玻色量子展台

玻色量子创始人&CEO文凯博士演讲现场

演讲中，文凯博士首先介绍了近年来广受关注的相干光量子计算机（Coherent Ising Machine, CIM）。他提到，根据应用需求，量子计算机分为基于逻辑门的通用量子计算机和非门型的专用量子计算机。基于量子逻辑门的通用量子计算，旨在实现大规模、容错的通用量子计算，但目前在量子比特的稳定性、错误率、可扩展性、量子比特规模以及量子算法和软件的成熟度等方面仍存在瓶颈，实现真正的通用量子计算预计还需要10-20年时间。而非门型的专用量子计算机利用量子叠加特性来解决特定问题，在错误与退相干的控制上更为容易，操作复杂度也更低，可实现规模更大的量子比特数量，在诸多领域具有实际应用价值。

文凯博士表示，作为专用量子计算机的代表企业，玻色量子自研的相干光量子计算机已在多领域进行了实践验证。这是一种专门用于解决伊辛问题的量子计算机，由光量子态制备、光量子存储器和测控一体机三个核心模块组成。基于伊辛模型，相干光量子计算机利用光纤中的激光脉冲对量子比特进行编码，并通过利用量子系统向基态能量进行衍化的过程来寻找最低哈密顿量，即计算问题的最优解，具备极高的并行计算能力和快速求解性能。玻色量子目前已推出最新一代1000量子比特相干光量子计算机，是目前国内首个突破千比特规模、唯一可长时间稳定运行的专用光量子计算机，具备更强的计算能力、更广泛的应用前景和更强的扩展性，在量子计算机的商业化、实用化上到达了新的里程碑，目前已在人工智能、通信、金融、医药、能源等行业实现了一系列成果突破。

玻色量子自研的1000量子比特相干光量子计算机

此外，文凯博士还深入解读了相干光量子计算机在量子稀疏优化中的应用。在数据洪流席卷全球的时代背景下，如何有效利用数据的稀疏性或在稀疏性条件下解决实际问题，已成为信号处理、机器学习、医学成像等多个领域的关键挑战。然而，传统稀疏信号重构方法常常面临计算复杂度高的挑战，在大规模问题上表现尤为突出。

稀疏优化问题本质上是⼀个包含⾮凸⾮线性项的组合优化问题，这类问题在传统算法体系中极度依赖启发式结构或连续松弛技术，而近年来，量子优化硬件发展迅速，特别是相干光量子计算机，为求解这类问题提供了全新的物理实现路径。基于相干光量子计算机，玻色量子与北京师范大学、中国移动研究院组成联合研究团队，提出了一种统一量子稀疏优化框架，系统性地将三类典型的稀疏优化问题（ℓ₀正则、k-稀疏约束、不动稀疏度）转化为适⽤于量⼦硬件求解的QUBO问题，并提出了多种模型结构，还巧妙引⼊了Benders分解作为优化策略，实现了量⼦与经典模块的解耦与协同。通过在相干光量子计算机上进行真机测试，证明其表现始终优于经典算法，有效验证了相干光量子计算机求解大规模稀疏优化问题的效率和准确性，展示出相干光量子计算机在实际场景中解决复杂组合优化问题的潜力。

除了在量子稀疏优化中的应用，文凯博士还阐述了相干光量子计算机在量化神经网络（QNN）训练领域的应用。深度神经网络（DNN）在计算和资源方面消耗巨大，而量化技术正是缓解这一问题的关键方法。通过将高精度的浮点数转换为低精度的数据格式，量化不仅能够降低内存占用、计算需求和能耗，还使得深度神经网络能够在智能手机等资源受限的边缘设备上部署。然而，量化神经网络（QNN）的训练本质上是一个离散优化问题，这使得基于梯度的传统优化方法难以有效发挥作用。文凯博士介绍，当前已有一种应用于量化神经网络的伊辛训练算法，以最小化的损失函数——均方误差为目标，可将QNN的训练过程表述为二次无约束二值优化问题应用于相干光量子计算机求解，是神经网络量子训练领域的重要突破。真机验证实验表明，它能在毫秒之内解决大规模二进制优化问题，不仅为AI时代的模型训练提供了另一种可能路径，也是相干光量子计算机在量子AI时代突破实用化量子计算发展的关键突破之一。

量子计算与AI的协同发展正成为科技前沿的重要趋势。2024年诺贝尔物理学奖花落神经网络先驱、玻尔兹曼机（Boltzmann Machine,BM）的提出者杰弗里·辛顿（Geoffrey Hinton），标志着玻尔兹曼机这一融合统计力学与AI的模型获得国际最高科学奖的认可。玻尔兹曼机是一种基于统计物理的能量模型，可将数据变量映射为自旋粒子，驱动系统向最小能量态演化，具备无监督生成学习能力，能够学习数据概率分布并生成新样本（如图像重构、文本生成），为深度学习打下坚实基础。

文凯博士表示，玻色量子日前已重磅发布自研的全国首个量子玻尔兹曼机（Quantum Boltzmann Machine，QBM）及开源编程套件（Kaiwu-PyTorch-Plugin，KPP），巧妙利用了伊辛模型与玻尔兹曼机在数学上的等价性，以量子采样替代传统的Gibbs Sampling方法，大幅提升了玻尔兹曼机的训练效率，能够解决经典玻尔兹曼机因高复杂度而无法高效训练的难点，且已实现蛋白质结构预测的算法框架的真机场景验证。此外，玻色量子更进一步将其集成到VAE深度生成模型框架中，实现了量子-经典混合的QBM-VAE（经典的变分自编码器）生成建模方式，并在单细胞转录组学分析（一种在单细胞水平检测基因表达以揭示细胞异质性和功能差异的技术）中完成测试，结果表明QBM-VAE可显著提升聚类精度，检测到传统方法无法辨识的新型细胞亚型（具有独特特征的新致病因素），为靶点发现提供新线索。

2025被联合国定为“国际量子科学与技术年”，量子计算作为全球科技竞争的焦点之一，其所展示出的潜力已经覆盖基础科研、产业升级以及未来战略布局。在专用量子计算率先实现落地应用的NISQ（含噪声中等规模量子）时代，必须强化跨学科合作与前沿交流，汇聚多方智慧与资源，构建繁荣的产业生态，加速推动量子计算技术在更多行业与真实场景实现规模化与产业化，玻色量子也将一如既往推进实用化量子计算在各行业的深度融合与落地，为我国量子计算的技术创新与实力飞跃注入强劲动力。