AI vs 量子：谁将引领未来计算革命？

更新时间：2024-11-19 18:05  浏览量：81

科技公司多年来已向量子计算机投入了数十亿美元，寄望于这一技术能在金融、药物研发和物流等多个领域引发颠覆性变革。尤其在物理和化学领域，量子力学的奇异效应发挥着关键作用，使得这些领域成为量子计算机展现巨大潜力的舞台。

然而，正当量子硬件面临复杂技术难题而步履维艰时，另一个强有力的竞争者——人工智能（AI）正在这些最具潜力的应用领域取得显著突破。AI如今已被广泛应用于基础物理、化学和材料科学，这一趋势预示着量子计算所谓的“主场优势”或许并不稳固。

瑞士联邦理工学院（EPFL）计算物理学教授Giuseppe Carleo指出，AI模拟量子系统的规模和复杂性正在迅速提升。他与合作者最近在《科学》杂志上发表的一篇论文强调，基于神经网络的方法正迅速成为模拟具有强量子属性材料的领先技术。Meta公司也发布了一个基于大规模材料新数据集训练的AI模型，该模型在材料发现的机器学习排行榜中名列前茅。

鉴于近年来的快速发展，越来越多的研究人员开始思考：在大规模量子计算机真正问世之前，AI是否已能解决化学和材料科学中大部分最有趣的问题。

“这些机器学习新技术的出现对量子计算机的潜在应用构成了严峻挑战，”Carleo说道，“在我看来，这些公司迟早会发现他们的投资可能并不如预期般合理。”

量子计算机的潜力在于能够比传统计算机更快地完成某些计算任务。然而，要实现这一潜力，需要构建比现有规模更大的量子处理器。目前最先进的设备刚刚突破1000量子比特，但要达到对经典计算机的压倒性优势，可能需要数万甚至数百万量子比特。

一旦这种硬件得以实现，一些量子算法，如破解加密的Shor算法，将能够以指数级的速度解决问题，这远非经典算法所能企及。然而，在许多具有明显商业应用的量子算法中，如数据库搜索、优化问题求解或驱动人工智能，其速度优势相对较小。

微软量子计算负责人Matthias Troyer联合发表的一篇论文指出，当考虑到量子硬件运行速度比现代计算机芯片慢几个数量级时，这些理论上的速度优势可能会消失。此外，将大量经典数据输入和输出量子计算机的难度也是一个主要障碍。

因此，Troyer及其同事认为，量子计算机应更多地关注化学和材料科学中的问题，这些问题需要对量子效应占主导地位的系统进行模拟。从理论上讲，基于这些系统的量子原理运行的计算机在这里应该具有天然优势。

量子力学规则主导着许多具有巨大实际和商业价值的事物，如蛋白质、药物和材料。它们的性质由其组成粒子之间的相互作用决定，尤其是电子之间的相互作用。在计算机中模拟这些相互作用能够预测分子将表现出何种特性，这对发现新药物或开发更高效的电池化学具有巨大价值。

然而，量子力学那些令人费解的规则——特别是使遥远粒子的量子态可以本质上相互关联的纠缠现象——会使这些相互作用变得极其复杂。精确追踪这些相互作用需要极其复杂的数学运算，而当粒子数量增加时，运算的难度会呈指数级增长。这使得在经典计算机上模拟大型量子系统几乎变得不可行。

这正是量子计算机大展身手的地方。由于量子计算机同样基于量子原理运行，它们能够比经典计算机更高效地表示量子态，同时可以利用量子效应加速计算。然而，并非所有量子系统都是相同的，其复杂性取决于粒子之间的相互作用或关联程度。

对于化学家和材料科学家感兴趣的大多数系统，关联通常较弱。这意味着这些系统中的粒子对彼此行为的影响不显著，从而使得这些系统更容易被建模。Carleo指出，对于化学和材料科学中的大多数问题，量子计算机可能不会提供任何优势。经典工具已经能够精确建模弱关联系统，其中最为显著的是密度泛函理论（DFT）。

近年来，基于DFT的研究激增，生成了大量化学、生物分子和材料数据，这些数据可用于训练神经网络。AI模型通过学习这些数据中的模式，可以预测特定化学结构可能具有的特性，而其运行成本比传统的DFT计算低几个数量级。

这种方法大幅扩展了可模拟系统的规模以及模拟运行的时间范围。卢森堡大学物理学教授Alexandre Tkatchenko表示：“这简直太棒了。你几乎可以完成大多数化学问题。”

在模拟强关联量子系统时（即粒子之间相互作用较强的系统），像DFT这样的传统方法很快就会失去效用。这类系统虽然更加复杂，但包括了一些具有潜在变革能力的材料，如高温超导体或超精密传感器。然而，即便在这一领域，人工智能也正在取得显著进展。

2017年，Carleo与Troyer在《科学》上发表了一篇开创性论文，展示了神经网络可以用于模拟强关联量子系统。这种方法并不像传统意义上的机器学习那样从数据中学习，而是与DeepMind的AlphaZero模型类似，通过掌握系统的“游戏规则”（如薛定谔方程）并进行自我迭代来实现卓越的表现。

这些模型的强大之处在于它们能够压缩信息。Carleo表示：“波函数是一个非常复杂的数学对象。现在，多个研究已经表明，神经网络可以以经典计算机能够处理的方式捕捉这一对象的复杂性。”

自那篇论文以来，这种方法已经扩展到更广泛的强关联系统，并树立了新的技术标准。Carleo与同事最近在《科学》上发表的论文中，将这一方法应用于多种复杂的量子模拟问题，并对当前领先的经典模拟技术进行了测试。

这些研究表明，神经网络不仅能够有效模拟强关联系统，还在处理这些复杂问题方面展现了极大的潜力。DeepMind的研究人员也展示了他们能够精确模拟量子系统中的激发态，这一能力未来可能用于预测太阳能电池、传感器和激光器的行为。

尽管AI在模拟量子系统方面取得了显著进展，但并不意味着它将完全取代量子计算。相反，许多专家认为未来的计算格局可能采用一种混合模式，将量子和经典子程序结合起来解决问题。

IBM量子计算项目负责人Jay Gambetta认为，神经网络可能会扩展能够解决的问题范围，但他并不认为它们能解决企业最关心的最难问题。“这就是为什么许多以化学为核心需求的公司仍在研究量子计算，因为它们非常清楚这些近似方法的局限性。”

同时，其他经典量子模拟技术也取得了重要进展。每种方法都有其成功之处，而且它们相辅相成。因此，许多专家并不认为机器学习方法会完全取代其他方法。

然而，对于某些大型强关联系统，经典方法可能无法胜任。IonQ量子解决方案高级总监Martin Roetteler认为，未来具备容错能力、量子比特数量远超现有设备的量子计算机将能够模拟这些系统。这可能帮助发现新型催化剂，或提高对人体代谢过程的理解——这是制药行业的关键领域。

尽管目前尚难预测神经网络究竟可以解决哪些问题，但许多专家表示，缺乏商业应用并不是停止追求量子计算的理由。它在长期内可能带来基础科学的突破，推动科学的不断进步。

“科学就像一组嵌套的盒子——你解决了一个问题，却发现了另外五个问题，”Filippo Vicentini总结道，“我们研究的事物复杂性会随着时间的推移不断增加，因此我们始终需要更强大的工具。”

华远系统是致力于人工智能（AI算法以及流媒体技术），信息软件技术，新能源、物联网等领域的集成商，在智慧社区，智慧园区，智慧停车，充电桩（储能充电站/光储充）及充电桩软件管理平台，储能系统集成，车联网有整套解决方案以及成功的项目案例。