2026年6月荐文：量子计算与语言模型之间的那道墙

以前, AI处理量子计算的所有办法, 都好似是让一位厨师仅仅依据菜名去烹制菜肴。就是你为语言模型给定一个‘CNOT门’的标签, 它仅仅能够凭借记忆里的文字叙述来进行揣测。这样的间接推理致使系统极难切实领悟量子操作的数学实质，错误率非常高。在2026年的时候, 研究团队发觉, 这种运用文字标签的办法, 在超过3个门的电路上几乎完全瓦解, 原因是局部最优解根本就不等于全局最优解。

研究团队研发出了一套全新的方案, 他们将量子操作里的泡利转移矩阵直接编码成类似图像的那种表示, 使得语言模型能够“看到”量子算符自身而非它的名称，这个灵感源自视觉语言模型LLaVA, 只是服务的对象从图片转变为了量子算符。该系统以IBM 4.0 Micro 30亿参数模型作为骨干, 在每一步进行合成的时候都会实时计算残差PTM并且重新编码, 并不需要依靠记忆来维持合成状态。

同传统的模拟退火以及强化学习方法不一样, 这套系统压根不需要繁杂的奖励设计, 也不需要超参数调整。研究团队随机去采样有1到15个门长度的电路, 正向计算PTM之后, 将每个分解步骤当作独立的“看残差PTM预测下一个门”任务, 直接凭借标准的下一个令牌预测损失来进行优化。结果在4量子比特+T电路合成任务当中, 系统成功超过了此前所有已知的方法, 涵盖那些需要大量进行调参的强化学习方案。

语言模型存在着一种天然具备的优势, 那就是它能够借助多次进行采样的方式, 以此来提高成功率。研究团队于同一个目标电路之上运行N次独立的合成操作, 第一次的时候运用贪心解码去挑选概率是最高的门, 后续的N - 1次则运用温度为0.7的随机采样方式, 从而引入探索性。最终, 从N次的结果当中挑选出保真度是最高的那一个。这样的Best - of - N策略表明, 系统所学到的并非仅仅是固定的策略, 而是一种覆盖了多种路径的概率分布, 即便贪心路径遭遇失败, 随机采样也能够挖掘出正确的路径。

做出大胆扩展的是研究团队，其扩展方向为名曰的门长度维度: 先是使用数量为920万条、门数范围是1到15门的电路去训练模型, 接着又运用数量为460万条、门数范围是1到30门的电路持续开展训练。更为令人惊叹不已的是, 当训练所涵盖的门数达到1到150门电路时（此过程仅仅使用了100万条样本）, 系统针对于随机量子操作的近似合成保真度, 从近乎于零的状态开始呈现单调增长态势, 一直增长到大约为0.19。尽管距离0.999这个精确标准仍存在差距, 然而却表明了系统确实能够朝着目标方向不断推进, 而在此之前那种门数超过3门电路就会崩溃的基线方法, 完完全全没办法做到这一点。

系统于训练之际运用随机约束配置, 然而在测试之时却遭遇5种先前从未显现的全新约束组合, 则结果表明那拥有预训练权重并且给出约束提示的版本展现最优表现, 模型能够于合成进程里依据残差PTM的状态去调整策略, 呈现出先往后进的自我纠错能力, 而一旦去除约束提示, 性能随即下降, 这表明模型切实理解了约束的语义并非仅仅记住模式, 这种把自然语言与量子表示贯通的设计, 使得AI于4量子比特领域达成了历史性突破。

你认为当人工智能能够直接实施推理量子操作之后, 它会不会在十年的时间范围之内协助人类发觉全新的量子算法, 而并非仅仅是合成已知的电路呢? 欢迎于评论区域分享你个人的看法, 点赞并且收藏这篇文章, 进而让更多关注量子计算的友人看到这一突破。