近日，电子科技大学基础与前沿研究院汤迎教授团队，联合中国科学院理论物理研究所张潘研究员，在 PRX Intelligence 发表了题为 “Quantum Flow Matching” 的研究论文。论文提出了一种全新的量子生成模型——Quantum Flow Matching（QFM），首次将经典机器学习中的 Flow Matching 思想推广到量子领域，实现了密度矩阵之间的高效连续演化，为量子态制备、量子动力学模拟和量子统计计算提供了统一的新框架。

针对密度矩阵制备以及演化这一挑战，论文首次提出了Quantum Flow Matching（QFM）框架，将经典生成模型中的 Flow Matching 理论推广至量子计算领域。该方法利用参数化量子线路学习密度矩阵之间的连续传播过程，通过统一的量子线路即可实现不同量子态之间的高效映射，无需针对不同目标反复设计量子线路，大幅降低了量子态制备的开销（图1）。

QFM能够灵活适用于任意初始态和目标态之间的连续演化，并支持数据驱动学习和解析构造两种实现方式。论文进一步将QFM应用于多个典型量子物理问题，包括具有指定磁化强度和纠缠熵的量子态生成、量子Jarzynski等式中的非平衡自由能估计，以及量子超扩散动力学模拟等，均取得了优异效果，展现了该方法在量子生成建模和量子统计计算中的广阔应用前景。

该研究首次建立了连接经典 Flow Matching 与量子生成模型的统一框架，为生成式人工智能与量子计算的交叉融合提供了新的研究方向，也为未来量子机器学习和量子科学计算的发展提供了新的技术路线。