<p>量子電腦的發展正處於從實驗室邁向應用的關鍵轉捩點。微軟的「Majorana 1」與亞馬遜的「Ocelot」，顯示科技巨頭已積極布局，凸顯其潛在的商業價值。然而，硬體的進展也反過來對軟體與演算法設計提出了新挑戰：那就是如何高效駕馭這些新興的計算能力？特別是，人工智慧（AI）在這波浪潮中應扮演何種角色？量子電腦是否能成為 AI 的新一代興運算平台？這些問題，已成為學術界與產業界共同關注的核心議題。</p>
<p>&nbsp;</p>
<p>大家都想知道，到底 AI 能在這波量子技術發展中發揮什麼作用呢？而這個問題的核心，就在於當前 AI 在「量子電路設計」中扮演的角色，是否能達到如大型語言模型般，自主生成全新且具實質意義的成果？對此，國立臺灣大學電機工程學系副教授鄭皓中提供了值得讓人深思的觀點。</p>
<p>&nbsp;</p>
<h2><strong><span style="font-size: 20px;">為什麼要導入人工智慧設計量子電腦？</span></strong></h2>
<p>人工智慧是讓機器具備「像人一樣學習與判斷」的能力。無論是 AlphaGo 戰勝圍棋冠軍，還是 ChatGPT 用自然語言和人對話，背後都是透過「大量訓練」達到的結果。</p>
<p>&nbsp;</p>
<p>量子電腦則是用量子力學的原理來重新設計整個電腦架構。傳統電腦以「位元」（bit）為單位，每個位元在任一時間點只能是 0 或 1；而量子電腦的「量子位元」（qubit）能同時處於 「0 量子態」 和 「1 量子態」 的疊加狀態，這使得它在處理特定複雜問題時，如：質因數分解、分子模擬與組合優化等，理論上具備超越現今傳統電腦的計算優勢。</p>
<p>&nbsp;</p>
<p>不過，要讓量子電腦真正有效運作，必須先設計出適合的「量子電路」。這和我們熟悉的電子電路完全不同。傳統電腦靠電晶體與電阻等元件控制電流邏輯；而量子電腦的核心，則是由能產生並維持量子態的裝置構成，例如：超導量子電腦中的約瑟夫森接面、離子阱中的懸浮離子，或光子電腦中的干涉儀。這些裝置能實作「量子位元」，但也極度敏感，必須在接近絕對零度或高真空等條件下，透過微波、雷射或光學控制訊號進行操作。</p>
<p>&nbsp;</p>
<p>傳統電腦的位元要維持 0 跟 1，核心概念相對單純，只要確保電路中的電壓穩定處在明確範圍即可。例如，高於特定電壓值（像是3伏特以上）就被明確定義為「1」，而遠低於此（像是接近0伏特）則為「0」。這種電壓閾值設計，不僅控制邏輯清晰，狀態也相對穩固，不容易受到環境雜訊干擾，在常溫下可靠地運作與維持。</p>
<p>&nbsp;</p>
<p>然而，量子電腦中量子位元的運作方式，與傳統電腦有天壤之別。量子位元追求的不是非黑即白的穩定狀態，而是利用量子力學中的「疊加態」—它可以同時是 「0 量子態」 也是 「1 量子態」，更精確地說，一個量子位元可以處於代表 0 和 1 的無數種不同「可能性組合」中的一種量子態，每種組合都對應著測量時得到 0 或 1 的不同機率。 這些精密的量子態如同水中極易消散的漣漪，對環境的擾動極度敏感。</p>
<p>&nbsp;</p>
<p>也就是說，傳統位元就像一個堅固的蹺蹺板，你只要施力在其中一端（0 或 1），就能輕易保持；但量子位元則是在支點上，讓一根羽毛以特定的角度持續旋轉漂浮，每個不同角度，都是對應一組不同的「可能性組合」。</p>
<p>&nbsp;</p>
<p>當我們要這根「羽毛」穩定維持旋轉漂浮的姿態，會需要極其苛刻的「無風」環境，也就是前面提到的「接近絕對零度」、「高真空」等條件。</p>
<p>&nbsp;</p>
<p>也因此，設計一套可以實際在硬體上執行的量子電路，不只要求邏輯正確，還得考量量子電路實作時的物理條件與控制精度。</p>
<p>&nbsp;</p>
<p>正因如此，科學家開始嘗試引入 AI，協助設計與改善量子電路。</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2025/06/14-1_670x460.png" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">在AI的時代下，微軟與亞馬遜推出量子晶片，讓量子運算離商業化更近一步。那麼AI 是否能協助設計量子電路，也成為產業與學界關注的焦點。</div>
</div>
</div>
</div>
</div>
<p>&nbsp;</p>
<h2><span style="font-size: 20px;"><strong>AI 能不能像 GPT 一樣，請它「幫我寫一個量子電路」？</strong></span></h2>
<p>&nbsp;</p>
<p>那 AI 能不能像 GPT 一樣，直接請它「幫我寫一條全新且有實質意義的量子電路」？根據鄭皓中副教授的說法，目前還做不到這一步。</p>
<p>&nbsp;</p>
<p>鄭皓中副教授指出，AI 要真的「學會」設計新的量子演算法，現在還有很長的路。因為要開發出一條既有創意、又能在量子電腦上實際有效運作的演算法，本身就是個很難的學術研究問題。如今科學家大致已了解設計量子演算法的三大方向：「振幅增強演算法」（Amplitude Amplification Algorithm）、「相位估計演算法」（Phase Estimation Algorithm）、「量子模擬」（Quantum Simulation）。然而可當作有效訓練資料且具備計算優勢之量子電路的種類與數量均不夠多，甚至科學家仍不夠了解如何選定AI模型中具代表性的效用函數，因此目前的 AI 還沒有這樣的能力。</p>
<p>&nbsp;</p>
<p>但這不表示 AI 在量子電腦領域毫無用處。在一些比較實際的問題上，像是「怎麼把複雜的古典資料，轉換成量子電腦能用的格式」，AI 就已經開始發揮作用了。</p>
<p>&nbsp;</p>
<p>鄭皓中副教授的團隊今年發表了一項名為〈Adaptive circuit learning of born machine: towards realization of amplitude embedding and quantum data loading〉的研究成果，刊登於《Quantum Science and Technology》期刊。他們關注的是量子機器學習中一個實際卻常被忽略的難題：如何把古典資料載入量子電腦？</p>
<p>&nbsp;</p>
<p>所謂古典資料，指的是我們日常所用的影像、數值、文字等，這些都是以位元的方式儲存，得先轉換成量子位元的形式，量子電腦才能接手處理。其中一類重要的載入方式就是把古典位元編碼至量子態的機率振幅，然而這種轉換過程並不是像把隨身碟中的資料載入傳統硬碟那麼容易，而是需要根據所要載入的古典位元來設計適當的量子電路才能完成，困難的是至今仍無量子電路可以對廣泛類型的古典資料皆高效達成此任務。假如這個轉換過程本身就很耗時、很複雜，那即使後段的量子運算再快，整體效率仍會被拖累。這正是目前量子機器學習領域中，一直難以解決的瓶頸之一。</p>
<p>&nbsp;</p>
<p>鄭皓中副教授的研究提出了一種「自適性量子電路學習」（adaptive circuit learning）方法，簡單來說，就是用 AI 來幫忙設計一條能根據資料自動調整的量子電路，以數據驅動的方式來達成載入古典資料於量子電腦。要完成這個工作，AI 採取的方法是：一開始給一條簡單的電路架構，然後讓它在不同的資料集上進行測試。每次測試之後，AI 會根據結果（像是 KL 散度或傅立葉誤差）去評分，看看離「理想答案」有多遠，再用這個分數來微調下一版電路。這樣來回幾次，就能找到一條相對準確又高效率的電路。</p>
<p>&nbsp;</p>
<p>這種做法有點像訓練機器學習模型，也是靠反覆試錯、邊做邊改。不同的是，這次訓練的對象變成了量子電路的結構，而且還要配合量子位元的特殊性質來調整。研究結果也顯示，這樣的方式比現有的文獻方法更精確，尤其在處理圖像等高維資料時，效果特別明顯。</p>
<p>&nbsp;</p>
<p>鄭皓中副教授也表示，這種做法距離「讓 AI 自己寫出完整、實用的量子演算法」還有不少距離。不過，AI 的確已經在幾個具體方向上派上用場。比方說，它能根據不同資料的特性，幫忙建議哪些量子閘比較適合放進電路裡；也能在不影響功能的前提下，幫我們把電路簡化，減少需要操作的步驟。這些功能對現在還在摸索中的量子應用來說，是很實際、也很重要的幫手。</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2025/06/14-2_670x460.png" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">AI雖不能獨立完成量子演算法，但可根據資料特性建議合適量子閘，並簡化電路、減少操作步驟，為量子應用提供實用且重要的輔助。</div>
</div>
</div>
</div>
</div>
<p>&nbsp;</p>
<h2><span style="font-size: 20px;"><strong>臺灣的量子科技戰略</strong></span></h2>
<p>量子電腦與人工智慧的結合，正逐漸成為各國科技戰略的重要布局方向。儘管臺灣不像美國、中國擁有龐大的投資規模與實驗資源，但在這場全球競賽中，仍有一席之地可爭。近年在國科會主導下，臺灣展開一系列「量子科技專案」，其中多項研究計畫便聚焦於 AI 如何協助量子電路的設計與最佳化。</p>
<p>&nbsp;</p>
<p>例如：中研院資訊科學研究所鐘楷閔教授所主持的「量子計算機科學之理論發展」計畫，便針對量子演算法的效率與架構進行長期理論建構；而臺灣大學電機系江介宏教授主持的「量子程式驗證與轉換」計畫，則專注於量子軟體的結構轉譯與正確性驗證。這些來自不同領域的研究團隊逐步搭起合作的橋梁，也為臺灣建立出一套跨領域交會的技術基礎。</p>
<p>&nbsp;</p>
<p>在技術層面上，這樣的合作已有初步成果浮現。鄭皓中副教授與臺大電機系黃鐘揚教授團隊近期便合作發表了一篇針對大型量子處理器「排程與路由方法」（qubit mapping）的論文。當前主流量子處理器仍受限於量子位元的局部連接性，難以直接實作如質因數分解等大型演算法，而該研究則提出一套可擴展至萬顆量子位元的排程架構，於短時間內成功完成高達 11,969 個量子位元的演算法布局，並在運算效率上超越現有的國際主流解法。</p>
<p>&nbsp;</p>
<p>但研究過程從來不是線性的成功路徑。鄭皓中副教授也分享，過去曾與學生花費數月完成一項關於量子資訊理論的成果，卻在投稿前發現國外團隊已經將類似研究搶先發表。雖然兩邊都是獨立進行，但在全球同步競爭的場域中，誰先曝光、誰掌握主導權，早已是無法忽視的現實。</p>
<p>&nbsp;</p>
<p>儘管如此，這些經歷並沒有讓研究人員氣餒。面對資源有限的挑戰，他們選擇一步步地累積成果。或許無法一躍成為領跑者，但正是這樣的默默投入，讓臺灣在量子科技的全球競爭中，逐漸走向舞台中央，並站穩了自己的位置。</p>
<p>&nbsp;</p>
<p>&nbsp;</p>
<p>（客座總編輯｜清華大學物理系 林秀豪特聘教授 、東海大學物理系 施奇廷教授；研究顧問團隊｜台灣大學物理系 管希聖教授、台灣大學電機系 鄭皓中教授；責任編輯｜曹盛威、趙筱文）</p>
