量子AI预测混沌系统的精度实现重大突破

伦敦大学学院（UCL）研究人员主导的一项新研究表明，将量子计算与人工智能相结合，能够显著提升对复杂物理系统的长期预测精度。这种混合方法的表现优于目前仅依赖传统计算机的主流模型。

相关成果发表于《Science Advances》期刊，有望推动流体动力学领域的仿真模拟能力，即研究液体和气体运动规律的科学。这类模型在气候科学、交通运输、医疗健康和能源生产等领域均具有重要价值。

量子计算为何能带来改变

精度提升的核心在于量子计算机处理信息的方式。传统计算机使用比特，其值只能是0或1；而量子计算机使用量子比特（qubit），可以同时处于0、1及两者之间的任意状态。此外，每个量子比特还能与其他量子比特相互影响，使得数量相对较少的量子比特就能表示海量的可能状态。

UCL化学系及高级研究计算中心的资深作者Peter Coveney教授阐述了其中的挑战："要对复杂系统作出预测，我们要么运行完整仿真——这可能需要数周时间，往往来不及实际应用；要么使用AI模型，速度更快但在较长时间尺度上可靠性较低。我们的量子增强AI模型意味着可以更快速、更准确地作出预测。流体流动和湍流预测是基础科学的核心难题，但也有广泛的实际应用，包括气候预报、血液流动及分子相互作用建模，以及优化风电场设计以提升发电效率。"

量子-AI混合方法的工作原理

尽管量子计算机被广泛认为将在计算能力上超越经典计算机，但目前其实际应用仍相当有限。本研究将量子计算融入AI训练流程的特定阶段。

通常，AI模型通过仿真或观测产生的大量数据集进行学习。在本方法中，数据首先由量子计算机处理，用于识别随时间保持稳定的关键统计规律，即"不变统计特性"。这些规律随后被用来指导运行于传统超级计算机上的AI模型的训练过程。

更高精度，更低内存占用

与未采用量子衍生规律的标准AI模型相比，量子增强AI系统的预测精度提升了约20%，并且在对混沌系统建模时，能在更长时间内保持稳定预测。

另一大优势在于效率：该方法所需内存减少了数百倍，使其在大规模仿真中更具实用价值。

量子效应背后的效率密码

这一性能提升源于量子计算的两大核心特性：量子纠缠使量子比特之间无论相距多远都能相互影响，而量子叠加则使单个量子比特在被测量之前可同时处于多种状态。两者共同赋予量子系统以紧凑形式处理海量信息的能力。

展示切实的量子优势

UCL计算科学中心的第一作者王麦达表示："我们的新方法似乎以实际可行的方式展示了'量子优势'，即量子计算机的表现超越了单纯依靠经典计算所能达到的极限。这些发现或许能够启发新型经典计算方法的研发，以实现更高精度，但此类方法很可能无法具备我们方法所提供的出色数据压缩能力和参数效率。下一步是利用更大规模的数据集扩展该方法，并将其应用于通常涉及更高复杂性的真实场景，同时提出可证明的理论框架。"

共同第一作者、UCL高级研究计算部门的薛晓补充道："在这项工作中，我们首次证明量子计算可以与经典机器学习方法有效结合，以解决包括流体力学在内的复杂动力学系统问题。看到这种'量子增强'方法逐步走向实际应用，令人倍感振奋。"

捕捉复杂系统的物理本质

研究人员指出，量子计算机特别适合对这类系统建模，因为它能以紧凑的形式表示系统背后的物理规律。许多复杂系统的行为方式与量子效应类似——某一区域的变化可以影响系统中相距甚远的部分，这与量子纠缠现象颇为相似。

克服当前量子硬件的局限

现有量子计算机面临噪声、错误和干扰等挑战，通常需要进行大量测量。本研究的新方法通过仅在工作流程中使用一次量子计算机来规避上述问题，而非在量子系统与经典系统之间反复交换数据。

实验细节与未来潜力

本研究使用了一台20量子比特的IQM量子计算机，该计算机与德国莱布尼茨超算中心的强大经典计算资源相连接。

量子计算机需在极低温度下运行，约为零下273摄氏度（接近绝对零度，比太空中任何地方都要寒冷）。

本研究由UCL及英国工程与物理科学研究委员会（EPSRC）资助，并获得IQM量子计算机公司及慕尼黑莱布尼茨超算中心的额外支持。

随着研究人员持续扩大该方法的应用规模，它有望在广泛的科学与工程领域开启更精准、更高效的预测新时代。

Q&A

Q1：量子增强AI方法在预测精度上具体提升了多少？

A：与未采用量子衍生规律的标准AI模型相比，量子增强AI系统的预测精度提升了约20%，并能在更长时间内保持对混沌系统的稳定预测。此外，该方法所需内存减少了数百倍，在大规模仿真中具有更高的实用价值。

Q2：量子计算机在这套混合方法中承担什么角色？

A：在该方法中，量子计算机并非全程参与，而是仅在AI训练流程的特定阶段介入。它负责对数据进行处理，识别随时间保持稳定的关键统计规律（即不变统计特性），再将这些规律传递给运行于传统超级计算机上的AI模型，从而指导其训练过程。

Q3：量子增强AI方法有哪些实际应用场景？

A：该方法在多个领域具有广泛应用潜力，包括气候预报、血液流动与分子相互作用建模、风电场优化设计，以及流体动力学仿真等。由于其能够更快速、更准确地预测复杂系统行为，在能源、医疗、交通和气候科学领域均有重要价值。