量智融合！量子神经网络开发套件正式开源

8月7日，在“2025朝阳区科技创新大会暨人工智能生态建设大会”上，北京玻色量子科技有限公司（以下简称“玻色量子”）发布了自研的量子玻尔兹曼机（Quantum Boltzmann Machine，QBM）及开源编程套件（Kaiwu-PyTorch-Plugin，KPP）。这一成果是“量智融合”的重要里程碑，也是开源领域一项重大成果突破。

KPP下载使用链接：

https://kaiwu.qboson.com/plugin.php?id=quantumAI&type=community

KPP开源链接：

01

从“诺奖的物理智慧”到“能量模型的量子复兴”

2024年诺贝尔物理学奖授予了神经网络先驱、玻尔兹曼机（Boltzmann Machine,BM）的提出者杰弗里·辛顿（Geoffrey Hinton）。他于1985年创造性地将统计力学中描述粒子系统热平衡状态的玻尔兹曼分布（Boltzmann Distribution）引入神经网络，由此诞生了玻尔兹曼机。

玻尔兹曼机作为一种基于统计物理的能量模型，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），奠定了深度学习的基础。然而基于传统GPU硬件框架训练玻尔兹曼机时，其核心采样过程（玻尔兹曼采样）的NP-Hard特性导致模型训练难以实现，亟需新型计算硬件的突破性解决方案。

玻色量子自研的相干光量子计算机巧妙地利用光量子搭建了物理Ising模型，Ising模型与玻尔兹曼机的能量函数数学表达形式具有相互映射关系，这使得相干光量子计算机凭借其量子并行特性可高效处理玻尔兹曼分布采样，在训练速度上实现指数级加速，为解决玻尔兹曼机采样计算高复杂度而无法高效训练的难点提供解决思路。

02

从“量子玻尔兹曼机”到“量智融合”

基于上述原理，玻色量子技术团队经过技术攻关自研出量子玻尔兹曼机（QBM）及编程套件（KPP），并通过实践验证了其在AI制药领域的颠覆性潜力，让量子玻尔兹曼机从理论走向实践。这一技术突破不仅挑战了以Transformer为主导的AI计算范式，更开创了“量智融合”的新变革。

在此基础上，玻色量子还研究出一种量智融合的新型生成式模型QBM-VAE（Variational Autoencoder，VAE），可用于复杂分布数据生成、“高保真度”数据表征。在一个具有代表性的来自多个来源的数百万级单细胞数据集的复杂分布场景——单细胞转录组学数据的表征测试发现，基于QBM-VAE数据表征的聚类可清晰区分传统方法无法辨识的细胞亚型（具有独特特征的新致病因素），为复杂生物学研究提供了新的研究范式，为解析复杂疾病治病机制、发现关键靶点提供了新线索。

03

从“爆款场景”到“AI制药领域发展新范式”

在实际的科学与工程问题中，天然蛋白的氨基酸分布服从玻尔兹曼分布，玻色量子研究团队借助物种的进化学信息和相干光量子计算机的玻尔兹曼采样能力，来快速学习得到蛋白序列长时的进化学信息，从而捕捉到精确的氨基酸互作关系，进而推出基于量子玻尔兹曼机进行蛋白结构预测的算法框架。现有基于AI的方法，如AlphaFold等依赖于大量结构数据进行训练，在一些类别上的蛋白预测精度仍难以满足下游任务的需求。该算法框架在药物设计这一前沿交叉领域展现了价值。

与此同时，玻色量子还联合相关单位开发了蛋白质结构预测量子算法。基于量子玻尔兹曼机，高效求解Potts模型的同时精确预测蛋白氨基酸残基接触图，已在100结点的数据集上实现收敛，突破了传统算法难以攻克的复杂场景。

04

从“实践创新突破”到“开源普惠”

玻色量子已将该成果面向全球开源。基于PyTorch生态开源发布KPP训练套件，开放完整简单易用的Python API，借助PyTorch灵活定义神经网络的能力、量子计算特性提供的加速，致力全球开发者使用PyTorch自由定义能量神经网络，以量子玻尔兹曼机拓展AI研究和应用新边界。

玻色量子选择将核心成果以开源形式向全球开发者、研究机构及企业开放共享，这不仅仅是简单的技术公开，更是量智融合的一个关键转折点。

KPP作为基于相干光量子计算机设计的PyTorch插件，有效弥合了软件与硬件间的鸿沟，将量子采样推向指数级加速，其开源为国产量子硬件实用化提供了指导方向；同时，KPP驱动的量子玻尔兹曼机正在改变AI神经网络研究的发展方向，基于玻尔兹曼分布进行的无监督学习可显著突破生成式AI的研究边界，这不仅代表了工具升级，更是理论的跃迁—将Hinton的经典玻尔兹曼机量子化，为深度学习注入更坚实的物理数学基础；在生物研究领域，KPP的开源也将带来颠覆性的研发加速，创新的QBM-VAE模型实践经验将为国家实验室的临床验证、药企研究的算力需求等贡献量子加速研究路径，加速推进AI生物制药领域药物开发和临床验证的进程。