让AI自动看懂微观量子世界！同济团队“AI放大镜”无监督识别量子物态

任捷 投稿 
量子位 | 公众号 QbitAI

看不见、摸不着的微观量子世界里，藏着颠覆常识的神奇物质。

永远周期性跳动的离散时间晶体、被“锁死”无法扩散的多体局域化系统、混沌与有序切换的量子自旋链……

过去，分辨这些截然不同的量子多体物态，必须靠顶尖物理学家凭借深厚理论功底逐个系统分析，一旦系统存在噪声、无序干扰，传统算法无法分辨，极易混淆。

如今，同济大学任捷量子声子学与量子人工智能课题组交出全新解法：一套依托「时间波动复杂度放大距离（TFCAD）」的无监督人工智能框架，无需任何物理先验知识，仅凭可观测的量子时序数据，就能自动精准划分各类量子动力学相。

这项成果发表于国际权威期刊《Physical Review E》2026年6月刊，不仅打通“AI识别量子多体动力学”的全新路径，更有望能跨界应用于地震预警、金融趋势研判等复杂时序场景，是国内量子人工智能交叉领域的原创成果。

△Temporal Fluctuation Complexity Amplified Distance（TFCAD）方法原理示意图

量子研究的百年痛点：时序数据“藏玄机”，传统算法“看不清”

先把复杂物理概念翻译成大白话：

量子多体系统，就是一大堆相互纠缠、互相影响的微观粒子（电子、自旋等）。当人为给粒子施加周期性脉冲、随机无序势场，粒子会随时间演化出完全不同的行为模式，也就是量子动力学相，对应完全不一样的材料特性、量子计算潜力。

科学家想要研究这些物态，会持续测量一个随时间变化的物理信号（最常用洛施密特回波，可理解为“量子记忆留存度”，衡量系统还记不记得初始状态），得到一长串时序曲线。

过去判断物态靠两套方案，全都有致命短板：

• 人工研判：依赖物理学家积累的理论经验，系统规模变大、混入实验噪声、无序干扰后，曲线高度相似，人眼完全分不清；
• 传统AI聚类（各种距离算法，比如欧氏距离）：只对比两条曲线同一时间点数值差，完全忽略波动节奏这个核心特征。

简单来说，传统AI聚类如欧式距离分类就像只看身高差区分两个人，完全忽略性格、动作、行为习惯，必然造成严重误判。

△欧式距离vsTFCAD聚类效果对比

论文通讯作者任捷教授解释道：“量子物态最核心的区分特征，恰恰藏在震荡快慢、起伏变化这些时间波动里，传统距离度量直接丢掉了这部分关键信息，这正是长久以来分类失效的根源。”

度量“复杂性”的黑科技：TFCAD，给AI装上“波动感知滤镜”

为解决传统算法丢失时序波动信息的核心缺陷，团队采用时间波动复杂度（Temporal Fluctuation Complexity，TFC）量化指标，在此基础上构建全新距离度量TFCAD，核心分为两步，逻辑通俗易懂：

时间波动复杂度TFC：丈量曲线“折腾程度”

TFC本质是计算整条时序曲线运动轨迹的总拉伸长度：曲线震荡越频繁、起伏越剧烈，轨迹拉得越长，TFC数值越高；平缓、低频波动的曲线，TFC数值更低。

完美捕捉高频、低频信号的本质差异，精准量化一条量子时序背后的动力学特征。

TFCAD放大距离：拉开不同波动曲线的差距

新距离公式简单理解为：传统距离×波动差异放大系数

• 两条曲线波动节奏接近（TFC数值相差小）：放大系数趋近1，距离基本等同于传统欧式距离；
• 两条曲线震荡模式天差地别（TFC数值悬殊）：放大系数呈指数级暴涨，大幅拉开二者在AI空间里的距离，彻底避免混淆。

将TFCAD距离搭配扩散映射流形学习算法，完成非线性降维：把海量高维量子时序数据，压缩到2-3维可视化空间，同一量子相的数据自动抱团形成清晰簇团，不同物态之间出现明显分界线，全程无监督、无人工标注、无需提前输入量子理论知识。

△量子东模型聚类结果对比

五大量子多体模型全验证：这套AI框架的TFCAD通用性拉满

科研最忌讳“一招鲜，只适配单一模型”，同济团队在论文主文与补充材料中，用五大完全不同的量子体系，全方位验证TFCAD框架的稳定性与普适性，覆盖当下凝聚态物理全部前沿热点：

• 离散时间晶体（DTC）

△离散时间晶体模型相图与TFCAD辅助的聚类演化

• 相互作用奥布里-安德烈（AA）准周期模型

△相互作用AA模型聚类相图揭示了热化相，多体局域相，以及之前不易察觉的慢动力学相

• 量子东（Quantum East）约束动力学模型
• 费因戈尔德-佩雷斯（FP）半经典混沌模型
• 横场伊辛量子自旋模型

在以上体系或模型中，TFDAC分类方法均体现其在分类方面的强大优越性、在某些模型中弥补了传统分类方法的痛点。除此之外，团队还完成严苛鲁棒性测试。关于TFDAC在这些模型中的具体应用和鲁棒性测试详情请见论文原文。

不止量子物理！跨界打开巨大应用前景

论文末尾提出一个极具想象力的方向：TFCAD本质是通用时序分析工具，不局限微观量子实验，凡是存在波动差异的长时序数据，都能复用这套框架：

• 地质灾害预警：地震、海啸监测波形，通过波动复杂度区分正常地壳微动与灾变前兆震荡；
• 金融时序分析：股价、大宗商品走势，自动识别平稳周期、剧烈波动、泡沫临界区间；
• 工业设备故障诊断：机械振动、电路电流时序，提前区分正常运转与故障前兆高频波动；
• 生物医学信号：心电、脑电波自动分型，识别心律失常、癫痫异常放电模式。

这套完全数据驱动、无需领域先验知识的AI工具，打破学科壁垒，有望成为复杂时序分析的通用开源算法。

同济这支青年科研团队：深耕声子与量子智能交叉

本研究由同济大学量子声子学与量子人工智能联合团队完成，通讯作者为王策副教授、任捷教授。团队长期深耕人工智能与凝聚态量子物理交叉（AI4S科学智能），此前已在拓扑声子、非厄米拓扑物态无监督机器学习领域产出系列顶刊成果，形成成熟的“物理理论+原创AI算法”研究范式。依托上海市自然科学基金原创探索、上海市优秀学术带头人计划项目资助完成全部推导、数值仿真与算法开发，全部原创理论、代码均完整公开于论文补充材料，可供全球科研同行复现、二次开发。

结语：AI成为物理学家的全新“仪器与工具”

长久以来，人类研究微观量子，依靠光谱仪、量子模拟器等硬件设备观测；而同济团队的这项成果，利用“时间波动复杂度”放大AI的能力，相当于为量子实验室打造了一台软件层面的智能量子显微镜：

无需提前吃透复杂量子理论，只要输入实验测得的时间演化曲线，AI自动分辨物态、定位相变边界、绘制完整相图，大幅降低量子多体动力学研究门槛，尤其适配未来大规模量子模拟、多通道量子测量产生的海量数据。

从分辨科幻感十足的时间晶体，到跨界守护地质、金融、工业安全，这套源自中国高校的原创时序智能算法，正在打通微观量子世界与宏观复杂系统的分析通路，为科学智能、量子人工智能开辟全新赛道。

期刊：Physical Review E 113, 065301 (2026)
标题：Complexity-powered machine intelligent classification of quantum many-body dynamics
单位：同济大学物理科学与工程学院
作者：冯赵然，陈江芷，王策（通讯），任捷（通讯）
论文链接：https://link.aps.org/doi/10.1103/l825-x9d5