近日，电子科技大学基础与前沿研究院汤迎教授团队，联合中国科学院理论物理研究所张潘研究员，在 PRX Intelligence 发表了题为 “Quantum Flow Matching” 的研究论文。论文提出了一种全新的量子生成模型——Quantum Flow Matching（QFM），首次将经典机器学习中的 Flow Matching 思想推广到量子领域，实现了密度矩阵之间的高效连续演化，为量子态制备、量子动力学模拟和量子统计计算提供了统一的新框架。
电子科技大学基础与前沿研究院博士生崔子栋为论文第一作者。电子科技大学基础与前沿研究院汤迎教授、中国科学院理论物理研究所张潘研究员为论文通讯作者。电子科技大学基础与前沿研究院为论文第一作者单位。其他主要单位包括电子科技大学物理学院、量子物理与光量子信息教育部重点实验室、非经典信息科学四川省基础学科研究中心。
针对密度矩阵制备以及演化这一挑战，论文首次提出了Quantum Flow Matching（QFM）框架，将经典生成模型中的 Flow Matching 理论推广至量子计算领域。该方法利用参数化量子线路学习密度矩阵之间的连续传播过程，通过统一的量子线路即可实现不同量子态之间的高效映射，无需针对不同目标反复设计量子线路，大幅降低了量子态制备的开销（图1）。
QFM能够灵活适用于任意初始态和目标态之间的连续演化，并支持数据驱动学习和解析构造两种实现方式。论文进一步将QFM应用于多个典型量子物理问题，包括具有指定磁化强度和纠缠熵的量子态生成、量子Jarzynski等式中的非平衡自由能估计，以及量子超扩散动力学模拟等，均取得了优异效果，展现了该方法在量子生成建模和量子统计计算中的广阔应用前景。
该研究首次建立了连接经典 FlowMatching 与量子生成模型的统一框架，为生成式人工智能与量子计算的交叉融合提供了新的研究方向，也为未来量子机器学习和量子科学计算的发展提供了新的技术路线。
图1：Quantum Flow Matching框架示意图。通过学习密度矩阵传播子，实现不同量子态之间的连续演化与高效生成。
该工作得到了国家自然科学基金（12322501, 12575035, 12325501）和四川省自然科学基金（2026NSFSCZY0124）的大力支持。
汤迎教授团队长期从事机器学习、随机动力学、统计物理等研究的领域，取得了原创性成果，发表论文30余篇，包括近五年一作或通讯(含共同)主导完成1篇Nat.Mach.Intell.，3篇Nat.Commun.,1篇PRX Intelligence，1篇Rep.Prog.Phys.等，Google学术引用6000余次。
论文链接 DOI:https://doi.org/10.1103/s6zj-vzdp
