想象一下，你正在试图解开一个终极谜题：原子是如何粘合在一起，从而形成了从水到你血液中的铁这一切的。科学家们称之为“量子化学”。问题在于，其背后的数学极其复杂，甚至连世界上最强大的超级计算机也会陷入困境。这就像是在试图从一片沙滩中寻找一颗特定的沙粒，而每当你注视它时，这片沙滩就会不断扩大。几十年来，科学家们一直试图建造“量子计算机”来解决这个问题，希望它们能自然地处理原子的复杂性。最近，一种被称为“基于样本的量子对角化”（Sample-Based Quantum Diagonalization, SQD）的新方法成为了尝试解决这一问题的热门方式。这种方法不再要求量子计算机一次性完成整个复杂的数学问题，而是让量子计算机扮演一个“幸运抽奖机”的角色：它吐出许多可能的原子排列组合（称为“构型”），然后由一台经典计算机（比如普通的笔记本电脑或超级计算机）挑选出最好的那些，并进行最终的数学计算。人们曾希望量子机器在寻找这些“幸运”排列组合方面能比任何经典计算机都更出色。

但这里有一个大问题：量子机器是真的更强，还是仅仅在用一种花哨的方式做经典计算机已经在做的事情？这是一个关于一篇新论文的故事，该论文深入探讨了这个问题，并审视了在过去两年中爆发式增长的新领域。这篇论文就像一名裁判，通过检查得分、规则和选手，来观察量子队是否真的在赢得比赛，还是经典队只是在随声附和。

---

量子幸运抽奖与机器学习的修正

论文首先解释了这种“量子幸运抽奖”是如何运作的。想象你正在寻找一场大型国际象棋比赛中的最佳走法。量子计算机是一个快速但带有噪声的机器，它会随机建议走法。由于存在噪声，它经常会建议一些非法的走法（比如让兵向后移动）。随后，一个特殊的“恢复”步骤会将这些非法走法修复，使其变成有效的走法。一旦你拥有了一份有效的走法清单，经典计算机就会检查它们，看看哪些走法能带来最好的游戏状态。

问题在于，“最佳”走法是非常罕见的。这就像是一个赠品收集者（coupon collector）问题：如果你试图收集 100 张独特的赠品券，前几张很容易找到，但最后几张可能需要你尝试一百万次才能偶然撞见。在量子世界中，寻找那些稀有且重要的原子排列组合正是这种类型的艰苦搜索。正因为如此，科学家开始使用机器学习（AI）来提供帮助。他们构建了 AI 模型来预测哪些赠品（或原子排列）是稀有且重要的，希望 AI 能比随机的量子机器更快地找到它们。

该论文回顾了这一系列全新的 AI 方法。有些类似于受限玻尔兹曼机（Restricted Boltzmann Machines，可以理解为学习最佳走法形状的智能过滤器），有些是 Transformer（与驱动聊天机器人的同类 AI，但被训练用于预测原子排列），还有一些是生成流网络（Generative Flow Networks，一种旨在探索多种不同可能性而不陷入单一路径的新型 AI）。作者将这些方法像图书馆一样进行了分类，根据它们生成的内容以及如何决定重要性来进行整理。

大揭秘：量子机器尚未取胜

这就是结论，而且对“量子炒作热潮”来说有点令人沮丧：研究发现，到目前为止，量子采样器还无法击败最优秀的经典计算机。

作者分析了数据并发现，当我们将量子方法与最强大的经典方法（如“热浴 CI”或“DMRG”）进行比较时，经典方法在寻找正确的原子排列方面同样出色，甚至更胜一筹。事实上，他们发现这个过程中的“量子”部分实际上可以用普通笔记本电脑在多项式时间内模拟出来（这意味着它并不像我们想象的那样具有某种神奇的难度）。

用一个比喻来说：想象量子计算机是一个嘈杂且昂贵的彩票抽取机，负责挑选数字。论文发现，一个聪明的数学家（经典算法）可以同样好甚至更好地预测中奖号码，而根本不需要用到那个彩票抽取机。量子机器的“魔力”主要是一种错觉，这是因为在“恢复”步骤中，重头戏实际上是由经典计算机承担的。

论文明确排除了当前量子电路正在进行某种经典计算机无法实现的任务的可能性。他们证明了对于目前使用的特定电路（称为“单层 LUCJ”），经典计算机可以在不到一分钟的时间内用笔记本电脑复现结果。这意味着“量子优势”（即量子严格优于经典）在这些化学问题上尚未得到证实。

AI 可能仍能发挥作用的地方

这是否意味着整个项目失败了？并不完全是。论文指出，量子机器并非毫无用处；它只是还没有成为我们所期望的那个“灵丹妙药”。作者指出了真正的机遇所在：

1. 噪声是新朋友： 论文发现，量子机器在处理“噪声”（误差）方面表现得相当出色。当机器噪声很大时，它会丢弃大量数据。然而，可以构建一种特殊的 AI 生成器，使其仅产生有效数据，从而完全忽略噪声。这使得它在高度噪声的环境中具有优势，但论文指出，这是一种通用的优势，任何聪明的经典生成器也可以拥有，而非量子特有的超能力。
2. “多参考态”之谜： 有迹象表明，当原子处于一种非常奇特的、“拉伸”状态（就像即将断裂的橡皮筋）时，量子机器可能会有所帮助。在这些状态下，常规的化学规则会失效。论文建议，如果经典的“经验法则”无法预测正确的走法，那么聪明的 AI 或量子机器可能会介入。然而，他们对此进行了测试，发现这种优势并不针对“拉伸”状态，而仅仅是关于处理噪声。因此，这仍然是一个悬而未决的问题。
3. 缺失的一环（GFlowNets）： 作者指出研究中存在一个巨大的空白。有一种特定的 AI 叫做生成流网络（GFlowNet），它非常适合解决这种“赠品收集者”问题，因为它旨在寻找稀有项而不陷入停滞。令人惊讶的是，目前还没有人将这种特定的 AI 应用于量子化学。论文认为，这是下一步最值得探索的领域。

结论：对更好规则的呼吁

论文以强烈的行动呼吁结束。它指出，该领域过于急于在没有正确检查计分板的情况下宣布“胜利”。他们提出了一套新的规则，用于指导未来的方法测试。这些规则包括：

• 使用真相： 将结果与精确的已知答案进行比较（在可能的情况下），而不仅仅是与其他近似值进行比较。
• 对成本保持诚实： 计算量子机器和经典计算机所消耗的时间和能量。
• 测试经典方法： 始终与最强大的经典方法进行对比，而不是弱小的算法。

作者认为，除非遵循这些规则，否则我们无法真正判断量子计算机是否提供了帮助。他们暗示，真正的“量子优势”可能不在于直接解决化学问题，而是在于另一个任务——“从实验中学习”，在那里物理定律保证了量子优势的存在，即便我们目前还不知道如何将其应用于化学。

简而言之，这篇论文是一次清醒的现实检查。它告诉我们，就目前的化学研究而言，量子计算机并不是我们想象中的英雄，但它也为我们指明了下一步该往哪里看。这不是死胡同，而是一个路标，上面写着：“不要走这条路，试着走那边。”理解量子世界的旅程仍在继续，但现在我们有了一张更好的地图。