量子噪声里掘信号:他们靠老工厂的脏数据突围
01量子噪声里捞信号,他们靠的是老工厂的脏数据
AI for Science(AI4S)被广泛视为第五科研范式,其核心是用AI替代科研中的重复劳动与经验依赖,构建“数据-算法-实验”闭环。但在量子计算领域,这一逻辑遭遇特殊挑战:当前设备处于含噪声中等规模量子(NISQ)时代,量子比特极易受环境干扰,导致输出结果充满噪声。传统做法试图通过纠错码或更高精度硬件压制噪声,但成本极高且进展缓慢。
量坤科技选择反向操作——不回避噪声,而是将其作为有效信息源。其技术路径基于一个关键洞察:工业场景中的材料失效、反应副产物、工艺偏差等“脏数据”,本质上记录了系统在非理想条件下的量子态演化轨迹。通过将这些数据与第一性原理计算结果对齐,AI模型能学习到噪声背后的物理规律,进而反推更鲁棒的分子或材料设计参数。3035
量坤科技选择反向操作——不回避噪声,而是将其作为有效信息源。其技术路径基于一个关键洞察:工业场景中的材料失效、反应副产物、工艺偏差等“脏数据”,本质上记录了系统在非理想条件下的量子态演化轨迹。通过将这些数据与第一性原理计算结果对齐,AI模型能学习到噪声背后的物理规律,进而反推更鲁棒的分子或材料设计参数。3035
02压缩2000倍的算法:把万比特问题塞进20比特机器
量坤科技并未自研量子硬件,而是聚焦于“中间层”——即如何让现有量子设备解决更大规模的实际问题。吕定顺在演讲中披露,其团队开发的量子嵌入算法可将理论上需上万量子比特求解的体系,压缩至仅需20比特。这一压缩比接近2000倍,关键在于利用点群对称性与轨道扩展VQE(变分量子本征求解器)技术,剥离体系中冗余自由度,仅保留对目标性质(如催化活性、带隙)起决定作用的子空间。
该方法已在与国际药企的合作中验证。例如,在肽结合亲和力预测任务中,传统DFT计算需数周,而量坤的混合流程(经典HPC预筛+量子-AI精算)将周期压缩至72小时内,且误差控制在实验可接受范围内。值得注意的是,目前尚无证据表明该技术适用于强关联电子体系或高温超导等极端复杂场景,其有效性仍限于中等尺度分子与功能材料。2943
该方法已在与国际药企的合作中验证。例如,在肽结合亲和力预测任务中,传统DFT计算需数周,而量坤的混合流程(经典HPC预筛+量子-AI精算)将周期压缩至72小时内,且误差控制在实验可接受范围内。值得注意的是,目前尚无证据表明该技术适用于强关联电子体系或高温超导等极端复杂场景,其有效性仍限于中等尺度分子与功能材料。2943
03订单落地了吗?答案藏在融资结构里
截至2026年6月,量坤科技已完成天使轮及天使+轮两轮融资,累计数亿元人民币,由英诺天使基金领投,BV百度风投、水木清华校友基金等参投。这一融资节奏与AI4S行业特征高度吻合:单笔订单大、验证周期长(通常3–5年)。虽然公司尚未公开具体客户合同金额,但其参与的药物研发合作已进入分子加速比较阶段,表明至少有一个产业闭环正在跑通。
然而,必须划清边界:量坤当前交付的是“量子增强型AI解决方案”,而非纯量子计算服务。其Quantum × AI × HPC架构中,量子处理器仅承担特定子任务(如激发态能量排序),其余环节仍依赖经典算力。这意味着,若客户缺乏高性能计算基础设施,整体效率提升将受限。此外,所有已知案例均未脱离NISQ设备限制,尚无法处理需逻辑量子比特的容错计算任务。313043
然而,必须划清边界:量坤当前交付的是“量子增强型AI解决方案”,而非纯量子计算服务。其Quantum × AI × HPC架构中,量子处理器仅承担特定子任务(如激发态能量排序),其余环节仍依赖经典算力。这意味着,若客户缺乏高性能计算基础设施,整体效率提升将受限。此外,所有已知案例均未脱离NISQ设备限制,尚无法处理需逻辑量子比特的容错计算任务。313043
若这项技术真能规模化复制,改变的将不是实验室效率,而是整个新材料研发的试错成本结构。过去,企业需合成数百种候选化合物才能找到一个可用分子;未来,AI+量子可能将这一数字压缩至个位数。但前提是,脏数据必须足够“脏”——只有真实工业场景的复杂性,才能喂出真正抗干扰的模型。
当前文章无评论,是时候发表评论了