将量子技术与 AI 结合将具有怎样的可能性？
在一项研究中，北京理工大学陈天副教授与合作者就进行了这样的尝试。他们将 AI 和分子振动光谱相结合，开发了一种用于量子光学模拟的新理论方法，并在实验中证明了其可行性。
研究人员利用大规模光子网络和压缩真空态构建量子模拟系统，成功实现了复杂分子振动光谱的高保真度模拟（重构保真度超过 92%）。
值得关注的是，集成量子光子微处理器芯片包含 16 个单模压缩真空态和一个完全可编程的干涉仪网络，能够灵活处理多达 16 个模式的量子态，显著降低了传统方法对压缩相干态的依赖。
图丨陈天（来源：陈天）
该方法能够有效解决经典计算机难以处理的复杂分子振动光谱问题，为量子化学难题提供了新的解决方案。
其在加速计算、降低算法复杂度方面表现出显著优势，能够更好地理解分子间的相互作用和反应机制，在分子设计与优化方面具有直接应用的潜力。例如，在药物设计和材料科学领域对分子性质的预测和优化、加速新药的发现过程、降低研发成本等。
能够灵活处理多达 16 个模式的量子态
分子振动光谱是理解分子结构和性质的重要工具，它在药物设计、材料科学和化学反应机制研究中具有重要的应用价值。但不可忽视的是，分子光谱无论在计算还是实验方面都存在诸多挑战。
尽管经典计算方法能获得相关结果，但存在资源消耗大、运算时间长、能源效率低等问题；量子模拟作为一种新兴的技术，理论上可以显著提高计算效率，但现有量子算法对实验条件要求极为苛刻，难以在实验中演示分子振动光谱的高精度量子模拟。
随着近年来 AI for Science 在各领域的火热，该课题组提出，或许可以尝试将量子技术与 AI 结合，来解决指数级复杂的分子振动光谱问题。
陈天解释道：“量子计算的纠缠与干涉特性使其具备天然的计算并行性，这一优势可显著提升计算速度和降低算法的复杂度，并大幅度减少计算时间。”
在量子技术中，压缩相干态和压缩真空态是两种重要的量子态。传统的量子算法大多数依赖于压缩相干态，其缺点是：需要同时对压缩光和相干光进行干涉操作，这在实验上非常困难，尤其是在芯片平台上，压缩度与光谱纯度的限制使得此类操作几乎无法实现。
为了解决这一问题，该团队设计了一种全新的理论算法，通过引入压缩真空态，重新设计了分子谱求解流程，并得到了与传统算法性能相当的设计方案。
具体来说，他们将分子的振动模式扩展到 2m 个光学模式，并通过简单的旋转和压缩操作来实现对分子振动光谱的模拟。
这一算法的核心优势在于，由于仅需对压缩真空态进行操作，而无需涉及相干光的干涉，通过降低对设备的要求，从而大幅简化了量子模拟过程。
图丨分子振动光谱学中的压缩真空态和线性光子网络（来源：Nature Communications）
量子微处理器芯片类似于“量子大脑”，它是高效处理复杂信息的关键所在，其创新设计包含了两个主要部分：
一是制备的压缩态光源，其每个模式都可以独立处理信息任务；二是实验设计方面，为解决数据处理与重构问题，他们设计了一种高度集成且可编程的量子光芯片，包含 16 个单模压缩真空态，能够精确调控光的干涉和相位等，实现复杂的量子操作。
在研究过程中，该课题组与香港理工大学的刘爱群教授合作，通过深入了解芯片的原理，进一步优化了芯片的设计和应用。
然而，如何将光芯片接收到的数据与分子振动光谱联系起来，以及如何提取高维数据，始终是复杂的挑战。为此，该团队开发了先进的数据分析算法，显著提升了数据处理的效率和准确性，实现了从大量数据中快速提取分子振动光谱的特征。
研究人员对甲酸（CH2O2）和胸腺嘧啶（C5H6N2O2）的振动光谱进行了模拟，甲酸具有 9 个振动模式，而胸腺嘧啶具有 39 个振动模式。实验结果显示，甲酸的重建保真度达到了 92.9%，胸腺嘧啶的重建保真度达到了 97.4%。
为验证方法的普适性，研究人员对包括真实分子与人工构造分子在内的数千至数万组数据进行了测试。结果表明，仅需精确调节少量参数即可取得优异的效果，证明了该方法的广泛适用性。
“从实验实现的角度来看，这种方法与压缩相干光的效果基本相同，并且算法的复杂度并未增加。”陈天说。
图丨量子微处理器芯片的原理图及实验装置（来源：Nature Communications）
这篇论文经历了三轮修改，三位审稿人分别从算法、化学以及芯片三个领域的角度提出了深刻的问题。在后续的审稿过程中，研究团队基于专业的审稿意见优化了算力和保存度的计算结果，使其更具科学专业性和严谨性。
“虽然审稿过程充满挑战，但每一次审稿都推动了研究的进一步完善，为未来量子-AI 融合技术在分子光谱模拟及相关领域的应用奠定了坚实的基础。”陈天表示。
审稿人对该研究评价道：“与现有方法不同的是，该方法不需要压缩相干态，只需要在协方差矩阵中嵌入位移来压缩真空态。这个想法很简单，但很创新，它将使实验实现变得可行，正如作者在大分子系统上的实验所证明的那样。”
最终，相关论文以《融合压缩态的大尺度光子网络应用于分子振动谱学的研究》（Large-scale photonic network with squeezed vacuum states for molecular vibronic spectroscopy）为题发表在 Nature Communications 上 [1]。
香港理工大学博士后朱慧慧是第一作者，北京理工大学陈天副教授、香港城市大学陈立国（Lip Ket Chin）助理教授、新加坡南洋理工大学郭龙泉（Leong Chuan Kwek）教授、瑞典查尔姆斯理工大学本特·诺德恩（Bengt Nordén）教授、北京理工大学张向东教授、香港理工大学刘爱群教授担任共同通讯作者。
图丨相关论文（来源：Nature Communications）
构建“理论-实验-应用”的完整链条，为现实问题提供“快速求解”方案
陈天本科毕业于南开大学物理学院，之后在清华大学物理系获得博士学位，师从王向斌教授，博士期间的学习为他奠定了理论量子光学坚实的基础。此外，他还曾作为访问学者在美国斯蒂文森理工学院深造。
在作为独立研究人员刚起步时，他的主要研究方向是偏理论的光量子行走。在经过深入研究和思考后，陈天意识到传统纯理论的量子光学计算或推导存在局限性。
“尽管量子光学中的许多有趣现象从 20 世纪 60 年代就开始陆续被报道，但直到十几年前，量子光学仍然是一个偏重数学且缺乏广泛的应用前景的领域。”他回忆道。
在与北京理工大学张向东教授多次交流和讨论中，陈天的视野逐渐开阔，开始在算法层面上探索量子光学与 AI 的结合，并将研究方向逐渐调整到与量子技术融合的算法设计，致力于为现实的问题提供“快速求解”方案。
陈天表示：“我相信这也是许多理论学科在实际应用方面的瓶颈之一。我的目标不仅是实验室成果，而是希望通过与工业界深度交流与合作，能够开发出具有成果转化潜力、可应用服务社会的应用。”
量子光子学是物理学的一个重要分支，AI 与量子模拟的结合在分子振动光谱、药物研发，以及日常生活中的组合优化问题（例如旅行商问题和车辆路径问题）等方面展现出广阔的应用前景，并为解决能源和环境问题（例如高效催化剂筛选、碳捕获材料优化）提供了跨学科的的思路和方法。
近年来，量子技术与 AI 的结合已成为科技巨头竞相布局的前沿领域。谷歌、英伟达、微软研究院等知名公司和研究机构在这一方向取得了显著进展。
例如，英伟达与谷歌量子 AI 合作，在 CUDA-Q 平台和英伟达 Eos 超级计算机加持下，帮助谷歌加速下一代量子计算设备的设计。通过使用 1024 个 Hopper Tensor Core GPU，实现了对包含 40 个量子比特的器件进行大规模、逼真的动态模拟。
此外，谷歌发布的量子芯片 Willow 实现了量子计算领域的关键性突破，它在不到 5 分钟内完成了传统超级计算机需要 1025 年才能完成的计算任务。
微软研究院也在该方向持续发力，其开发了一种基于 AI 的生物分子动力学系统 AI²BMD，在保持和量子模拟相同精度的同时，实现了超过 100 万倍的加速。过去需要数月甚至更久时间才能完成的模拟任务，现在仅需 2 秒多就能一步完成（DeepTech 此前报道：比量子模拟速度提升百万倍：科学家基于 AI 开发生物分子动力学系统，有望为药物设计和疾病治疗等领域提供关键数据支持）。
在接下来的研究阶段，该课题组将继续聚焦于受量子启发的应用以及算法设计。研究人员计划结合量子技术和量子思想，对现有算法进行提升或重新设计，从而进一步提高量子模拟的保真度，并在现有平台上展示和验证这些算法的功能。
“希望通过量子技术与 AI 技术的结合，不断迭代出新的量子启发式算法，以实现更快的计算过程和更低的资源消耗。”陈天说道。
参考资料：
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
运营/排版：何晨龙、刘雅坤
