45年后，费曼预言被AI提前截胡了

1981年，理查德·费曼在麻省理工学院提出了一个判断：模拟量子系统，合理的出路是造一台符合量子力学规律的机器。此后，这句话被无数次引用，也被量子计算行业当作权威背书。

45年后，加州理工学院团队给出了一个没人预料到的答案。

他们不造量子计算机，他们是用一块NVIDIA B300显卡、一个训练于8504个结构的神经算子模型，完成了一个含82500个价电子的金属位错结构的量子化学计算。这一规模的同类任务，2019年要用Summit超算上约7800块V100 GPU。计算缩放指数从3.37压缩到1.03，从立方级直接降到了准线性级。

费曼当年说的是量子系统要用量子机器来模拟。他没说，经典机器上的计算瓶颈先解决一步不行。

目标一致

理查德·费曼的判断原意大概是“大自然不是经典的，如果你想模拟自然，你最好把它做成量子力学的。”

他的意思就是量子系统的希尔伯特空间随粒子数指数增长，经典计算机模拟量子系统的计算量会失控，最为合理的出路是造一台符合量子力学规律的机器，用量子比特去模拟量子比特。

这个思想定义了量子计算最自然、也最被寄予厚望的应用方向量子模拟，特别是分子、材料的电子结构计算。学术界常常把量子化学视为量子计算从展示优越性走向实用价值的重要应用之一，也是量子优越性极具说服力的落脚点。

2026年3月，IBM与橡树岭国家实验室、普渡大学等机构使用一台50量子比特的超导量子处理器模拟了真实磁性材料KCuF₃能量-动量谱，与中子散射实验结果高度一致。这是量子模拟在真实、强关联材料体系上首次得到可验证、可复现的科学结果。

但量子计算啃这块骨头的进度，远没有口号那么快。

不过在经典计算这一侧，Kohn-Sham密度泛函理论（DFT）是当代电子结构计算的基础。药物筛选、催化剂设计、电池材料研发，都依赖这套框架。

1965年Walter Kohn和Lu Jeu Sham提出这个方法的时候，它被看作密度泛函理论的实际落地版本。但是代价是，每一个自洽场迭代都要求解Kohn-Sham方程的对角化问题，计算量随电子数呈三次方增长。100个电子的量子行为，用暴力方法计算一次，所需时间超过宇宙年龄。

60年来，物理学家尝试了各种路线。密度矩阵截断、Fermi算子展开、随机迹估计等方法在特定条件下能实现线性缩放，但在分子、金属、绝缘体、化学异质体系中没有一个通用框架能同时保持Kohn-Sham精度。

2018年，美国国家能源研究科学计算中心近30%的工作负载来自DFT计算。这个数字说明什么？这不是一个“可以等一等”的问题，这是一个每天都在消耗大量计算资源的现实痛点。

正是由于量子计算承诺能直接处理电子关联，从根本上绕过Kohn-Sham轨道求解，所以被认为是DFT的终极解法。但容错量子计算机尚未到来，目前含噪中等规模量子器件的应用范围仍然有限。

在这样一个窗口期，加州理工的工作提供了一个不同方向的答案，不用等量子硬件成熟，而是在经典计算框架内用AI替换最烧钱的运算环节。

技术互补

在加州理工团队这项工作之前，AI在量子化学领域尝试过两种思路，都存在根本性问题。

第一个尝试是“直接预测”。训练一个模型让它直接从原子结构“一步到位”预测出最终的基态电子密度或能量。这样做的模型，在训练数据分布内可行，但是外推能力很差。

论文里的对照实验显示，从小分子外推到药物级大分子时，直接预测模型的密度误差从不到1%上升到大约10%。在包含45个重原子的分子上，直接预测模型的误差最高达到41%。

第二种尝试是“逆向映射”。沿用传统无轨道DFT的思路，让AI学习从密度到势能的映射。这条路在数学上天生不稳定，因为求解逆问题会放大误差。论文的对照实验中，采用这种方法的计算全部在几步迭代后发散。

Kohn-Sham FNO的思路完全不同。

DFT的计算本身是一个迭代的过程。每轮给定一个当前势能，算出电子密度，再用这个密度更新势能，再计算，再迭代，直到结果稳定。传统方法卡在“算出电子密度”这里，而加州理工团队的解决方案是，用傅里叶神经算子（FNO）替换这一步求解。

他们让模型学习“给定势能，输出对应电子密度”这个正向映射。这个映射的数学性质远优于逆向映射。关键的不同在于，模型只替换了那步求解，整个物理迭代的框架被完整保留下来。所有预测偏差都会在后续的物理迭代中被修正。

而量子计算在这一领域的研究，也为AI模型提供了训练数据。2026年3月，IonQ和Microsoft的研究人员提出了一项建议：量子计算机可以用来生成关于分子中电子行为的高度精确数据，然后用这些数据训练AI模型。

这个思路的核心是，量子计算机不用亲自运行每一次化学模拟，而是生成少量极其精确的电子行为数据——这些数据用经典方法计算成本非常昂贵——然后用这些数据训练机器学习模型，让AI在经典计算机上做出快速预测。

同时，在2025年底至2026年初的研究就已经开始探索量子神经网络（QNN）在交换关联泛函表示中的应用。

Pasqal和Schrödinger公司的研究人员发现，基于可微量子电路的QNN模型可以用于表示DFT中的交换关联泛函，在小分子体系上其能量预测偏差小于1 mHa。这进一步验证了量子。

舆论祛魅

可能有人会想问，单卡能跑8万个电子，那么，AI for Science究竟是量子计算的竞争者，还是协同者？

在量子化学模拟这一具体任务上，DFT加速方法（不管是传统OF-DFT还是机器学习驱动的KS-FNO）和量子计算方法（比如变分量子本征求解器VQE、量子相位估计QPE）都是对同类问题的不同计算路径。

从这个角度看，它们确实存在工程意义上的竞争关系，对同一个分子的基态能量，研究者需要权衡使用量子算法还是经典AI方法。

但这种竞争是高度阶段性的。

目前的量子硬件本身具有量子比特数量有限、相干时间较短、门操作错误率高的限制，在实用规模的量子化学计算上仍面临着噪声壁垒。比如变分量子本征求解器，在真实化学精度下稳定计算含超过数十个电子的体系，目前仍是量子硬件领域尚未解决的工程挑战。

这表明，在容错量子计算机到来之前，经典计算框架内的AI加速方法将在实用规模的量子化学计算中填补空白。

在更深的技术层次上，AI与量子计算之间的关系更接近互补而非竞争。量子计算机在处理量子多体问题时有原理上的优势，但如何设计高效的量子算法、如何优化量子电路结构、如何在有限相干时间内最大化计算深度等工程问题，也正是机器学习可以发挥作用的领域。

近年来将机器学习用于量子纠错码优化、量子控制脉冲设计、量子电路压缩的研究不断涌现，DeepMind、IBM Quantum、Google Quantum AI等均有相关的工作发表。量子计算的硬件噪声问题，部分正是依赖AI驱动的校准和纠错算法在工程层面得以缓解的。

显然，AI与量子计算并不构成零和博弈，更多还是相辅相成的。

[1]https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html

[2]https://arxiv.org/abs/2608.23895