來源：Stephanie Arnett/MIT Technology Review | Getty
科技公司多年來向量子計算機(jī)投入了數(shù)十億美元，希望它們能在金融、藥物研發(fā)和物流等多元化領(lǐng)域帶來顛覆性變革。
在物理和化學(xué)領(lǐng)域，這種期望尤為強(qiáng)烈，因為量子力學(xué)的奇異效應(yīng)在其中起著關(guān)鍵作用。從理論上講，這是量子計算機(jī)相較傳統(tǒng)計算機(jī)擁有巨大優(yōu)勢的領(lǐng)域。
然而，當(dāng)量子硬件面臨復(fù)雜技術(shù)難題而步履維艱時，另一個挑戰(zhàn)者正在這些最具潛力的應(yīng)用領(lǐng)域取得突破。人工智能（AI）如今被應(yīng)用于基礎(chǔ)物理、化學(xué)和材料科學(xué)，這種趨勢表明量子計算被認(rèn)為的“主場優(yōu)勢”或許并不牢固。
瑞士聯(lián)邦理工學(xué)院（EPFL）計算物理學(xué)教授 Giuseppe Carleo 表示，AI 模擬量子系統(tǒng)的規(guī)模和復(fù)雜性正在迅速提高。上個月，他與人合作在 Science 上發(fā)表了一篇論文，指出基于神經(jīng)網(wǎng)絡(luò)的方法正迅速成為模擬具有強(qiáng)量子屬性材料的領(lǐng)先技術(shù)。Meta 公司最近也發(fā)布了一個 AI 模型，該模型基于一個大規(guī)模材料新數(shù)據(jù)集進(jìn)行訓(xùn)練，在材料發(fā)現(xiàn)的機(jī)器學(xué)習(xí)排行榜中躍居榜首。
鑒于近年來的快速進(jìn)展，越來越多的研究人員開始思考：在大規(guī)模量子計算機(jī)真正問世之前，AI 是否已經(jīng)能夠解決化學(xué)和材料科學(xué)中大部分最有趣的問題。
“這些機(jī)器學(xué)習(xí)新技術(shù)的出現(xiàn)對量子計算機(jī)潛在應(yīng)用構(gòu)成了嚴(yán)重打擊，”Carleo 說，“在我看來，這些公司遲早會發(fā)現(xiàn)，他們的投資并不合理�！�
量子計算機(jī)的潛力在于其能夠比傳統(tǒng)計算機(jī)更快地完成某些計算。然而，要實現(xiàn)這一潛力，需要比現(xiàn)有規(guī)模更大的量子處理器。目前最先進(jìn)的設(shè)備剛剛突破 1000 量子比特，但要達(dá)到對經(jīng)典計算機(jī)的壓倒性優(yōu)勢，可能需要數(shù)萬甚至數(shù)百萬量子比特。一旦這種硬件得以實現(xiàn)，一些量子算法，例如破解加密的 Shor 算法，將能夠以指數(shù)級的速度解決問題，這遠(yuǎn)非經(jīng)典算法可以企及。
然而，在許多具有明顯商業(yè)應(yīng)用的量子算法中，例如數(shù)據(jù)庫搜索、優(yōu)化問題求解或驅(qū)動人工智能，其速度優(yōu)勢相對較小。去年，微軟量子計算負(fù)責(zé)人 Matthias Troyer 聯(lián)合發(fā)表的一篇論文表明，當(dāng)考慮到量子硬件運行速度比現(xiàn)代計算機(jī)芯片慢幾個數(shù)量級時，這些理論上的速度優(yōu)勢可能會消失。此外，將大量經(jīng)典數(shù)據(jù)輸入和輸出量子計算機(jī)的難度也是一個主要障礙。
因此，Troyer 及其同事得出結(jié)論，量子計算機(jī)應(yīng)更多地關(guān)注化學(xué)和材料科學(xué)中的問題，這些問題需要對量子效應(yīng)占主導(dǎo)地位的系統(tǒng)進(jìn)行模擬。從理論上講，基于這些系統(tǒng)的量子原理運行的計算機(jī)在這里應(yīng)該具有天然優(yōu)勢。事實上，自著名物理學(xué)家理查德費曼首次提出這一概念以來，這一直是量子計算的核心推動力之一。
量子力學(xué)規(guī)則主導(dǎo)著許多具有巨大實際和商業(yè)價值的事物，例如蛋白質(zhì)、藥物和材料。它們的性質(zhì)由其組成粒子之間的相互作用決定，尤其是電子之間的相互作用。在計算機(jī)中模擬這些相互作用，應(yīng)該能夠預(yù)測分子會表現(xiàn)出何種特性。例如，這對發(fā)現(xiàn)新藥物或開發(fā)更高效的電池化學(xué)具有巨大的價值。
然而，量子力學(xué)那些令人費解的規(guī)則特別是使遙遠(yuǎn)粒子的量子態(tài)可以本質(zhì)上相互關(guān)聯(lián)的糾纏現(xiàn)象會使這些相互作用變得極其復(fù)雜。精確追蹤這些相互作用需要極其復(fù)雜的數(shù)學(xué)運算，而當(dāng)粒子數(shù)量增加時，運算的難度會呈指數(shù)級增長。這使得在經(jīng)典計算機(jī)上模擬大型量子系統(tǒng)幾乎變得不可行。
這正是量子計算機(jī)大展拳腳的地方。由于量子計算機(jī)同樣基于量子原理運行，它們能夠比經(jīng)典計算機(jī)更高效地表示量子態(tài)，同時可以利用量子效應(yīng)加速計算。
然而，并非所有量子系統(tǒng)都是相同的。其復(fù)雜性取決于粒子之間的相互作用或關(guān)聯(lián)程度。在相互作用強(qiáng)的系統(tǒng)中，追蹤所有這些關(guān)系所需的計算量可能會迅速增加。而對于化學(xué)家和材料科學(xué)家感興趣的大多數(shù)系統(tǒng)，關(guān)聯(lián)通常較弱。Giuseppe Carleo 指出，這意味著這些系統(tǒng)中的粒子對彼此行為的影響不顯著，從而使得這些系統(tǒng)更容易被建模。
Carleo 總結(jié)道，對于化學(xué)和材料科學(xué)中的大多數(shù)問題，量子計算機(jī)可能不會提供任何優(yōu)勢。經(jīng)典工具已經(jīng)能夠精確建模弱關(guān)聯(lián)系統(tǒng)，其中最為顯著的是密度泛函理論（DFT）。DFT 的核心思想是，只需了解系統(tǒng)的電子密度（即電子在空間中的分布），就可以理解其關(guān)鍵特性。這種方法大大簡化了計算，同時仍能為弱關(guān)聯(lián)系統(tǒng)提供準(zhǔn)確結(jié)果。
使用這些方法模擬大型系統(tǒng)需要相當(dāng)大的計算能力。然而，近年來，基于 DFT 的研究激增，生成了大量化學(xué)、生物分子和材料數(shù)據(jù)，這些數(shù)據(jù)可用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。AI 模型通過學(xué)習(xí)這些數(shù)據(jù)中的模式，可以預(yù)測特定化學(xué)結(jié)構(gòu)可能具有的特性，而其運行成本比傳統(tǒng)的 DFT 計算低幾個數(shù)量級。
這種方法大幅擴(kuò)展了可模擬系統(tǒng)的規(guī)模一次可以模擬多達(dá) 10 萬個原子以及模擬運行的時間范圍。盧森堡大學(xué)物理學(xué)教授 Alexandre Tkatchenko 表示：“這簡直太棒了。你幾乎可以完成大多數(shù)化學(xué)問題�！�
卡內(nèi)基梅隆大學(xué)化學(xué)教授 Olexandr Isayev 也表示，這些技術(shù)已經(jīng)被廣泛應(yīng)用于化學(xué)和生命科學(xué)領(lǐng)域的公司。而對于研究人員而言，此前無法觸及的問題，例如優(yōu)化化學(xué)反應(yīng)、開發(fā)新型電池材料和理解蛋白質(zhì)結(jié)合等，如今都變得可行。
“與大多數(shù) AI 應(yīng)用一樣，數(shù)據(jù)是最大的瓶頸�！盜sayev 指出。Meta 最近發(fā)布的材料數(shù)據(jù)集包含對 1.18 億種分子的 DFT 計算結(jié)果。用這些數(shù)據(jù)訓(xùn)練的模型實現(xiàn)了最先進(jìn)的性能，但生成這些訓(xùn)練材料耗費了龐大的計算資源，遠(yuǎn)超大多數(shù)研究團(tuán)隊的能力。這意味著要完全實現(xiàn)這一方法的潛力，需要巨額投資。
然而，用 DFT 模擬弱關(guān)聯(lián)系統(tǒng)并不是一個指數(shù)級增長的問題。這表明，只要擁有更多數(shù)據(jù)和計算資源，基于 AI 的經(jīng)典方法甚至可以模擬這些系統(tǒng)中最大的部分。Tkatchenko 補(bǔ)充道，考慮到能與之競爭的量子計算機(jī)可能仍需數(shù)十年時間，AI 當(dāng)前的發(fā)展軌跡表明，它或許能更早實現(xiàn)一些重要的里程碑，例如精確模擬藥物與蛋白質(zhì)的結(jié)合過程。
強(qiáng)關(guān)聯(lián)系統(tǒng)
在模擬強(qiáng)關(guān)聯(lián)量子系統(tǒng)時（即粒子之間相互作用較強(qiáng)的系統(tǒng)），像 DFT 這樣的傳統(tǒng)方法很快就會失去效用。這類系統(tǒng)雖然更加復(fù)雜，但包括了一些具有潛在變革能力的材料，例如高溫超導(dǎo)體或超精密傳感器。然而，即便在這一領(lǐng)域，人工智能也正在取得顯著進(jìn)展。
2017 年，瑞士聯(lián)邦理工學(xué)院(EPFL)的 Giuseppe Carleo 與微軟的 Matthias Troyer在 Science 上發(fā)表了一篇開創(chuàng)性論文，展示了神經(jīng)網(wǎng)絡(luò)可以用于模擬強(qiáng)關(guān)聯(lián)量子系統(tǒng)。這種方法并不像傳統(tǒng)意義上的機(jī)器學(xué)習(xí)那樣從數(shù)據(jù)中學(xué)習(xí)。相反，Carleo 解釋，這種方法與 DeepMind 的 AlphaZero 模型類似。AlphaZero 通過掌握圍棋、國際象棋和將棋的規(guī)則并進(jìn)行自我對弈實現(xiàn)了卓越的表現(xiàn)。
在量子系統(tǒng)的模擬中，“游戲規(guī)則”由薛定諤方程提供，它可以精確描述系統(tǒng)的量子態(tài)或波函數(shù)。模型通過將粒子排列成某種配置，并測量系統(tǒng)的能量水平來進(jìn)行“對弈”。目標(biāo)是找到最低能量配置（即基態(tài)），這是系統(tǒng)性質(zhì)的決定因素。模型不斷重復(fù)這一過程，直到能量水平不再下降，表明已經(jīng)接近或達(dá)到基態(tài)。
