众所周知，量子计算机非常昂贵，制备一台几十个比特的超导量子计算系统要花上千万，运行一次还要消耗大量的液氦和电力，多数科学家根本用不起。
最近，来自河南省量子信息与量子密码重点实验室的黄合良团队和合作者想到了一个方法：使用量子计算机先跑一点数据，接着训练一个经典模型当它的替身，将大部分计算任务搬到普通电脑上，最终这个替身在 42 个比特的任务上，将量子计算机的调用次数降低了三个数量级。
量子计算的基本单元叫做量子比特，普通电脑的比特只能够存 0 或 1，量子比特则可以同时是 0 和 1 的叠加。这就意味着当几个量子比特纠缠在一起，算力会呈现指数级的增长。但是量子比特非常脆弱，哪怕是环境里的微小扰动也能让它们失去量子态。
因此，量子计算机要放在接近绝对零度的“大冰箱”里运行，然而一套制冷系统也造价不菲。按照当前超导量子计算的主流路线，全世界能接触真实量子处理器的人非常有限，即使勉强能跑起来也有一个更麻烦的问题，那就是量子计算机的重复频率太低。每次运行完毕一组指令，系统就需要重新初始化、再运行。整套流程下来非常耗时，类似于变分量子算法这类需要反复迭代更新的任务，由于每次迭代都要测量很多次，因此效率会非常低。
（来源：Nature Communications）
为了攻克这个问题，该研究团队设计了两套代理模型：一套叫做 h_cs，专门处理那些参数之间相互独立的量子电路；另一套叫做 h_qs，专门处理参数之间有相关性。
其实这两个模型的思路是一样的，就先用少量量子实验数据做训练，随后让经典模型学会预测量子计算机的输出。训练完成之后，多数任务可以在普通电脑上完成，无需反复地调用量子计算机。为了验证方案的可行性，他们最多使用了 42 个超导比特进行了测试，让代理模型做了两个任务。一个任务是预训练变分量子求解器找基态能量，另一个任务是识别 Floquet 对称保护拓扑相（一种非平衡物质态）。
在第一个任务里，针对的变分量子求解器是一种非常常用的量子算法，但是它需要反复的迭代，每一次迭代都要使用量子计算机做大量测量。他们先用量子计算机跑了一些数据，以此训练代理模型。随后，使用这个经典替身去预训练求解器，借此找到近似最优的参数。
测试的结果显示，代理模型仅用了传统方法 0.023%的测量次数，就找到了那些接近基态能量的参数。而传统方法跑了 100 步优化之后误差在 0.21 左右，代理模型预训练之后误差更是直接降到了 0.09，再在量子计算机上微调一下竟然降到了 0.07。这就相当于少花了将近 99.98%的量子测量次数，但却得到了更好的结果。与此同时，这个代理模型在 8 到 42 个比特的规模上都保持稳定的表现，证明它的效果不随比特数增加而明显下降。
（来源：Nature Communications）
在第二个任务里，他们识别了 Floquet 对称保护拓扑相，这也是 2017 年诺贝尔物理学奖得主邓肯·霍尔丹的研究方向之一，属于量子多体物理的前沿课题之一。他们用一个 20 比特的一维链模拟了周期驱动的量子系统。在改变驱动参数之后，让系统可以处在不同的相，既有拓扑相、也有热化相。而识别这两种相需要测量很多不同参数下的物理量，所以在量子计算机上直接做非常耗时。
为此，他们让训练的代理模型分别预测不同参数下的磁化强度，接着用来判断相变点。最终，代理模型成功捕捉到了拓扑相的特征，边缘比特的磁化强度稳定地以半个驱动频率进行振荡，而体比特的磁化强度则快速衰减到零。另外，热化相里边缘和体比特的磁化强度都出现快速衰减。研究中，他们还在整个参数空间里扫出了相变点的大致位置，结果发现跟理论预测基本一致。
（来源：Nature Communications）
据了解，该工作源于团队长期积累。2021 年，黄合良作为当时中国超算应用团队的成员，凭借“超大规模量子随机电路实时模拟”斩获戈登贝尔奖（被誉为‘“超算领域的诺贝尔奖”）。在此基础上，团队后续与合作者拓展至代理模型研究，相关论文发在Nature Communications。
当前研究主要沿两个维度展开：在理论层面，深挖代理模型的内在机理，并构建更具普适性的高效理论框架；在实验层面，则聚焦于向更大规模系统的拓展。鉴于现有量子计算平台已实现百比特量级，且代理模型已在 42 比特体系上证实了可扩展性，将其推广至更大规模系统已成为后续研究的必然趋势。
（来源：Nature Communications）
但需要说明的是，量子计算距离大规模应用还有一定距离，但是代理模型提供了一个思路，那就是使用量子计算机产出的数据来训练经典模型，反过来去辅助量子计算，借此让有限的量子资源用在最需要它的地方。也就是说，给普通电脑加一个训练好的模型，就可以提前一步知道量子计算机大概会给出什么结果。
参考资料：
相关论文 https://doi.org/10.1038/s41467-026-72506-5