量子AI精准预测混沌系统

一项由某机构领导的新研究表明，将量子计算与人工智能相结合，可以显著改善对复杂物理系统的长期预测。这种混合方法的性能优于仅依赖传统计算机的领先模型。

该成果发表于《科学进展》，有望增强对液体和气体行为（即流体动力学）的模拟。这类模型在气候科学、交通、医学和能源生产等领域至关重要。

量子计算为何能带来改变

精度的提升似乎源于量子计算机处理信息的方式。与传统计算机使用设为1或0的比特不同，量子计算机使用量子比特（qubit），它可以同时处于1、0或两者之间的叠加态。此外，每个量子比特可以影响其他量子比特，使得相对少量的量子比特就能代表极其大量的可能状态。

资深作者解释了的挑战：“为了对复杂系统进行预测，我们可以运行完整的模拟，但这可能需要数周时间——通常耗时太长而不实用；或者我们可以使用AI模型，它更快，但在较长的时间尺度上更不可靠。”

“我们的量子信息AI模型能够快速提供更准确的预测。对流体流动和湍流进行预测是一项基础科学挑战，但也具有许多应用。该方法可用于气候预测、模拟血流和分子相互作用，或更好地设计风力发电场以产生更多能源。”

混合量子-AI方法的工作原理

尽管普遍预计量子计算机将在能力上超越经典计算机，但它们在实际中的使用迄今仍然有限。这种新方法将量子计算集成到AI训练过程的特定阶段。

通常，AI模型从模拟或观测生成的大型数据集中学习。在这种方法中，数据首先由量子计算机处理，识别出随时间保持稳定的关键统计模式。这些被称为不变统计特性的模式，随后用于指导在传统超级计算机上运行的AI模型的训练。

更高的精度与更低的内存占用

与不使用量子衍生模式的標準AI模型相比，这种量子信息AI系统的精度提高了约20%。即使在模拟混沌系统时，它也能在更长时间内保持稳定的预测。

另一个主要优势是效率。该方法所需的内存减少了数百倍，使其对于大规模模拟更加实用。

效率背后的量子效应

这种性能提升源于量子计算的两个定义性特征。纠缠允许量子比特相互影响，无论距离远近；而叠加使量子比特在被测量之前可以同时存在于多种状态。这些特性共同使量子系统能够以紧凑的形式处理海量信息。

展示实用的量子优势

第一作者表示：“我们的新方法似乎以一种实用的方式展示了‘量子优势’——也就是说，量子计算机的性能超越了仅通过经典计算所能达到的水平。这些发现可能会激发开发出精度更高的新型经典方法，尽管这些方法很可能缺乏我们的方法所提供的卓越数据压缩和参数效率。接下来的步骤是使用更大的数据集来扩展该方法，并将其应用于通常涉及更多复杂性的实际场景。此外，还将提出一个可证明的理论框架。”

共同第一作者补充道：“在这项工作中，首次证明了量子计算可以有意义地与经典机器学习方法集成，以处理包括流体力学在内的复杂动力系统。看到这种‘量子信息’方法走向实际应用，令人兴奋。”

捕捉复杂系统的物理本质

研究人员认为，量子计算机特别适合模拟这些系统，因为它们可以紧凑地表示其底层物理。许多复杂系统的行为方式类似于量子效应，其中一个区域的变化可以影响系统的远距离部分，类似于纠缠。

克服当前量子硬件的局限

当前的量子计算机面临噪声、误差和干扰等挑战，这通常需要大量的测量。新方法通过在整個工作流程中仅使用量子计算机一次，而不是在量子系统和经典系统之间反复交换数据，从而避免了这些问题。

实验细节与未来潜力

该研究使用了连接到某机构强大的经典计算资源的20量子比特IQM量子计算机。

为了运行，量子计算机必须在极低的温度（约零下273摄氏度，接近绝对零度，比太空中的任何物体都冷）下工作。

该研究由某机构和某研究委员会资助，并得到了某量子计算公司和某超算中心的额外支持。

随着研究人员继续扩展该方法，它可能为广泛科学和工程应用中更准确、更高效的预测打开大门。FINISHED