2026年9月14日——加州大学洛杉矶分校（UCLA） 的 Howard Reiss 讲席教授 Prineha Narang 正带领一支研究团队，开发用于控制复杂量子系统的新型人工智能方法。

这项研究与加州理工学院和 NVIDIA 合作开展，利用一种 AI 模型为分子设计激光脉冲序列，速度比传统模拟快至多1000万倍。

UCLA 研究人员借助 AI for Science 加速复杂量子系统的控制

与加州理工学院和 NVIDIA 的合作利用 AI 模型为分子设计激光脉冲序列，速度比传统模拟快至多1000万倍

UCLA 的研究人员与加州理工学院和 NVIDIA 的科学家合作，开发出一种基于人工智能的方法，可大幅加速量子科学中的一项核心难题：如何精确控制一个复杂量子系统。

在 UCLA 教授 Prineha Narang 的带领下，团队训练了一个 AI 模型来学习一种真实分子的量子动力学。随后，该模型可用于设计激光脉冲序列，将分子引导至所需的量子态。

该方法的预测速度比用于训练模型的、已由 GPU 加速的数值模拟快至多1000万倍。在加拿大多伦多举行的 IEEE Quantum Week 上，NVIDIA 将这项工作作为其发布用于开发容错量子计算应用的新技术的一部分进行了重点介绍。

在分子能够被用于精密光谱学或量子信息处理等应用之前，研究人员需要将它们置于特定的、明确定义的量子态。要做到这一点，就必须对系统进行精细控制，通常是通过一系列激光脉冲来实现。

对于相对简单的量子系统，研究人员可以模拟不同脉冲的效果，并确定哪种序列最有效。但随着系统变得越来越复杂，问题也变得更加棘手。每个可能的脉冲都必须通过模拟其对系统量子动力学的影响来评估，而计算成本可能呈指数级增长。

“借助 NVIDIA 加速计算和 CUDA-Q 平台，我们获得了相应的算力，能够在原本极为困难的尺度上研究物理问题，”Narang 表示。“将这一能力与来自 UCLA 和加州理工学院的想法结合起来，使我们能够就复杂量子系统如何被控制提出更具雄心的课题。”

“AI 与加速计算正在改变我们对量子技术如何运作以及如何改进它们的理解，”NVIDIA 量子产品总监 Sam Stanwyck 表示，“与 UCLA 和加州理工学院的这项合作表明，在能够使用 AI 基础设施最新进展的情况下，研究人员可以突破量子技术目前的能力边界。”

研究人员使用水合氢离子测试了他们的方法。水合氢离子是一种由三个氢原子和一个氧原子组成的分子离子。水合氢离子对物理学家来说特别有趣，因为它的一些量子跃迁对基本常数可能的变化很敏感，这使该分子有望成为寻找标准模型之外新物理的工具。

但水合氢离子也很难控制。即使冷却到20开尔文——约零下424华氏度——被囚禁的水合氢离子仍可占据数百个转动和超精细能级。研究人员必须找到一组激光脉冲序列，将这一分布汇聚到单一目标态。

团队没有在寻找正确序列的过程中反复运行完整的量子模拟，而是使用通过 NVIDIA CUDA-Q Dynamics 生成的 GPU 加速模拟数据，训练了一种名为傅里叶神经算子（FNO）的 AI 模型。

与学习语言中统计关系的大语言模型（LLM）不同，FNO 是直接基于量子系统的物理行为进行训练的。给定分子的当前状态和激光脉冲的特性，它会学习预测分子的布居数将如何演化。

训练完成后，FNO 实质上成为了完整模拟器的一个快得多的替代品。在研究人员构建的水合氢离子888维模型中，它在重现参考量子动力学的同时，预测速度比用于生成其训练数据的 GPU 加速模拟快至多1000万倍。

利用该方法，研究人员生成的序列实现了0.98的目标态布居数，成功率最高达86.2%。与在同一控制空间中运行的强化学习方法相比，新方法将成功率提高约一倍，所用激光脉冲数量约为前者的一半，并将生成一个序列所需的时间从约10小时缩短至10到20分钟。

这项工作还展示了人工智能在科学中的另一种角色。研究人员不是让 AI 系统根据科学文献或其他文本对物理进行推理，而是可以直接基于物理系统的数学行为来训练模型。

“虽然 LLM 已经展示了 AI 在学习语言结构时能有多强大，但在 AI for Science 中，我们需要一种不同的方法，”Narang 表示。“对于这类问题，我们需要的是能够学习底层物理本身结构的模型。一旦模型做到这一点，它就不只是预测量子系统会如何行为的工具，也是设计我们希望它如何行为的工具。”

研究人员表示，这一总体策略可应用于水合氢离子之外的体系。其他分子离子和量子技术也面临类似问题：其状态空间变得过大，传统优化方法难以应对。快速、融入物理信息的代理模型可以让研究人员搜索这些空间，并设计出此前在计算上不切实际的控制方案。

这项研究由 UCLA 的 NarangLab、NVIDIA 与加州理工学院合作完成，依托 NVIDIA CUDA-Q 平台。论文作者为 Anastasia Pipi、Valentin Duruisseaux、Emily Been、Xuecheng Tao、Taylor L. Patti、Anima Anandkumar 和 Prineha Narang。这项工作得到了戈登与贝蒂·摩尔基金会和美国能源部的慷慨支持。团队很荣幸成为美国能源部 Genesis Mission 的一员。该研究论文《Inverse Design of Quantum Control Sequences with Fourier Neural Operators》可在 arXiv 上获取。