当人工智能「看见」量子世界：AI如何改变对复杂量子系统的认知，南洋理工、上交等发布量子系统学习综述

将 ScienceAI 设为星标

第一时间掌握

新鲜的 AI for Science 资讯

作者 | 论文团队

编辑 | ScienceAI

在量子科学中，复杂性往往增长得出乎意料。一个经典比特只能是 0 或 1，而 50 个量子比特的状态，就需要超过一千万亿个复数来完整描述，这个规模远远超过任何超级计算机的存储能力。随着实验室里量子设备的不断扩展，科学家们逐渐面临一个悖论：我们能够制造越来越大的量子系统，却常常无法用传统方法去全面理解它们。

为应对这一挑战，人工智能（AI）正展现出前所未有的潜力。近日，南洋理工大学联合上海交通大学、香港大学、牛津大学、加拿大 PI 研究所、柏林自由大学、加州大学圣地亚哥分校、新加坡国立大学、卡尔加里大学等多家国际机构，重磅发布综述《Artificial intelligence for representing and characterizing quantum systems》。

论文链接：https://arxiv.org/pdf/2509.04923

团队系统梳理了近三百篇前沿成果，首次从机器学习、深度学习和大模型三大范式切入，总结了 AI 在刻画和表征复杂量子系统中的关键作用，讨论了用 AI 赋能量子科学的挑战，并展望了「量子版 AlphaFold」的未来前景。

AI 为什么能帮我们理解量子？

量子系统的复杂度会随着比特数的增加呈指数式爆发。对于几十个量子比特，传统的计算方法还能勉强应付，但一旦遇到更大规模、纠缠更深的量子态，就很快变得力不从心。AI 的优势在于，它不需要完整写下指数维度的描述，而是可以从有限测量数据中「学习」出量子系统的规律。换句话说，AI 把难以直观掌握的量子态转化为一个数据驱动的预测问题，让不可能变得可能。

三大范式：从机器学习到大模型

这篇综述将人工智能在量子系统研究中的应用，归纳为三种互补的范式：

• 机器学习

• 深度学习

• 语言模型

机器学习主要用于预测量子系统的线性属性，例如能量、相关函数、磁化强度等。这些量往往是验证实验结果和理解系统整体行为的基础。机器学习方法的优势在于结果稳定、理论可控，能够为实验提供可靠的对照。

深度学习则展现出更强的表达能力。它能够捕捉量子系统中更复杂的特征，例如纠缠熵和保真度，并通过生成模型实现量子态的近似重建。这让科学家能够在有限实验数据的条件下，依然获得对系统的整体刻画，大幅降低了实验成本。深度学习也已被用于辅助量子算法设计和量子硬件诊断。

语言模型代表着最新的趋势。类似 GPT 的自回归模型开始被引入到量子科学中，用于生成量子态的表示。它们有潜力发展成为「量子科学的基础模型」，在未来扮演类似 AlphaFold 在蛋白质科学中的角色，推动领域内出现突破性的应用。

无论采用哪种方法，综述指出其最终目标都可以归结为三个核心任务：预测线性属性、预测非线性属性，以及量子态重建。通过这些能力，AI 不仅帮助科学家验证量子计算设备的正确性，还能揭示量子物质的新奇态，并降低对传统量子层析实验的依赖。实际应用已经开始落地：从大规模量子比特装置的认证，到变分量子算法的优化，再到发现强关联物质的新相。AI 在量子科学中，正在逐渐转变为真正的「探索伙伴」。

学习框架：为量子研究建立统一视角

除了梳理三大范式，综述还提出了一个系统性的学习框架，用来总结 AI 介入量子研究的共性流程。这个框架包含三个核心阶段：

• 数据采集：研究者通过量子实验或数值模拟获得有限的观测数据。这些数据通常是局域测量结果，而非对量子态的完整描绘。

• 模型优化：AI 模型在这些数据的基础上进行训练，学习出能够捕捉量子系统特征的有效表示。不同方法在这一阶段各展所长：机器学习注重稳定性，深度学习强调表达能力，语言模型则追求跨任务的泛化。

• 性质预测：完成训练的模型可被用于推断系统的关键物理量，不仅包括实验上容易测得的能量、相关函数，还包括难以直接计算的熵、保真度，甚至对未观测情形做出可靠预测。

这一框架的意义在于，它为不同方法提供了一个统一的参照坐标系。过去，量子 AI 的研究往往是零散的探索，而现在通过这个框架，可以系统比较不同方法的优劣，并为未来研究提供清晰的路线图。它不仅总结了已有成果，也为标准化和规模化应用奠定了基础。

突破与瓶颈并存

综述指出，AI 在量子科学中的应用已取得一系列令人鼓舞的成果，但同时也面临着明显的瓶颈。

• 首先，量子实验数据依然昂贵且稀缺，这使得如何在「小数据」条件下实现模型的有效泛化成为核心挑战。

• 其次，许多深度学习方法缺乏清晰的物理解释性，这限制了它们在科学界的广泛接受度。

• 更根本的问题在于：哪些任务可以依靠经典 AI 完成，哪些任务必须交给真正的量子硬件？这不仅是实践问题，更触及量子学习理论的前沿。

未来展望：通向「量子 GPT」

在未来方向上，综述特别强调了构建通用「量子 GPT」模型的潜力。这类模型有望在有限数据下高效生成量子系统的近似表示，甚至提出新的物理假设，成为科学家与 AI 协作探索自然规律的重要伙伴。与此同时，量子科学的复杂性也会反过来推动 AI 理论的发展 —— 如何应对指数级复杂的数据结构，以及如何提高模型的可解释性，都是亟待回答的问题。综述认为，正是这些挑战与机遇的交织，标志着 AI 与量子科学的深度融合正进入一个新的阶段。

总结

量子科学的探索从来都充满艰难与未知，但也正因其复杂与神秘，才不断吸引着一代又一代科学家前赴后继。如今，人工智能的加入正在重塑这一进程。这篇综述为科研人员勾勒出一幅清晰的图景，也寄望于未来某一天，AI 不仅能帮助我们「看见」量子世界，更能与我们一道揭示全新的物理定律。