠開發出具有成果轉化潛力、可應用服務社會的應用。”
量子光子學是物理學的一個重要分支，AI 與量子模擬的結合在分子振動光譜、藥物研發，以及日常生活中的組合最佳化問題（例如旅行商問題和車輛路徑問題）等方面展現出廣闊的應用前景，併為解決能源和環境問題（例如高效催化劑篩選、碳捕獲材料最佳化）提供了跨學科的的思路和方法。
近年來，量子技術與 AI 的結合已成為科技巨頭競相佈局的前沿領域。谷歌、英偉達、微軟研究院等知名公司和研究機構在這一方向取得了顯著進展。
例如，英偉達與谷歌量子 AI 合作，在 CUDA-Q 平臺和英偉達 Eos 超級計算機加持下，幫助谷歌加速下一代量子計算裝置的設計。透過使用 1024 個 Hopper Tensor Core GPU，實現了對包含 40 個量子位元的器件進行大規模、逼真的動態模擬。
此外，谷歌釋出的量子晶片 Willow 實現了量子計算領域的關鍵性突破，它在不到 5 分鐘內完成了傳統超級計算機需要 1025 年才能完成的計算任務。
微軟研究院也在該方向持續發力，其開發了一種基於 AI 的生物分子動力學系統 AI²BMD，在保持和量子模擬相同精度的同時，實現了超過 100 萬倍的加速。過去需要數月甚至更久時間才能完成的模擬任務，現在僅需 2 秒多就能一步完成（DeepTech 此前報道：比量子模擬速度提升百萬倍：科學家基於 AI 開發生物分子動力學系統，有望為藥物設計和疾病治療等領域提供關鍵資料支援）。
在接下來的研究階段，該課題組將繼續聚焦於受量子啟發的應用以及演算法設計。研究人員計劃結合量子技術和量子思想，對現有演算法進行提升或重新設計，從而進一步提高量子模擬的保真度，並在現有平臺上展示和驗證這些演算法的功能。
“希望透過量子技術與 AI 技術的結合，不斷迭代出新的量子啟發式演算法，以實現更快的計算過程和更低的資源消耗。”陳天說道。
參考資料：
1.Zhu, H.H., Sen Chen, H., Chen, T. et al. Large-scale photonic network with squeezed vacuum states for molecular vibronic spectroscopy. Nature Communications 15, 6057 (2024). https://doi.org/10.1038/s41467-024-50060-2
運營/排版：何晨龍、劉雅坤