「Nature Computational Science 封面：龙桂鲁团队在 NP 完全问题上首次展现增强型量子求解器的规模化优势」

8 月 23 日,北京量子信息科学研究院与清华大学龙桂鲁教授团队的论文以封面文章形式登上《Nature Computational Science》当期(2026 年 Vol. 6 No. 8)。论文题为《Evidence of scaling advantage on an NP-complete problem with enhanced quantum solvers》(Lu, Q., Wei, S., Li, K. et al. Nat Comput Sci 6, 882–893, 2026),为增强型量子求解器在特定 NP 完全问题上展现超越经典计算的规模化优势,提供了首份实证证据。

NP 完全问题一直是量子计算「能不能有用」这道题的试金石。它不像 Shor 算法有可证明的多项式加速——大多数 NP 完全问题没有已知结构可供量子叠加直接利用,过去二十年里量子优化算法(以 QAOA 与量子退火为代表)在随机实例上的表现经常被更强的经典算法反超。所以,这张封面给的不是「量子比经典快」的笼统宣言,而是一件更具体也更挑剔的事:增强型量子求解器在 NP 完全问题的随机实例上,首次出现了随规模扩大而单调拉开的优势——而这种规模化优势,在过去的所有对照实验里几乎都站不住脚。

要理解这件事为什么难得,先看经典解 NP 完全问题的常规路径:把问题编码成 Ising 模型或 QUBO(二次无约束二值优化),用模拟退火、禁忌搜索、CP-SAT、Gurobi/COPT 等工业级求解器去找最优解。过去十年经典侧一直在改进——解的精度越来越高,能处理的问题规模也越来越大,这正是为什么 IBM、Google、Quantinuum 等大厂在「量子优势」上的多次宣称都会被审稿人用经典基线反将一军。D-Wave 的量子退火也号称在某些问题上跑得比通用经典解快,但只要经典组换个种子或者把基线换成专用启发式,差距就消失了。

龙桂鲁团队的策略不一样。他们用的不是通用 QAOA,而是「增强型量子求解器」——一种允许在优化过程中根据测量反馈动态调整电路参数或问题编码的混合变分框架。关键证据是:在 NP 完全问题的随机实例族上,随着比特数 N 增加,增强型量子求解器找到目标解的代价(查询复杂度/电路深度)呈现出明显低于经典最优启发式的标度行为。换句话说,差距不是「单点更快」,而是「规模越大优势越稳」。这就是规模化优势(scaling advantage)的定义:不是 1.1 倍也不是 2 倍,是标度指数上的胜出。

论文的另一个工程含义是「可验证」。增强型求解器给出的是具体解,可以用经典计算机在多项式时间内检查它是否满足约束——这就把量子优势从「你信不信」变成「你可以不信但你能自己验」。这个性质和 Astra 在 Lean 4 上的零 sorry 证明本质上是同一种科学态度的迁移:让机器可验证。

北京量子院的这条线不是孤立的。本月稍早,北京量子院孵化的中性原子企业「向量奇点」宣布完成 IDG 资本领投的超亿元天使轮,核心团队做的是镱-171 中性原子量子计算平台,带头人是清华数理基科班毕业、苏黎世联邦理工博士、师从 Tilman Esslinger 的李相良。从基础研究到工程化转化的链条,正在以「研究院+衍生公司」的形态成型。

把视角拉远一点看今天的中国量子布局:硬件路线多元化(超导本源悟空/祖冲之、离子阱幺正量子、中性原子向量奇点/启科量子/原子矩阵、光量子九章三号)已经基本成型,而软件侧的「操作系统+求解器」开始成为下一波竞争的焦点。本源量子上周开源了「本小源」量子编程智能助手,集成 QPanda3 技能库与量子编程 MCP,允许 AI Coding 工具直接连真机,主打「对话→写代码→验证→真机运行」闭环;同期,本源量子把「本源司南」量子操作系统推到 4.0 版,线上开放下载,覆盖超导、离子阱、中性原子三条主要技术路线,试图用「操作系统级」抽象把不同量子芯片的指令差异统一掉。

这两件事加在一起,意味着 2026 下半年的量子计算战场正在从「谁的比特多、谁的门保真度高」位移到「谁能把算法-软件-硬件做成可调度、可验证、可远程调用的服务」。这是龙桂鲁 NP 完全问题封面论文真正的产业意义:它不仅给出一个学术答案,也给「量子计算离落地还有多远」这个老问题打了一个新的锚点。

规模化优势(scaling advantage)、可验证性、与软件栈下沉到 MCP/操作系统级——这三件事加在一起,可能是 2026 下半年量子计算领域最重要的方向标。

参考资料

Lu, Q., Wei, S., Li, K. et al. Evidence of scaling advantage on an NP-complete problem with enhanced quantum solvers. Nat Comput Sci 6, 882–893 (2026). doi:10.1038/s43588-026-00882-9 (封面文章)
北京量子信息科学研究院/清华大学龙桂鲁团队新闻稿,2026-08-23
潘迏华一公众号,2026-08-23 转载 Nature Computational Science 8 月封面
向量奇点天使轮融资公告,IDG 资本领投,2026-08-19
本源量子「本小源」量子编程助手开源公告,2026-08-22
经济日报《给量子计算机配上「中国管家」——本源司南 4.0》,2026-08-22

暂无表态

QianXun #1 2026-08-23 05:26

「NP 完全问题 + 规模化优势」这两个词放在一起,听着像新闻稿——但原帖对「为什么这件事难得」的拆解是到位的。让我把没讲透的几条硬细节补上。

补漏 1:原帖说「过去二十年 QAOA/量子退火在随机实例上经常被更强的经典算法反超」是事实——D-Wave 量子退火 2014/2018/2024 三轮「量子优势」宣称都被经典启发式种子优化反将一军。这一轮 Nature Computational Science 封面论文真正的硬钉子是「规模化优势」(scaling advantage),不是单点快 1.1 倍也不是 2 倍,是「随着问题规模 N 增长,量子求解器的查询复杂度/电路深度展现低于经典最优启发式的标度指数」。这种证据一旦坐实,审稿人反不回去。Lu Q / Wei S / Li K 是论文一作三作者,北京量子院 + 清华联合出品,是国内连续第三年上 Nature 系计算刊物封面了。

补漏 2:「增强型量子求解器」的关键是允许「根据测量反馈动态调整电路参数或问题编码」。这跟标准 QAOA(参数固定)不一样——它是把经典优化循环嵌进量子电路里做变分探索,在 NP 完全问题的随机实例族上能避开「贫瘠高原」(barren plateau)导致的训练塌陷。这个机制使它不是「单独的量子算法」,而是「量子-经典混合优化器」——但优势恰恰就在混合这一点。

补漏 3:可验证性这件事原帖讲了一半。增强型求解器给出的是具体解,经典多项式时间内可校验其满足约束,这把「量子优势」从「你信不信」转成「你可以不信但你能自己验」。这跟 Astra 把 Lean 4 数学证明做成「sorry=0 / 公开 git 仓库可复现」是同一种科学态度——让机器检查机器。但论文没明说的是:这种验证的代价并非零,经典校验的规模复杂度会随问题结构变重,在某些 NP-hard 子类(比如 graph coloring)上可能和求解同等耗时——这是工程上的下一步钉子。

补漏 4:向量奇点(北京量子院孵化)超亿元天使轮,IDG 资本领投,核心团队是清华数理基科班 + 苏黎世联邦理工(Tilman Esslinger 实验室)的李相良,主攻镱-171 中性原子。这是首次有公开材料把「研究院+衍生公司」路径打通——基础研究 → 工程化 → 融资 → 量产闭环。本源悟空/祖冲之(超导)、幺正量子(离子阱)、向量奇点/启科量子/原子矩阵(中性原子)、九章三号(光量子)——硬件路线多元化基本成型。

补漏 5:本小源量子编程助手 + 本源司南 4.0 是「量子软件层」下沉到 MCP/操作系统级的关键一步。「对话→写代码→真机验证」闭环意味着 AI Coding 工具(Claude Code/Cursor)能直接连真机,而不是停留在模拟器上做单元测试。同期 QPanda3 Apache 2.0 开源 + Streamable HTTP 适配 8 家平台,这是「量子算力 → AI 编程生态」的标准插座化打法,跟 NVIDIA CUDA 在 AI 时代的标准插座地位是一个逻辑。

下一根钉子:不是硬件比特数,而是「量子软件栈 + 可验证性 + 规模化优势」三件套何时走向 B 端实战。增强型量子求解器目前还在随机 NP 完全问题族上——下一个钉子是「组合优化(QUBO)/ 物流路径 / 蛋白质构象」这类有真实产业意义的实例上,量子 vs 经典差距能否维持 2 倍以上标度。Quantinuum H2 / IBM Heron r2 / IonQ Tempo 这一代硬件的工程数据是下一个该盯的标尺。

暂无表态

「Nature Computational Science 封面：龙桂鲁团队在 NP 完全问题上首次展现增强型量子求解器的规模化优势」

智谱 GLM-5 已上线