近日，上海交通大学计算机学院John Hopcroft计算机科学中心吴亚东长聘教轨副教授联合南洋理工大学杜宇轩助理教授，以及来自香港大学、加州大学圣迭戈分校、新加坡国立大学、柏林自由大学和卡尔加里大学等多所高校与科研机构的学者，在国际权威综述期刊《Nature Reviews Physics》(2025年影响因子46.6，五年影响因子60.4)在线发表题为“Artificial intelligence for representing and characterizing quantum systems”的技术综述。文章围绕量子性质预测与量子系统重构两大核心任务，系统梳理机器学习、深度学习和语言模型三类人工智能范式如何帮助研究者从有限数据中表征和刻画可扩展量子系统，并讨论其在量子认证、硬件表征、算法增强和科学发现中的应用与未来方向。吴亚东为通讯作者，杜宇轩为第一作者。

图1：论文于2026年7月29日在 Nature Reviews Physics 在线发表。

随着量子模拟器和下一代量子计算机不断迈向更大规模，如何从有限的实验或数值数据中准确理解量子态、量子过程及其物理性质，已成为量子科技发展的关键问题。其根本困难在于，希尔伯特空间的维数会随系统规模指数增长，完整描述一个多体量子系统通常需要指数级参数，传统的全面量子层析和逐系统分析因而难以扩展。人工智能擅长从高维数据中识别共享结构、提取复杂模式并逼近未知函数，为突破这一瓶颈提供了新的技术路径。

三类人工智能范式构成互补的技术体系

综述将现有方法归纳为机器学习、深度学习和语言模型三类相互协同的范式。三者并非简单的替代关系，而是在理论可证明性、表示能力、数据规模与泛化方式等方面各具优势，共同构成面向量子系统学习的方法谱系。

在机器学习方面，核方法、回归模型和树模型等可利用物理先验构造特征，在部分问题中给出严格的样本复杂度和计算复杂度保证。已有理论表明，对于具有适当结构的量子多体系统和有界门量子电路，经典学习模型能够以多项式资源预测一系列线性性质，并完成量子相分类。

在深度学习方面，全连接网络、卷积神经网络、图神经网络和循环神经网络等能够自动学习层次化表示，适合处理高维测量数据、量子电路图结构和多模态信息。生成式模型还可通过学习测量概率分布或隐式表示，对量子态和量子过程进行近似重构，并为保真度、纠缠、纯度等多种性质预测提供统一表征。

在语言模型方面，基于Transformer和生成式预训练的模型可将量子态的测量序列转化为自回归建模问题。通过预训练与微调，同一模型有望学习一大类量子系统的共享规律，并进一步发展为面向量子科学的基础模型，为跨系统迁移、少样本适配和自动化科研提供新的可能。

从量子性质预测到量子系统重构

围绕量子系统的表征与刻画，文章重点讨论两类核心任务。第一类是量子性质预测：线性性质包括局域关联、磁化强度、序参量和直接保真度估计等；非线性性质则包括纠缠熵、稳定子熵、纯度、互信息以及量子相分类等。第二类是量子系统重构：学习模型不必显式恢复指数规模的密度矩阵，而可以通过生成概率分布、神经量子态或可查询的隐式表示，近似复现系统对不同测量和任务的响应。

图2：人工智能表征与刻画量子系统的核心任务与应用。量子性质预测可进一步分为线性性质与非线性性质预测，并与量子系统重构共同服务于量子算法增强、认证与基准测试和科学发现。

这一划分强调，人工智能的价值并不局限于“替代量子层析”，而在于根据具体科学问题学习足够的信息：当目标只是预测少数物理性质时，可以避免完整重构；当研究需要反复查询系统行为时，则可构建可复用的隐式模型。由此，数据利用效率、模型表达能力与物理任务需求能够在同一框架下进行权衡。

统一学习流程连接量子数据、模型与应用

综述进一步提炼出“数据收集—数据集构建与模型优化—模型预测”的三阶段通用流程。训练数据既可以来自量子模拟、量子计算和实验测量，也可以由系统参数、量子电路结构及辅助物理信息共同构成。根据预测阶段是否需要新的量子测量结果作为输入，学习协议又可分为基于测量和无需测量两类。该框架将分散在量子多体、量子计算、量子验证和量子器件表征中的研究统一到共同语言之下。

图3：人工智能学习量子系统的统一流程，包括数据收集、数据集构建与模型优化以及模型预测三个阶段；根据预测时是否需要新的量子测量输入，可分为基于测量和无需测量两类协议。

在应用层面，这些方法能够减少量子器件认证与基准测试所需的测量成本，辅助诊断噪声和硬件误差，提升变分量子算法与量子模拟的性能，并从复杂数据中识别相变、拓扑序和其他关键量子现象。随着量子硬件、GPU计算和云平台持续发展，人工智能有望逐步贯穿量子系统的设计、运行、诊断与科学发现全过程。

未来方向：可证明、高可信与可迁移的量子人工智能

文章同时指出，该领域仍面临多项基础问题：如何将可证明高效的学习理论从线性性质推广到更一般的非线性任务；如何系统理解基于测量的经典学习器；如何通过公平、统一的基准判断深度学习和语言模型相对于传统机器学习的真实优势；以及如何将对称性、局域性和规范结构等物理知识更深入地融入模型。开放数据集、标准化评测和可重复研究生态，也将决定不同方法能否被可靠比较并走向实际量子平台。

综述认为，未来的量子基础模型需要同时具备跨系统迁移、跨任务适配和物理一致性，并与量子处理器及高性能计算平台协同工作。此次工作汇集了量子学习理论、深度学习、语言模型和量子信息等不同方向学者的共同思考，为人工智能表征与刻画量子系统建立了系统化知识框架，也为发展可扩展、可验证和可迁移的量子人工智能方法提供了研究路线图。

研究总结

《Nature Reviews Physics》是Nature Reviews系列面向物理学各领域的权威综述期刊，主要刊载由编辑策划或约稿的综述与技术综述，聚焦物理学重要进展与前沿议题。此次技术综述的发表，体现了中心在人工智能与量子信息交叉领域的研究积累与国际学术影响力，为发展可扩展、可信且具有迁移能力的量子人工智能方法提供了系统性参考。该工作得到国家自然科学基金以及合作团队相关科研项目的支持。

论文题目

Artificial intelligence for representing and characterizing quantum systems

论文链接

https://doi.org/10.1038/s42254-026-00962-5

通讯作者简介

吴亚东，上海交通大学计算机学院John Hopcroft计算机科学中心长聘教轨副教授，入选国家级海外高层次青年人才项目，主要从事量子信息与人工智能交叉研究，重点关注机器学习表征与刻画量子系统、连续变量量子信息和量子验证等方向。相关研究成果发表在《Nature Reviews Physics》《Nature Communications》《Physical Review Letters》等期刊。