玻色量子首发量子玻尔兹曼机 开启AI制药新探索

2025年8月7日，由北京市朝阳区人民政府主办、中关村科技园区朝阳园管理委员会（北京市朝阳区科学技术和信息化局）、北京朝阳国际科技发展集团有限公司承办的“2025朝阳区科技创新大会暨人工智能生态建设大会”在北京昆泰嘉瑞文化中心成功举办。

北京玻色量子科技有限公司（以下简称“玻色量子”）作为国内实用化量子计算领军企业应邀参与，玻色量子创始人&CEO文凯博士出席大会。在重大创新成果发布会上，玻色量子创始人&COO马寅现场发表了以“量子玻尔兹曼机开启AI制药新范式”为主题的演讲，重磅发布了玻色量子自研的全国首个量子玻尔兹曼机（Quantum Boltzmann Machine，QBM）及开源编程套件（Kaiwu-PyTorch-Plugin，KPP）。这是玻色量子在“量子计算+AI”领域领先实现专用量子计算实用化突破的关键成果，以AI制药为首个“爆款场景”，也是玻色量子在以实用化引领量子计算发展历程中的重要里程碑。

玻色量子展台

马寅演讲现场

大会现场

2024年诺贝尔物理学奖花落神经网络先驱、玻尔兹曼机（Boltzmann Machine,BM）的提出者杰弗里·辛顿（Geoffrey Hinton），标志着玻尔兹曼机这一融合统计力学与AI的模型获得国际最高科学奖的认可——物理规律指引AI，AI亦是物理规律。玻色量子技术团队经过经年累月的深入研究，自研出量子玻尔兹曼机（QBM）及编程套件（KPP），并发现其在AI制药领域展现出颠覆性潜力，以惊人速度让QBM从理论走向实践。这一技术突破不仅挑战了以Transformer为主导的AI计算范式，更开创了“量智融合”的新变革——量子计算的并行优势与深度学习的表达能力碰撞出前所未有的火花。

玻尔兹曼机：诺奖的物理学智慧

玻尔兹曼机的故事始于1884年物理学家路德维希·玻尔兹曼提出的熵函数方程，该方程揭示了微观粒子运动的统计规律，为统计力学奠定基础。近百年后，这一物理学智慧在AI领域焕发新生——2024年诺奖得主杰弗里·辛顿在Hopfield网络基础上，于1985年创造性地将玻尔兹曼分布（Boltzmann Distribution）引入神经网络，由此诞生了玻尔兹曼机。

马寅现场介绍，杰弗里·辛顿与约翰·霍普菲尔德将统计物理（伊辛模型、玻尔兹曼分布）引入神经网络，解决了“复杂系统建模”这一物理本质问题，为复杂系统的概率推理提供了普适框架，并推动了机器学习从“经验驱动”转向“物理规律+数据双轮驱动”，奠定了生成式AI更严谨的理论基础。

玻尔兹曼机是一种基于统计物理的能量模型：将数据变量映射为自旋粒子，驱动系统向最小能量态演化。因此，玻尔兹曼机具备无监督生成学习能力，能够学习数据概率分布并生成新样本（如图像重构、文本生成），这大大奠定了深度学习的基础。

然而，玻尔兹曼机的发展面临着挑战。马寅解释说，基于传统GPU硬件框架训练玻尔兹曼机时，其核心采样过程（玻尔兹曼采样）的NP-Hard特性导致模型训练难以实现，亟须新型计算硬件的突破性解决方案。玻色量子技术团队通过不断地技术攻关，发现基于玻色量子自研的相干光量子计算机即可破局。相干光量子计算机巧妙地利用光量子搭建了物理Ising模型，由于Ising模型与玻尔兹曼机在数学上的相互映射关系，相干光量子计算机凭借量子并行特性可高效处理玻尔兹曼分布采样的优势，能够为玻尔兹曼机因采样计算高复杂度而无法高效训练的难点提供解决思路。

量子玻尔兹曼机：以实用化引领量子计算

马寅演讲现场

马寅介绍说，由于相干光量子计算机底层物理计算逻辑完美匹配玻尔兹曼机的全连接属性，易用性更高，还能实现快速精准的玻尔兹曼采样，可以在毫秒级时间内单次返回数千个量子采样结果。实验验证表明，量子增强的玻尔兹曼机（QBM）在训练速度上可实现指数级加速（理论上，n个量子比特可同时处理2^n种状态），模型容量可提升至玻尔兹曼机的指数级。通过进一步论证，玻色量子发现量子玻尔兹曼机具备强大的复杂系统表示能力、卓越的无监督学习能力、并能够处理不确定性和噪声，另外，可作为深度学习的基础模块灵活嵌入。

马寅现场介绍，玻色量子还研究出一种结合经典AI与量子计算优势的新型生成式模型QBM-VAE（Variational Autoencoder，VAE），可用于复杂分布数据生成、“高保真度”数据表征。这是一种结合深度学习与量子计算的改进VAE算法，通过相干光量子计算机采样玻尔兹曼分布，对自然界产生的数据具有强大的建模能力和适应性，提升了数据表征能力。其核心是通过量子采样更准确地拟合自然数据真实分布，替代传统VAE简单高斯分布先验假设。在一个具有代表性的复杂分布场景-单细胞转录组学数据的表征测试发现，基于QBM-VAE的数据表征可显著去除数据噪声和批次效应，并保留真实的生物学信号，基于该表征的聚类可清晰地区分传统方法无法辨识的细胞亚型（具有独特特征的新致病因素），因此，该工具为复杂生物学研究提供了新的研究范式，为解析复杂疾病治病机制，发现关键靶点提供了新线索。

因此，为加速全球“量子计算+AI”融合创新，玻色量子重磅推出国内首个量子玻尔兹曼机（QBM）及开源编程套件（KPP），玻色量子已于 PyTorch 生态开源发布该训练套件，开放完整 Python API，致力于用PyTorch自由定义能量神经网络，以量子玻尔兹曼机拓展AI研究和应用新边界。

马寅介绍说，KPP创新性地将PyTorch和相干光量子计算机的采样优势结合，借助PyTorch灵活定义神经网络的能力、量子计算并行特性提供的指数级加速，实现自由定义和训练能量神经网络—玻尔兹曼机&受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）。同时，KPP还提供了简单易用的接口，便于研究人员和开发者能够快速实现能量神经网络模型的训练与验证，并应用于各种机器学习开发任务。

“爆款场景”：开启AI制药新探索

会上，马寅详细介绍了玻色量子基于量子玻尔兹曼机进行蛋白结构预测的算法框架。现有基于AI的方法，如AlphaFold等依赖于大量结构数据进行训练，在一些类别上的蛋白预测精度仍难以满足下游任务的需求，天然蛋白的氨基酸分布服从玻尔兹曼分布，玻色量子研究团队借助物种的进化学信息和光量子计算机的玻尔兹曼采样能力，来快速学习得到蛋白序列长时的进化学信息，从而捕捉到精确的氨基酸互作关系。

在生态合作方面，玻色量子联合广州国家实验室开发了蛋白质结构预测量子算法。基于量子玻尔兹曼机，高效求解Potts模型的同时精确预测蛋白氨基酸残基接触图，已经在100结点的数据集上实现收敛，突破了传统算法难以攻克的复杂场景。

马寅表示，目前，玻色量子还与上海交通大学、中山大学药学院、北京肿瘤医院、清华长庚医院等在蛋白质结构预测、分子相似性筛选、多肽对接、变构位点预测等场景展开实用化量子计算应用探索。此外，玻色量子构建了“药企－高校－医院－国家实验室”四位一体合作体系，未来与顶级高校、医院及药企携手展开深度合作，推动生态共建，共享量子算力与数据资源，加速推进药物开发和临床验证的进程。