如果量子计算机能够真正投入运行，模拟复杂分子或新药研发中的物理化学反应，其计算能力将远超任何传统超级计算机。然而，理想与现实之间存在差距——真正实用且大规模应用的量子计算，可能还需要数年时间才能实现。

不过，最近一项研究提供了令人兴奋的转向：机器学习——这项已广泛应用于人脸识别、语音助手等领域的技术——竟然也能在量子计算机最擅长的领域表现出色，甚至优于传统计算机。换言之，在量子计算机真正成熟之前，机器学习或许就能帮助我们解决一些关键的量子难题。

量子计算机在理论上具备所谓的“量子优势”——它能够解决经典计算机无法处理的问题。量子比特数量越多，计算能力呈指数级增长。然而，当前量子计算机仍处于“嘈杂中等规模量子”（NISQ）阶段，量子比特数最多只有几百个。要实现真正实用，至少需要数千个量子比特进行纠错，这一目标可能还需要很多年才能达成。

那么，在这个“空白期”内，我们能做什么？最新研究给出的答案是：尝试使用经典计算机上的机器学习算法。这些算法能够通过经验自动改进，在处理量子问题上，可能优于任何其他经典算法。该研究发表于9月22日的《科学》杂志。

科学家们重点研究了一个应用方向：确定分子的基态——即能量最低的状态。量子叠加和纠缠效应使得预测分子基态变得异常困难，尤其是当原子数量较多时。那么，机器学习能否解决这一难题？研究人员向经典机器学习算法输入了部分分子基态的实验数据（例如从量子实验中采集的数据），结果发现，该算法能够高效且准确地预测其他分子的基态，性能远超传统非机器学习算法。

这种优势从何而来？论文第一作者、加州理工学院的Robert Hsin-Yuan Huang解释道：“大自然本身遵循量子规律，因此从量子实验中收集的数据天然蕴含着量子计算能力的影子。”模型从这些数据中学习到了量子逻辑，从而能够做出更精准、更高效的预测。用他的原话来说：“在相同计算时间内，经典机器学习算法比非机器学习算法精确得多；反过来，如果要求相同的预测精度，机器学习的运算速度比非机器学习算法快出超多项式级别。”

另一个应用方向是对物质的量子相进行分类。除了常见的冰晶体结构外，还存在诸如拓扑绝缘体等更奇异的量子相——光与电在其中流动时几乎不损失能量。研究发现，只要使用经典数据对量子相分类任务进行训练，模型就能准确识别出训练中未曾见过的新量子相。Huang表示：“有正式证据表明，在量子物理的一个重要问题上，通过物理实验数据训练的经典机器学习算法，能够击败任何经典的非机器学习算法。这充分展示了经典机器学习在解决物理、化学、材料科学难题中的强大能力。”

当然，这并不意味着机器学习可以替代量子计算机。Huang也坦言：“如果量子计算机现在已经成熟，那肯定还是使用量子计算机更优。”但在那之前，基于实验数据训练的经典机器学习模型，已经能够解决许多化学和材料科学中的实际问题——那些原本依赖纯经典方法难以处理的棘手问题。未来还可以进一步探索：经典机器学习还能解决哪些其他量子问题？以及如何优化其训练数据和计算时间，以取得更好的效果。