在科技界，量子计算机一直是备受瞩目的明星，吸引了数十亿美元的巨额投资，人们期待它能在金融、药物研发和物流等领域带来革命性变革。然而，近年来，人工智能（AI）的崛起开始挑战这一预期，特别是在物理、化学和材料科学领域。
瑞士联邦理工学院（EPFL）的计算物理学教授Giuseppe Carleo指出，AI在模拟量子系统方面的能力正迅速提升。他和团队在Science上发表的论文揭示，基于神经网络的方法已成为模拟强量子属性材料的领先技术。meta公司也发布了一个基于大规模材料数据集训练的AI模型，该模型在材料发现的机器学习排行榜上独占鳌头。
量子计算机的优势在于其理论上能更快完成某些计算，但要实现这一潜力，需要构建远超现有规模的量子处理器。目前最先进的设备仅突破1000量子比特，而达到对经典计算机的压倒性优势，可能需要数万甚至数百万量子比特。量子硬件的运行速度比现代计算机芯片慢几个数量级，且将大量经典数据输入和输出量子计算机的难度巨大。
相比之下，AI在模拟量子系统方面展现出了强大的竞争力。特别是在化学和材料科学中，AI通过学习和预测数据中的模式，能够以较低的成本模拟大型系统，且精度不断提高。卢森堡大学物理学教授Alexandre Tkatchenko表示，AI几乎可以解决大多数化学问题。
然而，AI并非万能。在模拟强关联量子系统时，即粒子之间相互作用较强的系统，传统方法如密度泛函理论（DFT）很快失效。这类系统虽然复杂，但包含了许多具有变革潜力的材料，如高温超导体。不过，即使在这一领域，AI也取得了显著进展。Carleo与微软的Matthias Troyer在2017年发表的开创性论文表明，神经网络可用于模拟强关联量子系统。
这种神经网络方法通过不断尝试和测量系统的能量水平，找到最低能量配置，即基态。Carleo表示，神经网络能够捕捉波函数的复杂性，这是经典计算机难以处理的。自那篇论文以来，这种方法已扩展到更广泛的强关联系统，并树立了新的技术标准。
尽管AI在模拟量子系统方面取得了显著进展，但并非所有问题都能迎刃而解。渥太华大学物理学助理教授Stefanie Czischek指出，神经网络的局限性尚不完全清楚，有些看似简单的系统可能计算成本高昂。同时，其他经典量子模拟技术也在不断进步，相辅相成。
科技行业的一些大公司也在密切关注这一趋势。IBM量子计算项目负责人Jay Gambetta认为，神经网络可能会扩展解决问题的范围，但不足以解决企业最关心的最难问题。他预测，未来的计算将采用混合模式，结合量子和经典子程序来解决问题。
（强关联系统示意图）
