文丨浪味仙 排版丨浪味仙

行业动向：4500字丨11分钟阅读

材料设计始终镶嵌在现代技术演进的主轴之上。

从工业革命中支撑机器时代的钢铁，到电气时代重塑能源体系的导体与绝缘材料，再到信息时代奠定计算基础的半导体，每一次关键跃迁，背后都是材料性能的突破与重构。

但与这些耀眼成果形成对比的是，材料科学本身，却始终是一门“慢学科”。

一种新材料从提出到应用，往往需要十年甚至更久。这种“缓慢”，并不仅仅源于实验周期，更来自一个长期存在且不断加剧的难题：材料设计，本质上是一个高维、强耦合且多目标的优化问题。

随着材料体系不断演进，这个问题正在迅速膨胀。变量不断增加，关系愈发复杂，而研究者能够依赖的经验与直觉，却在逐渐失效。

当问题的复杂度逼近甚至超出既有计算能力边界时，一个更根本的问题开始浮现：如果“搜索”本身已经行不通，材料设计是否需要一种完全不同的解法？

在上海交通大学材料学院吴蕴雯教授看来，这正是量子计算开始进入材料研究核心视野的起点。

高维困境

如果说过去材料科学的难点在于“做不出来”，那么当下更凸出的困境却是另一种形式：不知道该往哪里做。就像面对望不到尽头的散沙，试图寻找到那一颗特定的颗粒。

材料体系正变得前所未有地复杂。从金属材料、无机材料到复合材料，再到多组分超材料，其设计早已不再是单一变量的调节，而是一个不断扩展的参数系统，成分、结构、掺杂方式、晶粒尺度，甚至纳米级的层厚与界面结构，都会影响最终性能。

图源MIT官网

更棘手的是，这些变量之间不是简单的线性叠加关系，它们更像一张被反复拉扯的网：你试图提升导电性，可能会牺牲热稳定性；调整结构以增强力学性能，又可能影响介电特性。材料成分与微观结构之间很难被清晰拆分，几乎每一次微调，都会在系统内部引发连锁反应。

当变量持续增加，这个问题很快就失去了“直觉可控性”。材料设计不再像是在一条路径上逼近答案，更像是踏入了一片没有坐标的空间：研究者所面对的不是一个方向，而是一整片彼此纠缠的可能性。

在传统算法的逻辑里，每增加一个变量，计算量就会呈指数级爆炸。吴教授在实践中发现，当设计维度达到一定程度后，经典算力的耗时曲线会陡峭得令人绝望。这种“高维困境”，在实际工业场景中会被进一步放大。

以芯片封装中的湿法工艺为例。系统中往往同时存在十余种化学成分，每一种都涉及浓度与分子结构上的差异，同时还叠加 pH 值、温度、搅拌速度、流体分布，甚至设备内部电场的微小不均匀。这些因素叠加在一起，整个工艺就像一个难以解构的“黑盒”，一个极小的环境波动，就可能导致整批产品失效且难以追溯原因。

面对复杂程度如上述这般接近“不可穷举”的问题，传统方法显得力不从心。

尽管实验试错依然可靠，但效率难以支撑如此规模的空间；而经典优化算法，如遗传算法、粒子群、蒙特卡洛、模拟退火，都会面临同一个问题：变量一旦增加，计算成本就会迅速上升，且这些方法依赖路径搜索，一旦进入局部区域就很难跳出，就像在一片起伏的沙丘中反复筛选，看似不断优化，实际上始终停留在同一片区域。

局部最优与全局最优：图源网络

人工智能在一定程度上改善了这一过程，但并没有改变问题本身。吴蕴雯教授团队在实践中发现，经典 AI 在小规模问题上仍然有效，但当变量规模和耦合程度同步提升，数据本身便难以支撑稳定的映射关系，使得优化过程陷入局部最优，难以继续逼近全局最优。

综上，当问题规模跨过某个临界点，差异不再是“效率高低”，而是“能否求解”。正是在这一边界上，量子计算开始进入材料研究者的视野。

当“搜索”失效

过去几十年，无论方法如何演进，材料设计的大逻辑没有变化，仍是要在庞大的参数空间中寻找最优解。

人工智能的确让该过程变得更高效，通过数据建立映射关系，使研究者能够绕开部分低效试错过程，这也推动了材料研发进入数据驱动阶段，但其本质仍然是“更聪明的搜索”。可问题是，当维度持续上升，挑战不再是“如何更聪明地搜索”，而是搜索这件事本身，是否仍然成立。

这是量子计算与传统方法的分界点。

量子计算并不依赖逐步搜索路径，而是利用量子力学特性实现并行探索，从而避免陷入局部最优。“它不是更快，而是换了一种解法。”吴蕴雯教授这样概括。

这一点已经在特定问题上陆续得到验证。

加拿大专用量子计算机公司 D-Wave 在 Science 期刊发表的论文表明，其 Advantage2 退火型专用量子计算机，在几分钟内完成了具有明确商业与科学应用价值的磁性材料模拟，而使用基于 GPU 集群构建的经典超级计算机解决同一问题，则需要近一百万年，并且耗电量将超过全球年度总电力消耗。

在Ising旋转玻璃中对淬火后状态进行采样：图源论文

就在不久前，IBM 通过将量子计算结果与中子散射实验直接对标，首次在真实材料层面验证了量子模拟的定量可靠性。在双比特门误差降至约 0.1%、并结合近似量子编译与系统性误差缓解的条件下，量子计算不仅再现了一维体系中自旋子的连续谱结构，还成功扩展至经典方法难以处理的非可积模型。该研究表明当前量子计算已经跨过“可用性门槛”，具备解决真实强关联动力学问题的能力。

中子散射实验的结果(左)和 IBM 量子计算机辅助模拟该实验的结果(右):图源论文

对于材料科学而言，这正对应着一个关键转折点：当问题本身已经超出经典计算能力边界，新的计算范式不再是优化选择，而是必然条件。

当维度突破临界点：量子优势开始显现

量子计算的价值，并不只取决于算力，更取决于它如何被嵌入材料研究的实际流程中。在吴蕴雯教授团队的实践中，量子计算并非孤立存在，而是作为“量智融合”框架中的一环，与经典计算方法协同工作，构成一个完整的材料设计闭环。

一个典型的材料设计流程可以分为三个步骤：材料选择、物性计算以及结构优化。其中，真正决定性能的是最后一步，即在高维空间中找到最优结构。

量子计算正是作用于这一核心环节，只是在此之前，需要解决一个更基础的问题：如何让量子计算机“理解”材料问题。

材料科学、人工智能与量子计算，分别属于不同的“语言体系”。要想让三者协同工作，必须完成关键的跨语言转换。吴蕴雯教授将这一过程形象地概括为“两次翻译”。

首先，需要将材料体系中的结构与性能指标，转化为计算模型能够处理的数据表达；随后，进一步将其映射为量子计算所需的能量函数形式。完成这“两次翻译”，量子计算就能真正参与到材料设计过程中。

在具体实现中，吴蕴雯教授团队引入因子分解机（FM）作为这一过程的“翻译器”，将复杂的材料结构参数进行拟合，并映射为量子硬件能够处理的 QUBO 能量函数，使问题能够在专用量子计算机上运行。

至此，量子计算便从前沿科技落地为直接参与求解的工具，在具体问题中真正显露价值。

两条技术路径

在具体技术路径上，当前材料领域的量子计算主要依赖两类专用设备：量子退火机与相干伊辛机。

量子退火机以量子隧穿为核心机制，可以帮助系统跳出局部最优，快速逼近全局解。相干伊辛机则基于全连接的伊辛模型，其结构天然契合材料微观世界中粒子间“牵一发而动全身”的真实物理规律，从而在建模上具备更强的“结构一致性”。

量子优势并非空谈。

在热辐射超材料（可应用于红外伪装、辐射制冷、EUV 光刻等关键场景）的设计中，吴蕴雯教授展示了几个硬核数据：

24 比特的红线：在团队成员与日本东京大学开展的超晶格设计合作研究中，当规模扩大到 24 比特时，贝叶斯优化等经典 AI 算法已完全失效，而“量智融合”算法依然稳定高效，且计算耗时不再随问题规模增加。

图源吴蕴雯教授公开演讲资料

40秒 vs 5万次：在面对 108 个变量的高维挑战时，量子退火算法展现出代际级的效率优势，仅需 2 次迭代（40 秒总运行时间），其寻优结果已全面超越了经典蒙特卡洛算法 5 万次迭代所能达到的结果。

图源吴蕴雯教授公开演讲资料

穿透“盲区”： 量子算法能精准解析纳米级厚度细分下的光谱特性，揭示出经典 AI 无法发现的底层材料原理，真正实现了从“优化结果”到“理解机制”的跨越。

而在国产硬件的实测中，具备“全连接”优势的相干伊辛机（CIM），在面对 10.2 万规模的大数据样本优化时，国产相干光量子计算机（玻色量子提供）仅在 2.56 毫秒内便实现了目标性能理论极限的 85.95%，该结果比国际领先的 D-Wave 量子退火机单次优化的 85.82% 还略胜一筹。

图源吴蕴雯教授公开演讲资料

在吴蕴雯教授看来，相干伊辛机的意义或许更为长远。由于其全连接特性，它在处理复杂系统时更接近真实物理过程，这种“结构上的一致性”，可能在未来带来更强的建模能力。

当计算过程本身与自然系统同构时，其结果也更接近真实物理行为，这使得量子计算不仅能够优化结果，还可能帮助理解深层机制。

回到材料科学，这一点尤为重要。因为材料研究的终极目标，不仅是找到一个“好用”的结构，更是理解它为何有效。

在尚未被看清的空间里

吴蕴雯教授并未把量子计算看作一个“已经成熟”的答案，而是更愿意把它理解为一种新的尝试：在材料问题逐渐变得难以被描述、难以被计算的时候，去寻找另一种可能的表达方式。

吴蕴雯教授团队于 2015 年在日本接触量子退火机，掌握了经典计算和量子计算的“翻译密码”。基于在先进封装材料领域的长期积累，她深刻认识到，随着问题维度的不断上升，新材料的优化求解面临严峻的“维数灾难”，有些困难并不是“算得不够多”，而是“算的方法本身已经不再适用”。

图源网络

在国家科技政策的号召下，2024 年，吴蕴雯教授毅然投入到国产专用量子计算机的优化算法开发中，利用团队在量子退火机以及材料领域多年的积累，致力于用量子计算解决材料工程应用中的“真问题”，推动国产专用量子计算机在材料领域的实际应用。

目前，她正带领团队将应用场景扩展至集成电路先进封装材料与高熵合金设计。她坚信，科研需要“自由的心灵”，因而在培养学生时，她也鼓励学生要勇于发表不同看法，因为唯有打破陈规的自由探索，才能在未知里找到通往未来的那条路。

在那片维度极高、关系纠缠的空间里，研究者此前看到的，只是其中一部分，而作为新型算力的量子计算，正为材料科学打开一种全新探索方式。

至于那片空间的全貌究竟如何，答案正在毫秒级的计算中加速生成。

吴蕴雯教授简介

上海交通大学材料科学与工程学院长聘副教授，博士生导师。她深耕集成电路先进互连与电子封装领域十余年，在三维封装技术、AI+ 互连材料智能设计、量子计算等方面取得了系列创新成果，相关研究曾获国家自然科学基金及多项产学研重点项目支持。以第一/通讯作者在 Nat. Commun.、Adv. Funct. Mater.、Acta Mater.、Energy Environ. Sci. 等期刊发表 SCI 收录论文 70 余篇，授权国家发明专利 10 项。

「END」

---

文章转载自微信公众号：量子前哨

原文链接：https://mp.weixin.qq.com/s/XjemXI5xw0yDix7YiYtpGw?scene=1

文丨浪味仙 排版丨浪味仙

行业动向：4500字丨11分钟阅读

材料设计始终镶嵌在现代技术演进的主轴之上。

从工业革命中支撑机器时代的钢铁，到电气时代重塑能源体系的导体与绝缘材料，再到信息时代奠定计算基础的半导体，每一次关键跃迁，背后都是材料性能的突破与重构。

但与这些耀眼成果形成对比的是，材料科学本身，却始终是一门“慢学科”。

一种新材料从提出到应用，往往需要十年甚至更久。这种“缓慢”，并不仅仅源于实验周期，更来自一个长期存在且不断加剧的难题：材料设计，本质上是一个高维、强耦合且多目标的优化问题。

随着材料体系不断演进，这个问题正在迅速膨胀。变量不断增加，关系愈发复杂，而研究者能够依赖的经验与直觉，却在逐渐失效。

当问题的复杂度逼近甚至超出既有计算能力边界时，一个更根本的问题开始浮现：如果“搜索”本身已经行不通，材料设计是否需要一种完全不同的解法？

在上海交通大学材料学院吴蕴雯教授看来，这正是量子计算开始进入材料研究核心视野的起点。

高维困境

如果说过去材料科学的难点在于“做不出来”，那么当下更凸出的困境却是另一种形式：不知道该往哪里做。就像面对望不到尽头的散沙，试图寻找到那一颗特定的颗粒。

材料体系正变得前所未有地复杂。从金属材料、无机材料到复合材料，再到多组分超材料，其设计早已不再是单一变量的调节，而是一个不断扩展的参数系统，成分、结构、掺杂方式、晶粒尺度，甚至纳米级的层厚与界面结构，都会影响最终性能。

图源MIT官网

更棘手的是，这些变量之间不是简单的线性叠加关系，它们更像一张被反复拉扯的网：你试图提升导电性，可能会牺牲热稳定性；调整结构以增强力学性能，又可能影响介电特性。材料成分与微观结构之间很难被清晰拆分，几乎每一次微调，都会在系统内部引发连锁反应。

当变量持续增加，这个问题很快就失去了“直觉可控性”。材料设计不再像是在一条路径上逼近答案，更像是踏入了一片没有坐标的空间：研究者所面对的不是一个方向，而是一整片彼此纠缠的可能性。

在传统算法的逻辑里，每增加一个变量，计算量就会呈指数级爆炸。吴教授在实践中发现，当设计维度达到一定程度后，经典算力的耗时曲线会陡峭得令人绝望。这种“高维困境”，在实际工业场景中会被进一步放大。

以芯片封装中的湿法工艺为例。系统中往往同时存在十余种化学成分，每一种都涉及浓度与分子结构上的差异，同时还叠加 pH 值、温度、搅拌速度、流体分布，甚至设备内部电场的微小不均匀。这些因素叠加在一起，整个工艺就像一个难以解构的“黑盒”，一个极小的环境波动，就可能导致整批产品失效且难以追溯原因。

面对复杂程度如上述这般接近“不可穷举”的问题，传统方法显得力不从心。

尽管实验试错依然可靠，但效率难以支撑如此规模的空间；而经典优化算法，如遗传算法、粒子群、蒙特卡洛、模拟退火，都会面临同一个问题：变量一旦增加，计算成本就会迅速上升，且这些方法依赖路径搜索，一旦进入局部区域就很难跳出，就像在一片起伏的沙丘中反复筛选，看似不断优化，实际上始终停留在同一片区域。

局部最优与全局最优：图源网络

人工智能在一定程度上改善了这一过程，但并没有改变问题本身。吴蕴雯教授团队在实践中发现，经典 AI 在小规模问题上仍然有效，但当变量规模和耦合程度同步提升，数据本身便难以支撑稳定的映射关系，使得优化过程陷入局部最优，难以继续逼近全局最优。

综上，当问题规模跨过某个临界点，差异不再是“效率高低”，而是“能否求解”。正是在这一边界上，量子计算开始进入材料研究者的视野。

当“搜索”失效

过去几十年，无论方法如何演进，材料设计的大逻辑没有变化，仍是要在庞大的参数空间中寻找最优解。

人工智能的确让该过程变得更高效，通过数据建立映射关系，使研究者能够绕开部分低效试错过程，这也推动了材料研发进入数据驱动阶段，但其本质仍然是“更聪明的搜索”。可问题是，当维度持续上升，挑战不再是“如何更聪明地搜索”，而是搜索这件事本身，是否仍然成立。

这是量子计算与传统方法的分界点。

量子计算并不依赖逐步搜索路径，而是利用量子力学特性实现并行探索，从而避免陷入局部最优。“它不是更快，而是换了一种解法。”吴蕴雯教授这样概括。

这一点已经在特定问题上陆续得到验证。

加拿大专用量子计算机公司 D-Wave 在 Science 期刊发表的论文表明，其 Advantage2 退火型专用量子计算机，在几分钟内完成了具有明确商业与科学应用价值的磁性材料模拟，而使用基于 GPU 集群构建的经典超级计算机解决同一问题，则需要近一百万年，并且耗电量将超过全球年度总电力消耗。

在Ising旋转玻璃中对淬火后状态进行采样：图源论文

就在不久前，IBM 通过将量子计算结果与中子散射实验直接对标，首次在真实材料层面验证了量子模拟的定量可靠性。在双比特门误差降至约 0.1%、并结合近似量子编译与系统性误差缓解的条件下，量子计算不仅再现了一维体系中自旋子的连续谱结构，还成功扩展至经典方法难以处理的非可积模型。该研究表明当前量子计算已经跨过“可用性门槛”，具备解决真实强关联动力学问题的能力。

中子散射实验的结果(左)和 IBM 量子计算机辅助模拟该实验的结果(右):图源论文

对于材料科学而言，这正对应着一个关键转折点：当问题本身已经超出经典计算能力边界，新的计算范式不再是优化选择，而是必然条件。

当维度突破临界点：量子优势开始显现

量子计算的价值，并不只取决于算力，更取决于它如何被嵌入材料研究的实际流程中。在吴蕴雯教授团队的实践中，量子计算并非孤立存在，而是作为“量智融合”框架中的一环，与经典计算方法协同工作，构成一个完整的材料设计闭环。

一个典型的材料设计流程可以分为三个步骤：材料选择、物性计算以及结构优化。其中，真正决定性能的是最后一步，即在高维空间中找到最优结构。

量子计算正是作用于这一核心环节，只是在此之前，需要解决一个更基础的问题：如何让量子计算机“理解”材料问题。

材料科学、人工智能与量子计算，分别属于不同的“语言体系”。要想让三者协同工作，必须完成关键的跨语言转换。吴蕴雯教授将这一过程形象地概括为“两次翻译”。

首先，需要将材料体系中的结构与性能指标，转化为计算模型能够处理的数据表达；随后，进一步将其映射为量子计算所需的能量函数形式。完成这“两次翻译”，量子计算就能真正参与到材料设计过程中。

在具体实现中，吴蕴雯教授团队引入因子分解机（FM）作为这一过程的“翻译器”，将复杂的材料结构参数进行拟合，并映射为量子硬件能够处理的 QUBO 能量函数，使问题能够在专用量子计算机上运行。

至此，量子计算便从前沿科技落地为直接参与求解的工具，在具体问题中真正显露价值。

两条技术路径

在具体技术路径上，当前材料领域的量子计算主要依赖两类专用设备：量子退火机与相干伊辛机。

量子退火机以量子隧穿为核心机制，可以帮助系统跳出局部最优，快速逼近全局解。相干伊辛机则基于全连接的伊辛模型，其结构天然契合材料微观世界中粒子间“牵一发而动全身”的真实物理规律，从而在建模上具备更强的“结构一致性”。

量子优势并非空谈。

在热辐射超材料（可应用于红外伪装、辐射制冷、EUV 光刻等关键场景）的设计中，吴蕴雯教授展示了几个硬核数据：

24 比特的红线：在团队成员与日本东京大学开展的超晶格设计合作研究中，当规模扩大到 24 比特时，贝叶斯优化等经典 AI 算法已完全失效，而“量智融合”算法依然稳定高效，且计算耗时不再随问题规模增加。

图源吴蕴雯教授公开演讲资料

40秒 vs 5万次：在面对 108 个变量的高维挑战时，量子退火算法展现出代际级的效率优势，仅需 2 次迭代（40 秒总运行时间），其寻优结果已全面超越了经典蒙特卡洛算法 5 万次迭代所能达到的结果。

图源吴蕴雯教授公开演讲资料

穿透“盲区”： 量子算法能精准解析纳米级厚度细分下的光谱特性，揭示出经典 AI 无法发现的底层材料原理，真正实现了从“优化结果”到“理解机制”的跨越。

而在国产硬件的实测中，具备“全连接”优势的相干伊辛机（CIM），在面对 10.2 万规模的大数据样本优化时，国产相干光量子计算机（玻色量子提供）仅在 2.56 毫秒内便实现了目标性能理论极限的 85.95%，该结果比国际领先的 D-Wave 量子退火机单次优化的 85.82% 还略胜一筹。

图源吴蕴雯教授公开演讲资料

在吴蕴雯教授看来，相干伊辛机的意义或许更为长远。由于其全连接特性，它在处理复杂系统时更接近真实物理过程，这种“结构上的一致性”，可能在未来带来更强的建模能力。

当计算过程本身与自然系统同构时，其结果也更接近真实物理行为，这使得量子计算不仅能够优化结果，还可能帮助理解深层机制。

回到材料科学，这一点尤为重要。因为材料研究的终极目标，不仅是找到一个“好用”的结构，更是理解它为何有效。

在尚未被看清的空间里

吴蕴雯教授并未把量子计算看作一个“已经成熟”的答案，而是更愿意把它理解为一种新的尝试：在材料问题逐渐变得难以被描述、难以被计算的时候，去寻找另一种可能的表达方式。

吴蕴雯教授团队于 2015 年在日本接触量子退火机，掌握了经典计算和量子计算的“翻译密码”。基于在先进封装材料领域的长期积累，她深刻认识到，随着问题维度的不断上升，新材料的优化求解面临严峻的“维数灾难”，有些困难并不是“算得不够多”，而是“算的方法本身已经不再适用”。

图源网络

在国家科技政策的号召下，2024 年，吴蕴雯教授毅然投入到国产专用量子计算机的优化算法开发中，利用团队在量子退火机以及材料领域多年的积累，致力于用量子计算解决材料工程应用中的“真问题”，推动国产专用量子计算机在材料领域的实际应用。

目前，她正带领团队将应用场景扩展至集成电路先进封装材料与高熵合金设计。她坚信，科研需要“自由的心灵”，因而在培养学生时，她也鼓励学生要勇于发表不同看法，因为唯有打破陈规的自由探索，才能在未知里找到通往未来的那条路。

在那片维度极高、关系纠缠的空间里，研究者此前看到的，只是其中一部分，而作为新型算力的量子计算，正为材料科学打开一种全新探索方式。

至于那片空间的全貌究竟如何，答案正在毫秒级的计算中加速生成。

吴蕴雯教授简介

上海交通大学材料科学与工程学院长聘副教授，博士生导师。她深耕集成电路先进互连与电子封装领域十余年，在三维封装技术、AI+ 互连材料智能设计、量子计算等方面取得了系列创新成果，相关研究曾获国家自然科学基金及多项产学研重点项目支持。以第一/通讯作者在 Nat. Commun.、Adv. Funct. Mater.、Acta Mater.、Energy Environ. Sci. 等期刊发表 SCI 收录论文 70 余篇，授权国家发明专利 10 项。

「END」

---

文章转载自微信公众号：量子前哨

原文链接：https://mp.weixin.qq.com/s/XjemXI5xw0yDix7YiYtpGw?scene=1