机心卷 · 世界补丁日志

当量子物理遇上“基础模型”:Hamilton-Zero如何用5亿参数通吃一类量子难题

2026-08-12 AI 辅助 · 人工审校 编号 cand-9c7bae185176

想象这样一个场景:你是一个量子化学研究者,需要计算某个分子的基态能量。传统做法是,根据这个分子的结构,写一个专属的求解器——可能是一个变分量子算法,可能是一个张量网络收缩——然后花

想象这样一个场景:你是一个量子化学研究者,需要计算某个分子的基态能量。传统做法是,根据这个分子的结构,写一个专属的求解器——可能是一个变分量子算法,可能是一个张量网络收缩——然后花上几小时甚至几天,跑出一个数字。

下一个分子呢?重写代码,重新调参,再跑几天。

这正是过去几十年量子多体物理研究的真实写照:每个哈密顿量,都是一座孤岛。

但2024年底,一篇来自arXiv的论文试图打破这种“一座孤岛一座桥”的格局。它叫做《Hamilton-Zero: A Neural Tensor-Network Foundation Model for Ground States of Arbitrary Quadratic Qubit Hamiltonians》,用一个约5亿参数的神经张量网络,宣称一次性学会了所有自旋-1/2二次型哈密顿量的基态解法。

这听起来像是AI for Science的又一座里程碑——但它真的有那么重要吗?我们慢慢拆开来看。


一、“基础模型”思想,第一次入侵量子物理

过去两年,“Foundation Model”(基础模型)这个词几乎被ChatGPT、Claude们垄断了。它的核心逻辑很简单:用一个超大模型,吃下海量数据,掌握通用能力,然后在下游任务中零样本或少样本解决具体问题。

AlphaFold把这个思想搬到了蛋白质结构预测;气象大模型搬到了天气预报;分子预训练模型搬到了药物发现。

但在这些领域之前,还有一个更古老的“老大难”问题——量子多体系统的基态求解。

什么是基态?简单说,一个量子系统(比如一堆相互作用的电子)有无穷多个可能的状态,能量最低的那个就是基态。绝大多数物理和化学性质(比如材料是否超导、分子是否稳定),本质上都被基态决定。

问题是,求基态极难。系统粒子数一多,状态空间是指数爆炸的——20个量子比特就需要描述100万个振幅。所以过去几十年,科学家发展出了两大类方法:

  • 精确方法(如密度矩阵重整化群DMRG):精度高,但只能处理一维或弱纠缠系统;
  • 变分方法(如VQE):通用但要对每个哈密顿量单独优化参数。

两者都逃不开一个共同特征:针对单个哈密顿量定制。

Hamilton-Zero的核心主张是:把这个“定制”过程摊销掉,让一个模型内化整个二次型哈密顿量族的共同结构。


二、它到底做了什么?

论文的技术核心,可以拆成三个支柱:

1. 神经张量网络:既是量子态,又是计算图

传统的矩阵乘积态张量网络(MPS)是一维量子态的经典表示方式,物理学家用它来近似高维量子态。但MPS本身不带可学习参数,需要针对每个系统调优。

Hamilton-Zero做了一件很自然的事:用神经网络参数化张量网络中的每一个张量。这样一来,这个网络既是一个量子态的“形状描述器”(编码振幅),又是一个可微的计算图(可以直接反向传播训练)。

参数规模约5亿(0.5B),听起来比LLM小一个数量级,但在量子模拟领域已经算是“重型装备”了。

2. 摊销式求解:训练一次,泛化所有二次型哈密顿量

论文的关键概念是“Amortized”(摊销式)。它不是训练一个只懂单个分子的模型,而是:

  • 在训练阶段,从二次型哈密顿量的参数空间(系数矩阵)中随机采样大量实例;
  • 让模型学习从“哈密顿量参数”到“对应基态”的映射关系;
  • 推理阶段,给定一个从未见过的新哈密顿量参数,模型直接输出基态。

这与LLM的预训练逻辑一脉相承:见过足够多的例子,内化出通用规律。

3. 借鉴LLM+RL的训练栈

这是论文最有意思的地方之一。它没有用传统的监督学习,而是把大语言模型训练(规模化、分布式)和深度强化学习(策略优化、自博弈采样)的整套工具链搬了过来。

为什么是RL?因为基态搜索天然可以看作一个“博弈”——在能量空间中,模型作为“玩家”需要找到全局最低点,而不是陷入局部极小。论文中可能用到了类似AlphaZero的自博弈机制,让模型在能量函数定义的“奖励”下不断优化策略。

总结一下:一个量子版的“预训练Transformer”,只不过它的“token”是哈密顿量参数,“语言”是量子态本身。


三、为什么这件事值得关心?

如果你不做相关研究,这篇论文可能看起来离你很遥远。但我想指出三点更宏观的意义。

第一,这是“AI for Science”范式的又一次确认。

从AlphaFold到Pangu-Weather,从DFT神经网络替代到现在的量子基态Foundation Model,趋势越来越清晰:基础科学研究的范式正在从“为每个问题写一个程序”转向“训练一个通用模型”。Hamilton-Zero是这个大趋势中的一个节点——它把“基础模型”思想正式引入了量子多体物理的腹地。

第二,它可能重塑NISQ时代的量子算法工作流。

NISQ(含噪声中等规模量子)时代的量子计算机,量子比特数量有限、噪声大,很难直接跑大型量子线路。一个常见的工作流是:用经典算法预训练一个好的初始量子态,再放到量子硬件上做精修。

Hamilton-Zero这种模型,未来有潜力成为经典预训练基态的“供应商”。你可以想象一个云端API:输入哈密顿量参数,秒级返回高质量的初始态猜测。

第三,它回应了一个长期问题:神经量子态到底能不能scale。

自从2017年Carleo用受限玻尔兹曼机解出Ising模型基态以来,“Neural Quantum States”(神经量子态)就是一个活跃方向。但批评者一直质疑:它能不能像LLM那样,规模越大效果越好?Hamilton-Zero用5亿参数的规模和“基础模型”训练范式,正面回答了这个问题——至少在二次型哈密顿量这个子领域,可以。


四、冷静看待:三个不能忽视的局限

在兴奋之余,我也必须指出几个值得警惕的地方。

1. “二次型”是一个很窄的范围

二次型(Quadratic)哈密顿量指的是只到两体相互作用的模型。物理上最有意思的强关联现象(高温超导、量子相变、分数化激发),往往需要三体甚至四体相互作用。这部分工作并没有触及。

2. 自旋-1/2的限制

真实电子是费米子,自旋1/2只是最简化的版本。要真正进入量子化学,还需要处理费米子编码(Jordan-Wigner变换等),复杂度会再上一个台阶。

3. 复现门槛极高

论文的算力需求大概率是千卡级别的GPU集群——这远远超出了个人开发者和中小实验室的能力。这意味着在短期内,这更像是一个“机构级别”的研究工具,而非开源社区可以快速验证的工作。

换句话说:Hamilton-Zero是一个范式示范,距离真正的科学普及还有相当距离。


五、展望:一个“量子版AlphaFold”还有多远?

让我们把视野拉远一点。

AlphaFold用了约7年时间,从一个蛋白质折叠预测的“有趣尝试”,变成了生命科学家的日常工具。那么Hamilton-Zero要走多远?

我个人的判断是:

  • 短期(1-2年):二次型哈密顿量子领域的成熟工具,可能在小型团队内被采用,用于加速自旋模型的基态研究;
  • 中期(3-5年):扩展到费米子系统,进入小分子量子化学模拟;如果成功,可能引发类似AlphaFold的范式变革;
  • 长期(5年以上):与NISQ硬件结合,形成“经典预训练+量子精修”的混合工作流,成为量子计算生态的基础组件。

更激进的想象是:未来某个“量子基础模型”不仅能解基态,还能预测动力学、模拟开放系统、甚至设计新的量子算法。届时,“量子模拟”可能真的变成一种可以按需调用的公共服务。


写在最后

Hamilton-Zero给我的最大启发,不是某个具体的技术指标,而是一种思维方式的迁移。

量子多体物理学家过去习惯了“为每个问题单独战斗”。现在,一群研究者站出来说:也许我们可以像训练GPT那样,训练一个懂得“量子力学语言”的通用模型。

这种跨领域的思想碰撞,往往比单一技术突破更重要。

至于这条路能走多远,时间会给出答案。但至少,量子物理的“基础模型时代”,已经悄悄开始了。


如果你也对AI与基础科学的交叉感兴趣,欢迎关注。我们一起追踪这条还很小众、但可能改变游戏规则的赛道。

原文来源

边界声明 · 这项研究不能证明什么

本文为一手来源的中文编辑导读,结论的适用范围与证据强度以来源原文为准;不构成医疗、投资或其他决策建议。

AIGC 内容说明

本文由 AI 辅助起草,经今山海编辑部人工核对事实、来源与边界后发布。修订与更正将在本页留痕。