量子数据可训练AI提升化学计算精度

有时候，一个生动的比喻就能让复杂的概念变得易懂。2001年夏天，杜兰大学物理学教授约翰·佩德鲁提出了一个绝妙的比喻。他想要描述材料中电子行为所固有的计算复杂性层次结构，称之为"雅各布天梯"。这个概念来源于《创世纪》，雅各布梦见一架梯子"立在地上，梯子的头顶着天，有神的使者在梯子上上去下来"。

雅各布天梯代表了一个梯度，佩德鲁的天梯也是如此，不过不是精神上的，而是计算上的。在最低层，数学是最简单且计算消耗最少的，材料被表示为原子领域的简化卡通版本。当你沿着梯子向上攀爬，使用越来越密集的数学和计算能力时，对原子现实的描述变得更加精确。在最顶端，自然通过不可能密集的计算被完美描述——就像上帝所能看到的一样。

基于这个比喻，我们提议将雅各布天梯扩展到佩德鲁版本之外，涵盖所有模拟电子行为的计算方法。与其一级级地攀爬到无法到达的顶峰，我们有一个想法：弯曲这个梯子，让即使是最顶层也在我们的掌握之内。具体来说，我们微软设想一种混合方法。首先使用量子计算机生成关于电子行为的极其精确的数据——这些数据用经典方法计算成本过于昂贵。然后用这些量子生成的数据训练运行在经典机器上的AI模型，这些模型可以以惊人的速度预测材料的性质。通过结合量子精度和AI驱动的速度，我们可以更快地攀登雅各布天梯，以极小的成本设计具有新特性的新材料。

理解量子数据如何训练AI

要理解量子计算和AI如何帮助弯曲雅各布天梯，了解目前化学中使用的经典近似技术是很有用的。在原子和分子中，电子以称为电子关联的复杂方式相互作用。这些关联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）或哈特里-福克方法，通过用平均相互作用替换复杂关联来简化这些相互作用，假设每个电子在所有其他电子创造的平均场中运动。

电子关联在电子强相互作用的系统中特别重要——如具有不寻常电子性质的材料，比如高温超导体——或当有许多类似能量的电子排列可能性时——如包含某些对催化过程至关重要的金属原子的化合物。在这些情况下，DFT或哈特里-福克的简化方法就会失效，需要更复杂的方法。

量子计算机的优势在于，与经典比特不同，量子比特可以存在于叠加态中——同时有效地共存于多个状态。这应该允许它们一次表示许多电子配置，镜像相关电子的复杂量子行为。因为量子计算机运行在与它们将模拟的电子系统相同的原理上，它们将能够准确模拟甚至强相关系统。

AI加速化学发现

目前，即使是雅各布天梯底部计算成本低的方法也很慢，而高层的方法更慢。大语言模型已经成为此类计算的强大加速器，因为它们可以作为预测仿真结果的模拟器，而无需运行完整计算。这些模型可以将解决天梯上下问题的时间加速数个数量级。

这种加速开启了全新的科学探索规模。2023年和2024年，我们与太平洋西北国家实验室的研究人员合作，使用先进的AI模型评估了超过3200万种潜在电池材料，寻找更安全、更便宜、更环保的选择。使用传统方法探索这个庞大的候选库大约需要20年。然而，在不到一周的时间内，这个列表被缩小到50万种稳定材料，然后进一步缩小到800种极有前景的候选材料。

然后我们使用高性能计算来验证最有前景的材料。太平洋西北国家实验室团队随后花了大约九个月的时间合成和测试其中一个候选材料——一种使用钠的固态电解质，钠便宜且丰富，比传统锂离子设计减少70%的锂。该团队随后构建了一个原型固态电池，在不同温度范围内进行了测试。

然而，这些AI模型只能与其训练数据的质量和多样性一样好。无论是来自高保真仿真还是精心策划的实验结果，这些数据必须准确表示潜在的物理现象以确保可靠的预测。这就是使用量子计算训练AI模型的承诺。

量子增强AI的真正突破

真正的突破将来自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。量子计算机将擅长捕获经典计算机只能近似的电子关联。因此，如果你在量子生成的数据上训练经典模型，你会获得两全其美：以AI的速度提供量子的精度。

量子精确的AI模型将显著提高化学性质预测的精度。它们将能够帮助识别"一次成功"的候选材料，仅将最有前景的分子送到实验室进行合成和测试——这将节省时间和成本。

发现过程的另一个关键方面是理解支配新物质如何形成和表现的化学反应。可以将这些反应想象为蜿蜒穿过山区景观的道路网络，每条道路代表一个可能的反应步骤。反应的结果取决于它沿着每条路径的行进速度，这反过来由沿途的能量障碍决定。

即使在估计这些障碍时出现小错误也可能导致对哪些产品会形成的错误预测。准确的反应速率建模对于设计催化剂也至关重要——催化剂是加速反应并将反应引导到期望方向的物质。

一旦训练完成，这些由量子精确数据驱动的AI模型将通过提供量子级精度来彻底改变计算化学。一旦在经典计算机上运行的AI模型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计算机上运行高精度仿真，而不是依赖大型超级计算机或未来的量子硬件。

实现时间表

量子计算机仍然面临错误率和可用量子比特有限生命周期的挑战。超越经典计算范围的有意义化学仿真将需要数百到数千个高质量量子比特，错误率约为10^-15，即千万亿次操作中有一个错误。实现这种可靠性水平将需要通过逻辑量子比特中量子信息的冗余编码来实现容错，每个逻辑量子比特由数百个物理量子比特组成，因此总共需要大约一百万个物理量子比特。

尽管存在一些开放性问题，但在科学理解和技术突破方面的潜在回报使我们的提议成为该领域的一个令人信服的方向。量子计算行业已经开始超越早期的噪声原型，具有低错误率的高保真量子计算机可能在十年内成为可能。

实现量子增强AI在化学发现中的全部潜力将需要化学家和材料科学家、量子计算专家以及AI研究人员之间的重点合作。如果做得对，量子增强AI可能会比任何人的预期提前数年开始解决世界上最严峻的挑战——从气候变化到疾病。

Q&A

Q1：量子增强AI在化学研究中有什么优势？

A：量子增强AI结合了量子计算的精度和AI的速度优势。量子计算机能够精确模拟电子相关性，而经典计算机只能近似处理。通过用量子生成的高精度数据训练AI模型，可以实现量子级别的精度预测，同时保持AI的快速计算能力，大大加速化学发现过程。

Q2：这项技术什么时候能够实际应用？

A：目前量子计算机还面临错误率高和量子比特生命周期有限的挑战。有意义的化学模拟需要数百到数千个高质量量子比特，错误率约为10^-15。实现这种可靠性需要约一百万个物理量子比特。预计具有低错误率的高保真量子计算机可能在十年内成为可能。

Q3：量子增强AI能解决哪些实际问题？

A：这项技术可以应用于多个关键领域：发现新的催化剂来固定大气中的碳以缓解气候变化；发现将废塑料转化为有用原材料的新化学反应；开发更安全、更紧凑的新型电池化学技术；加速个性化医学的药物发现；设计更好的催化剂用于工业化学生产等。