2026年3月20日——量子计算领域存在一个看似矛盾的现象：要制造更好的设备，该研究团队首先需要更深入地理解量子力学领域；然而，该团队缺乏运行模拟和模型所需的计算能力——这种计算能力正是量子计算机本身所要提供的。QuTech和ETH Zürich的最新研究指出了一条突破这种循环的路径：通过设计具有正确物理约束的神经网络，来准确推导量子态。

该团队攻克了粒子物理学中一个著名的测试案例——晶格规范理论。在这种方法中，空间被网格所取代。“场”被存储在相邻网格点之间的连接上，该理论内置了一种自由度，可以在每个网格点上局部重新标记描述，而不改变任何可测量的内容。这种自由度对物理学至关重要，但也使得计算变得棘手：算法可能会浪费精力去尝试建模那些在物理上并不真实的差异。

“计算机考虑的很多内容只是描述同一情况的不同方式，”Thomas Spriggs（QuTech）表示。“因此该团队设计的神经网络能自动忽略非物理变化，并将其学习能力用于那些真正决定能量的特征。”目标是找到基态，即模型中能量最低的量子态。该方法采用了一个反馈循环：神经网络表示候选量子态，采样多个场配置，然后训练网络为那些降低能量的配置分配更高权重。“物理定律为该团队提供了评分标准，”Spriggs解释道。“网络提出每种配置的可能性，该团队计算隐含的能量，并训练网络直到它可靠地偏好更低能量状态。”关键点在于该方法避免了什么。研究人员保持场描述的完全连续性，而不是将其简化为较小的近似集合，并且他们将对称约束直接构建到架构中，因此在整个训练过程中都能精确保持。他们还采用哈密顿公式，其中时间可以保持真实和连续，并强调该方法既避免了规范场的离散化，也避免了符号问题。

在模型的二维和三维版本中，学习到的状态达到了比纯基于对称性的基线更低的能量，并在可获得的情况下再现了既定的理论预期。QuTech首席研究员、代尔夫特理工大学量子纳米科学组副教授Eliška Greplová强调了这项工作的重要性：“如果量子处理器要在经典方法难以应对的领域模拟自然，该团队需要可信的参考计算和明确的验证目标，”他们表示。“这项工作巩固了基础，并展示了机器学习如何帮助该团队探索未来量子计算机最终旨在重现的物理现象。”