編輯丨%

有時，一個視覺上引人注目的隱喻，足以讓你傳達一個復雜的觀點。

2001 年夏天，杜蘭大學物理教授 John P. Perdew 提出了一個精彩絕倫的創意。他引用圣經中“雅各布的梯子”為這個想法命名：他希望傳達電子在材料中行為中固有的計算復雜性層級結構。

雅各布的階梯代表一個梯度，佩爾杜的梯子也代表著一個梯度，不是精神層面的，而是計算層面的梯子。在最底層，數學是最簡單且計算負擔最小的，材料被表現為一個被簡化、卡通化的原子領域。

隨著不斷攀升，運用越來越復雜的數學和計算能力，對原子現實的描述變得更加精確。在最頂層，自然通過極其密集的計算被完美描述——就像上帝可能看到的那樣。

基于這個隱喻，或可將雅各布階梯擴展到超越佩爾杜版本，涵蓋所有模擬電子行為的計算方法。這是 Microsoft 團隊設想的一種方式：它首先利用量子計算機生成關于電子行為的極其精確的數據——這些數據用經典計算成本高得令人望而卻步。這些量子生成的數據隨后將訓練運行在經典機器上的 AI 模型，這些模型能夠以驚人的速度預測材料的性質。

圖示：Microsoft 的梯子想法。

在他們的想法中，雅各布梯子的基礎仍然從經典模型開始，這些模型將原子視為通過彈簧連接的簡單球體——這些模型足夠快，能夠在長時間內處理數百萬個原子，但精度最低。

而隨著高度攀升，一些量子力學計算被添加到半經驗方法中。最終，團隊將得到單個電子的完整量子行為，但它們的相互作用將以平均化方式建模;這種更高的精度需要相當大的計算能力，這意味著你只能模擬不超過幾百個原子的分子。頂端將是計算量最高的方法——在經典計算機上成本極高，但在量子計算機上則可一試。

這種量子計算與人工智能的強大結合，有望在化學發現、材料設計和復雜反應機制的理解上帶來前所未有的突破。

化學和材料創新已經在我們的日常生活中扮演著至關重要——盡管常常隱形——的角色。這些發現塑造了現代世界：新藥幫助更有效治療疾病，改善健康并延長預期壽命；日常用品如牙膏、防曬霜和清潔用品；更清潔的燃料和更耐用的電池；改良化肥和農藥以促進全球糧食產量等。

在這些領域，量子增強的 AI 的潛力無疑是巨大的。這些模型可以掃描此前未知的催化劑，能夠固定大氣中的碳，從而減緩氣候變化。它們可能發現新的化學反應，將廢塑料轉化為有用的原材料，或者去除有毒的“永久化學物質”。

團隊相信這僅僅是個開始。量子增強型人工智能將開辟材料科學的新前沿，他們也給出了幾種重塑理解和控物質最根本層面能力的方法。

量子計算將如何革新化學

要理解量子計算和人工智能如何幫助打破雅各布階梯，有必要看看目前化學中使用的經典近似技術。在原子和分子中，電子之間以復雜的方式相互作用，稱為電子相關。這些相關性對于準確描述化學系統至關重要。

許多計算方法，如密度泛函理論 （DFT）或 Hartree-Fock 方法 ，通過用平均的相關性替代復雜的相關性來簡化這些相互作用，假設每個電子都在由所有其他電子創造的平均場內運動。這種近似方法在很多情況下是可行的，但無法提供系統的完整描述。

電子相關在電子相互作用強烈的系統中尤為重要——例如具有特殊電子性質的材料，如高溫超導體——或存在多種電子排列且能量相似的電子排列——例如含有某些金屬原子的化合物，這些金屬原子在催化中有著不可忽視的地位。

圖示：測試中的 Microsoft 與太平洋西北國家實驗室的聯合項目。

在這種情況下，DFT 或 Hartree-Fock 的簡化方法失效，需要更復雜的方法。隨著電子配置數量的增加，計算復雜度會迅速達到“指數墻”，超過此點經典方法將變得不可行。

就在這時，量子計算機登場了。與經典比特要么開要么關閉不同，量子比特可以存在于疊加態中。這應允許它們同時表示多種電子配置，反映電子相關的復雜量子行為。由于量子計算機的工作原理與它們將模擬的電子系統相同，它們能夠準確模擬即使是高度相關的系統。

人工智能在推動計算化學發展中的作用

目前，即使是計算成本較低的雅各布階梯底層方法也很慢，而階梯上方的方法更慢。人工智能模型已成為這類計算的強大加速器，因為它們可以作為模擬器，在不進行全部計算的情況下預測模擬結果。這些模型可以將解決問題的時間加快幾個數量級。

這種加速開啟了科學探索的新尺度。2023 年和 2024 年，Microsoft 與太平洋西北國家實驗室 （PNNL）的研究人員合作，利用先進的人工智能模型評估了超過 3200 萬種潛在電池材料，尋找更安全、更便宜且更環保的選擇。用傳統方法探索這一龐大的候選人群體大約需要 20 年時間。

圖示：AI 模型 CDVAE 為多價電池應用生成的結構。

然而，不到一周時間， 這個名單就縮減到了 50 萬種穩定材料，隨后又篩選出 800 種極具潛力的候選材料。在整個評估過程中，AI 模型取代了昂貴且耗時的量子化學計算，在某些情況下，提供了比原本快達五十萬倍的洞見。

隨后，他們利用高性能計算（HPC）通過DFT和AI加速分子動力學模擬驗證了最有前景的材料，PNNL 團隊花了大約九個月時間合成并測試其中一種候選產品，并共同測試了這個產物。

這次電池突破并非獨一無二。AI 模型還極大地加速了氣候科學、流體力學、天體物理學、蛋白質設計以及化學和生物發現的研究。通過取代可能耗時數天甚至數周的傳統模擬，AI 正在重塑跨學科科學研究的節奏和范圍。

但這些 AI 模型的優劣取決于其訓練數據的質量和多樣性。無論是高保真模擬還是精心策劃的實驗結果，這些數據都必須準確反映潛在的物理現象，以確保預測的可靠性。相比之下，高質量、多樣化的數據集——如那些全精度量子模擬——使模型能夠跨系統推廣，揭示新的科學見解。

如何加速化學發現

真正的突破將來自于戰略性地結合量子計算與人工智能的獨特優勢。AI 已經擅長學習模式和快速預測。量子計算機仍在不斷擴展以實現實用性，它們在捕捉經典計算機只能近似的電子相關性方面表現出色。所以如果你用量子生成的數據訓練經典模型，你就能兼得兩全其美：以 AI 的速度實現量子的準確性。

正如團隊從 Microsoft-PNNL 電解質合作中了解到的，僅靠 AI 模型就能極大加快化學發現。未來，量子精確的 AI 模型將應對更大的挑戰。考慮基本的發現過程，大可以把它看作一個漏斗。科學家從寬口頂部的大量候選分子或材料開始，利用濾器根據所需特性進行篩選。

量子精確的 AI 模型將顯著提升化學性質預測的精度。它們能夠幫助識別“首次成功”的候選分子，只將最有潛力的分子送往實驗室合成和測試——這將節省時間和成本。

圖示：PNNL 與 Microsoft 攜手加速清潔能源解決方案的科學發現（視頻片段）。

相關鏈接：https://youtu.be/X1aWMYukuUk

發現過程的另一個關鍵方面是理解控制新物質形成和行為的化學反應。可以把這些反應想象成一條蜿蜒在山地中的道路網絡，每條道路代表著從起始材料到最終產品的反應步驟。反應的結果取決于它沿每條路徑傳播的速度，而這又取決于沿途的能量障礙。

準確度對于設計催化劑也非常重要。在這里，量子精度的 AI 模型也能發揮變革作用，提供預測反應結果和設計更好催化劑所需的高精度數據。

一旦訓練完成，這些基于量子精確數據的AI模型將通過實現量子級精度，徹底革新計算化學。研究人員將能夠在筆記本電腦或臺式機上進行高精度仿真，而不必依賴龐大的超級計算機或未來的量子硬件。這些更容易獲得的工具將使發現更加民主化，賦能更廣泛的科學家群體，以應對健康、能源和可持續發展等最緊迫的挑戰。

AI 與量子計算面臨的挑戰

到這里，許多人或許會期待變革的時刻何時會到來。

量子計算機仍面臨錯誤率與可用量子比特壽命有限的問題，而且它們仍需擴展到有意義的化學模擬所需的規模。當前用于化學性質預測的人工智能模型可能不必完全重新設計。Microsoft 團隊預計，只需先從基于經典數據預訓練的模型開始，然后用量子計算機的一些結果進行微調即可。

盡管存在一些未解之謎，但 Microsoft 團隊在科學理解和技術突破方面的潛在回報，使他們的提案成為該領域引人注目的方向。量子計算行業已開始超越早期噪聲高的原型，十年內有望實現高精度低誤差率的量子計算機。

實現量子增強人工智能在化學發現中的全部潛力，需要化學家和材料科學家（理解目標問題）、量子計算專家（負責硬件構建）以及 AI 研究人員（負責算法開發）之間的集中協作。如果做得好，量子增強的 AI 有望比任何人預期提前數年，開始應對世界上最嚴峻的挑戰——從氣候變化到疾病。

https://spectrum.ieee.org/quantum-chemistry