2026年2月12日——量子计算机有望实现计算能力的巨大飞跃，但这仍存疑问。当前认知局限的原因之一在于，人类尚未制造出具有足够量子比特（相当于传统计算机中的比特）的量子计算机来解决现实问题。匹兹堡超级计算中心（PSC）与巴西坎皮纳斯大学（UNICAMP）的研究团队通过一系列超级计算机模拟，成功降低了从量子点获取信息的不确定性，证明包含多达30个电子的系统具备可行性。该研究还揭示了若干对凝聚态物理和材料科学研究至关重要的现象。

研究意义

当今先进计算领域最重大的疑问是：我们何时能拥有真正的量子计算机？这种计算机运用量子力学复杂的“灰度”规则进行运算，而非传统计算机简单的“开/关”切换。它将实现哪些传统电子计算机无法完成的任务？然而构建实用化量子计算机的障碍在于规模化——现代计算机芯片可存储数千亿甚至数万亿个“1/0”比特信息，而当前量子计算机仅基于数十个量子比特运行。专家估算，实现真正的量子计算机需要约百万量级的量子比特，这在现阶段仍是巨大挑战。

量子比特的特殊性质构成了核心难题。传统计算机通过高度可控的晶体管与电流存储“1”或“0”，而量子比特的革命性在于能通过叠加态和量子纠缠处理信息：它们可以处于1与0之间的任何状态，提供传统计算机无法企及的信息存储复杂性与资源。但正是这种基于单个或少量粒子的特性，使得量子比特必须遵循量子力学的奇异规则——量子粒子间及其与环境间的相互作用，导致信息稳定存储与精确读取变得极度复杂。

量子点的构建方案为解决这一难题提供了可能。量子点由禁锢在微小空间内的少量电子构成，其纳米级尺寸足以展现量子行为。更重要的是，量子点可在半导体芯片上制备（与传统计算机工艺兼容），这使得其制造、系统集成及规模化应用具备相对优势。

科学家们曾发现，通过蒙特卡洛方法可初步估算量子点中粒子的波函数（即读取其介于0与1之间的状态）。这种方法如同赌徒连续多次轮盘投注，通过系统状态的重复采样获得概率性答案，不同模拟间的差异则反映了结果的置信度。由于量子行为本质上是微观系统在最小尺度与能量下的“模糊性”，理论上量子比特在最低能态（基态）时应呈现最纯粹的量子特性，计算结果也最精确。但传统蒙特卡洛方法受限于初始波函数结构的人工预设假设，往往在基态计算时遭遇瓶颈。

PSC科学副总监Bruno Abreu与UNICAMP的同事们尝试用人工智能方法突破这一局限。

技术突破

研究团队将神经网络AI与蒙特卡洛模拟相结合，使AI在无人为干预的情况下通过自主迭代学习突破传统方法的限制。在美国国家超级计算应用中心的Delta超级计算机上，该团队通过数十万次优化步骤训练神经网络，逐步降低系统能量（初期大幅下降后趋于平稳），当波函数不再优化时即获得最终解。这种新型方法实现的能级低于现有非AI蒙特卡洛技术的极限水平，表明其对系统波函数的描述更为精确。相关成果已发表于2025年10月的《物理评论B》期刊。

这项研究不仅为理解与精确描述可用量子点（作为规模化量子比特构建平台）开辟了新途径，其应用范围还涵盖核物质量子行为、超冷气体及新材料研发涉及的凝聚态系统等多个重要领域。未来，该团队计划研究如何扩展这种神经网络蒙特卡洛方法以控制更多粒子，并提升其预测量子行为的能力——包括探索在量子计算机上运行作为神经网络组件的量子电路的可行性。