量子计算有望彻底改变多个领域，但由于量子系统的脆弱特性，能够解决现实问题的实际应用仍面临巨大挑战。量子位作为量子信息的基本单位，其本质上不稳定且易受退相干影响——即与环境的相互作用导致其丧失量子特性。 热波动、振动或电磁场等外部噪声会加剧这种不稳定性，因此需要极端隔离和精确控制，通常通过将量子比特维持在超低温环境来实现。在系统规模扩展时，如何维持足够长的量子相干性以完成有效计算，仍是亟待攻克的重大难题。
另一个重大挑战在于确保量子操作（即“门”）的准确性和可靠性。量子门必须以非凡的精度操控量子比特，然而硬件缺陷会引入随时间累积的误差，危及计算的完整性。尽管量子纠错技术提供了潜在解决方案，但它们需要巨大的计算资源，从而大幅增加了硬件要求。这些物理和技术限制为构建可扩展的实用量子计算机设置了根本性障碍。
与神经网络的交汇点
缓解这些问题的有效途径之一，在于经典神经网络出人意料地具备近似量子态的能力。正如在 经典神经网络何时能表示量子态？ （杨等，2024）中所述，某些神经网络架构——如循环神经网络（RNNs）和卷积神经网络（CNNs）——经过训练后可展现量子特性。这一发现表明，经典神经网络无需完全依赖脆弱的物理量子比特，而是可作为中间计算层，通过学习和模拟量子行为来减轻量子处理器的负担。 杨氏进一步提出，经典深度学习模型或许能高效学习并编码量子关联，从而实现动态错误预测与纠正，在无需过量物理量子位的情况下提升容错能力。
能够表示量子状态的神经网络，亦可催生新型混合计算模式。最新研究表明，人工智能（AI）与量子计算并非互斥领域，未来二者将形成互补关系：经典AI模型可处理优化、控制及数据预处理任务，而量子系统则专攻计算上难以解决的问题。
最终，量子力学与人工智能的相互作用很可能重塑我们的计算方式。尽管量子计算机仍处于萌芽阶段，人工智能却能成为释放其潜能的桥梁。通过利用经典神经网络模拟量子特性，科学界或许能突破当前量子硬件的局限，加速实用且可扩展的量子系统发展。经典计算与量子计算之间的界限，或许并不如人们曾经认为的那般绝对。
