自薛定谔方程以来，量子力学催生了现代信息社会的基础。当前，以“it from qubit”为核心的第二次量子革命正推动量子计算等技术走向实际应用，但描述复杂量子系统成为核心难题。近期，AI技术，特别是大模型，正以前所未有的方式赋能AI for Science，为解决大规模量子系统描述难题提供了新途径。上海交通大学吴亚东副教授与合作者杜宇轩等人撰写综述，系统回顾了机器学习、深度学习及基础模型在理解和表征大规模量子系统中的应用，强调AI在预测量子性质和构建“经典代理模型”方面的作用，并探讨了该领域的挑战与未来方向，预示着AI将成为量子科学发展的重要伙伴。
💡 **AI驱动量子系统研究新范式**：随着量子系统规模的指数级增长，传统描述方法面临瓶颈。以“it from qubit”为代表的第二次量子革命，以及ChatGPT等大模型的出现，正推动AI for Science的落地，使得数据驱动的研究方法在大规模量子系统学习上展现出强大能力，改变了以往基于先验知识的研究范式。
🌐 **AI在理解与表征大规模量子系统中的关键作用**：近期一篇综述系统回顾了机器学习、深度学习及基础模型在量子系统中的应用。这些模型能够帮助科学家更精准地预测量子系统的性质，并构建“经典代理模型”来近似和重现量子系统的表现，从而有效降低对昂贵实验的依赖，克服指数级复杂性的挑战。
🚀 **AI有望成为量子科学的“虚拟科学家”**：未来，AI学习模型不仅能帮助科学家更快、更准确地校准量子系统、提高量子计算效率，还可能在参数空间中发现新的量子物质形态。更具前景的是，AI有望自主识别规律、提出新实验方案，成为推动量子科学突破性进展的重要伙伴，而非仅仅是研究工具。
🤝 **跨学科合作与全球视野**：该领域的研究得益于跨学科合作，如吴亚东与杜宇轩的合作，他们背景的“对调”带来了对问题的多角度理解。同时，论文集结了来自北美、欧洲和亚洲的顶尖学者，包括量子物理和AI领域的权威，共同打磨，确保了研究的深度和广度，以及概念传达的清晰性。
2025-09-26 18:09 北京
自薛定谔方程提出以来，量子力学的发展推动了半导体、激光等一系列颠覆性技术的诞生，奠定了现代信息社会的基础。进入 21 世纪，以“it from qubit”为代表的第二次量子革命正蓬勃兴起，量子计算、量子通信和量子传感等领域正在从实验室研究逐步迈向实际应用，被广泛视为下一代科技革命的重要引擎。然而，随着量子系统规模的不断扩大，一个核心难题愈发凸显：如何高效地描述和表征复杂量子系统。量子态所处的希尔伯特空间维度会随着比特数呈指数级增长，这使得传统方法在面对大规模量子体系时迅速失效，成为制约量子信息科学进一步发展的关键瓶颈。2022 年，ChatGPT 等大模型的问世不仅仅极大地促进了 AI 的落地应用，也极大地赋能了 AI for Science。曾经被认为难以高效解决的量子信息问题正逐渐被以崭新的方式解决。而近三年数据驱动的 AI 模型在大规模量子系统的学习上展现出强大高效的能力，推动该领域从基于先验知识的研究范式转向数据驱动型研究方法。这种转变显著提升了大规模量子模拟与量子计算所产生的量子系统的学习效率。得益于对 AI for Quantum Science 的坚定信念，上海交通大学副教授吴亚东在近三年持续开展了一系列相关研究工作，旨在推动 AI 成为量子科学研究的新范式。2024 年，吴亚东受邀来新加坡访问，在共同朋友的介绍下与合作者杜宇轩首次线下见面，结束了双方长期以来仅通过阅读彼此在相关领域研究成果而保持的“神交”状态。这次面对面的交流让他们深刻意识到，过去三年中该方向已取得重要的跨学科进展：从统计学习理论模型，到深度神经网络，再到大模型，相继登上了这一舞台。然而，他们也发现一个系统性的梳理与讨论仍然处于空白，这对初学者以及其他学科的研究者而言并不友好。基于这样的共识，他们决定合作撰写一篇综述论文，系统探讨如何利用 AI 探索发现大规模量子系统并预测其物理特性。图 | 从左到右：吴亚东、杜宇轩（来源：资料图）这一综述论文系统回顾了三类 AI 模型——机器学习模型、深度学习模型与基础模型——在理解和表征大规模量子系统中的应用。这些量子系统既包括量子模拟实验产生的复杂态，也包括量子计算机在运行中生成的结果。论文重点强调了 AI 在两方面的作用：一是帮助科学家更加精准地预测量子系统的性质；二是构建“经典代理模型”，用一种更简单的方式去近似和重现量子系统的表现，从而大幅降低对昂贵实验的依赖。通过这样的模型，人们可以在不直接处理指数级复杂性的情况下，高效地描述和研究量子系统。最后，这篇综述论文还总结了该领域目前面临的主要挑战，并探讨了未来的发展方向，包括最新 AI 技术在加速量子计算研究中的潜力。（来源：https://arxiv.org/pdf/2509.04923）未来几年，AI for Quantum Science 的学习模型有望在多个方向展现重要应用价值。它们可以帮助科学家更快、更准确地检验和校准实验中的量子系统，提高量子计算线路的运行效率，还可能在庞大的参数空间中自动发现新的量子物质形态。更具前景的是，AI 有望成为“虚拟科学家”，能够从实验数据中识别出人类未曾注意到的规律，甚至自主提出并设计全新的量子实验方案，去探索前所未见的量子现象。如果这些愿景得以实现，AI 将不仅仅是研究的工具，而会成为推动量子科学突破性进展的重要伙伴。在撰写这篇综述论文的初始阶段，他们查阅了大量相关文献，梳理了该领域的发展脉络，并确立了从机器学习模型、深度学习模型以及语言模型三个层面阐述 AI 在量子系统学习中的应用这一框架。由于该领域高度跨学科，需同时兼顾 AI 学者和物理学者的关注点，他们在论文应当侧重 AI 模型还是量子信息应用这一问题上进行了多次结构调整与修改。期间，他们还邀请了数位领域内的专家学者参与论文撰写，其中包括 AI 领域的知名专家和量子物理领域的权威学者。如前所述，这篇综述论文的起点源于吴亚东与杜宇轩在一次交流中提出的想法：是否有必要系统性地回顾 AI 在量子系统学习中的成果？然而一开始，他们对论文的定位并未达成一致。原因在于，他们的教育背景恰好“对调”——吴亚东本科出身于计算机，博士阶段转入物理；而杜宇轩则是本科物理、博士计算机。这样的交叉背景，让他们对同一问题的理解、叙事风格和重心选择都存在差异。于是，在最初几轮的跨国线上讨论中，如何平衡“AI 的方法论”与“量子科学的应用场景”成为了他们争论最激烈的焦点。经过多次反复沟通，双方最终逐渐磨合出一个双方都认可的初版框架。由于这是一个高度跨学科的综述论文，他们很快意识到仅凭两人的视角远远不够，于是决定邀请在该领域具有深厚见识的专家共同打磨初稿。研究团队的合作者阵容可以说是高度国际化、背景极为多元：既包括物理学界的权威，例如加拿大皇家学会院士巴里·桑德斯（Barry Sanders）教授，德国柏林自由大学的延斯·艾瑟特（Jens Eisert）教授（知名量子信息与多体物理专家），以及香港大学的朱利奥·奇里贝拉（Giulio Chiribella）教授（量子信息与量子因果结构领域的开创者）, 也包括 AI 领域的领军人物，如澳大利亚科学院院士、IEEE Fellow Dacheng Tao 教授。随着综述论文版本的不断迭代，AI 与物理两种视角的碰撞愈发激烈。这些来自北美、欧洲和亚洲的学者，分别从量子物理与 AI 两个方向为研究团队提供了独到的见解。研究团队一起花了大量时间讨论如何构建一个合理的分类体系，以及如何用最简洁而准确的语言向不同背景的读者传达复杂的量子与 AI 概念。正因如此，虽然初稿仅用两个月就完成，但后续的修改和打磨为了追求高质量，持续了近十个月，最终才形成今天的版本。图 | 相关论文（来源：https://arxiv.org/pdf/2509.04923）接下来，他们将继续深化探索 AI，尤其是前沿基础模型，在量子信息与量子计算中的应用，包括 AI 方法在复杂量子系统学习、量子系统硬件设计、量子线路优化以及量子纠错等多个领域的潜在应用。参考资料：https://arxiv.org/pdf/2509.04923运营/排版：何晨龙01/华理团队联合打造晶圆级光刻胶沉积技术，精准控制薄膜厚度至纳米级，成功通过下一代光刻验证
02/Hinton与LeCun“同台支持”：英国AI初创打造材料界搜索引擎，称能将材料发现提速十倍
03/科学家解决X射线内窥成像难题，研制1600像素光纤阵列探测器，可穿透人体实时观察肿瘤
04/新一届“35岁以下科技创新35人”亚太区入选者发布
05/突破植入式电极静态局限：科学家开发“神经蠕虫”，实现颅内电极游走模式
阅读原文
跳转微信打开
