【产通社，3月26日讯】未来几年，量子计算和AI将成为追求新材料科学和化学的关键工具。当它们合起来时，力量会倍增。我们相信，通过利用量子计算机在量子数据上训练AI，将获得超高精度的AI模型，能够达到更高计算复杂度，而无需承担高昂的计算成本。

这种量子计算与AI的强大结合，有望在化学发现、材料设计和复杂反应机制的理解上带来前所未有的突破。化学和材料创新已经在我们的日常生活中扮演着至关重要——尽管常常隐形——的角色。这些发现塑造了现代世界：新药帮助更有效治疗疾病，改善健康并延长预期寿命：日常用品如牙膏、防晒霜和清洁用品，这些都是安全有效的；更清洁的燃料和更耐用的电池；改良化肥和农药以促进全球粮食产量；以及可再生物降解塑料和可回收材料，以减少我们的环境足迹。简而言之，化学发现是幕后推动的力量，极大地提升了我们的日常生活。

在AI已经被使用的地方，这种新的量子增强AI有望大幅提升效果。这些模型可以扫描此前未知的催化剂，这些催化剂能够固定大气中的碳，从而减缓气候变化。他们可能发现新的化学反应，将废塑料转化为有用的原材料，并从环境中去除有毒的“永久化学物质”。他们可能会发现新的电池化学原理，以实现更安全、更紧凑的能源储存。他们可以加速个性化医学的药物发现。

这仅仅是开始，量子增强型AI将开辟材料科学的新前沿，重塑我们理解和操控物质最根本层面的能力。

量子计算将如何革新化学

在原子和分子中，电子之间以复杂的方式相互作用，称为电子相关。这些相关性对于准确描述化学系统至关重要。许多计算方法，如密度泛函理论（DFT）或Hartree-Fock方法，通过用平均的相关性替代复杂的相关性来简化这些相互作用，假设每个电子都在由所有其他电子创造的平均场内运动。这种近似方法在很多情况下是可行的，但无法提供系统的完整描述。

电子相关在电子相互作用强烈的系统中尤为重要——例如具有特殊电子性质的材料，如高温超导体——或存在多种电子排列且能量相似的电子排列——例如含有某些金属原子的化合物，这些金属原子对催化过程至关重要。

在这种情况下，DFT或Hartree-Fock的简化方法失效，需要更复杂的方法。随着电子配置数量的增加，计算复杂度会迅速达到“指数墙”，超过此点经典方法将变得不可行。

量子计算机登场了。与经典比特要么开要么关闭不同，量子比特可以存在于叠加态中——实际上同时存在于多个状态。这应允许它们同时表示多种电子配置，反映电子相关的复杂量子行为。由于量子计算机的工作原理与它们将模拟的电子系统相同，它们能够准确模拟即使是高度相关的系统——电子之间相互依赖到必须集体计算其行为。

如何加速化学发现

真正的突破将来自于战略性地结合量子计算和AI的独特优势。AI已经擅长学习模式和快速预测。量子计算机仍在扩展以实现实用性，但它们将在捕捉经典计算机只能近似的电子相关性方面表现出色。所以，如果你用量子生成的数据训练经典模型，就能兼得两全其美：以AI的速度实现量子的准确性。

正如我们在Microsoft与PNNL电解质合作中学到的，仅靠AI模型就能极大加快化学发现的速度。未来，量子精确的AI模型将应对更大的挑战。考虑基本的发现过程，我们可以把它看作一个漏斗。科学家从宽口顶端的大量候选分子或材料开始，利用过滤器根据所需特性缩小范围——如沸点、导电率、粘度或反应性。关键是，这一筛选过程的有效性很大程度上取决于用于预测这些性质的模型的准确性。不准确的预测可能导致“漏斗”，有潜力的候选者被错误地放弃，或劣质的被错误地提前推进。

量子精确的AI模型将显著提升化学性质预测的精度。它们能够帮助识别“首次成功”的候选分子，仅将最有潜力的分子送往实验室合成和测试——这将节省时间和成本。

发现过程的另一个关键方面是理解控制新物质形成和行为的化学反应。可以把这些反应想象成一条蜿蜒穿过山地景观的道路网络，每条道路代表从起始材料到最终产物的可能反应步骤。反应的结果取决于它沿每条路径传播的速度，而这又取决于沿途的能量障碍——比如必须穿越的山口。为了找到最高效的路径，我们需要准确计算这些障碍高度，以便识别最低的通道，绘制反应景观中最快的路径。

即使是估计这些障碍时的微小误差，也可能导致对哪些产物会形成的预测不准确。举个例子：环境反应能量障壁的轻微计算错误，可能决定将化合物标记为“永久化学物质”还是能安全降解。

准确模拟反应速率对于设计催化剂也至关重要——催化剂是加速并引导反应朝预期方向发展的物质。催化剂在工业化学品生产、碳捕获和生物过程等许多方面都至关重要。同样，量子精度的AI模型也能发挥变革作用，提供预测反应结果和设计更好催化剂所需的高精度数据。

一旦训练完成，这些基于量子精确数据的AI模型将通过实现量子级精度，彻底革新计算化学。一旦这些在经典计算机上运行的AI模型，并用量子计算数据训练完成，研究人员将能够在笔记本电脑或台式机上进行高精度仿真，而不必依赖庞大的超级计算机或未来的量子硬件。通过使先进化学建模更易获得，这些工具将使发现更加民主化，赋能更广泛的科学家群体，以应对健康、能源和可持续发展等最紧迫的挑战。

AI与量子计算面临的挑战

到现在，你可能在想：这个变革性的未来何时到来？量子计算机确实仍然面临错误率和可用量子比特寿命有限的问题。而且它们仍需扩展到有意义的化学模拟所需的规模。超出经典计算范围的有意义化学模拟，需要数百到数千个高质量的量子比特，误差率约为10-15，或者在千万亿运算中的一次错误。要达到这种可靠性水平，需要通过逻辑量子比特的冗余编码实现容错能力，每个量子比特包含数百个物理量子比特，因此总共需要约一百万个物理量子比特。当前用于化学性质预测的AI模型可能不必完全重新设计。我们预计，只需先从基于经典数据预训练的模型开始，然后用量子计算机的一些结果进行微调即可。

尽管存在一些未解之谜，但我们在科学理解和技术突破方面的潜在回报，使我们的提案成为该领域引人注目的方向。量子计算行业已开始超越早期噪声高的原型，十年内有望实现高精度低误差率的量子计算机。

实现量子增强AI在化学发现中的全部潜力，需要化学家和材料科学家（理解目标问题）、量子计算专家（负责硬件构建）以及AI研究人员（负责算法开发）之间的集中协作。如果做得好，量子增强的AI有望比任何人预期提前数年，开始应对世界上最严峻的挑战——从气候变化到疾病。查询进一步信息，请访问官方网站https://spectrum.ieee.org/quantum-chemistry。（镨元素，产通数造）