2025 年诺贝尔物理学奖已于 2025年10月7日揭晓，获奖者是John Clarke、Michel H. Devoret、John M. Martinis，因其在宏观量子隧穿（macroscopic quantum tunneling）与电子电路中能量量子化（energy quantisation in an electric circuit）方面的开创性实验而获奖。

获奖理由与科学意义

• 诺贝尔委员会授奖理由是
• 这三位科学家在上世纪 80 年代进行的一系列实验，将量子力学通常只在微观尺度才显现的特性（如隧穿效应、能级量子化）延伸到更“大”的尺度——即在电路里观测到量子行为。
• 他们的研究为可控量子系统的实现奠定了基础，是当前量子计算、量子传感器和量子加密等新兴技术的理论与实验支柱。
• 在获得诺贝尔奖的这项工作中，一个关键器件就是Josephson 结（Josephson junction）——超导电路中的一类电子元件，用于探测和操纵量子效应。

一文带你读懂：

一、这次诺贝尔奖讲的是什么？

二、这项研究为什么重要？

三、量子电路如何影响药物研发？

一、这次诺贝尔奖讲的是什么？

1️⃣ 什么是“宏观量子隧穿”（Macroscopic Quantum Tunneling）？

在量子世界里，电子、原子这些微观粒子可以“穿越”本来不该通过的能量障碍，就像一颗小球能凭空穿过墙——这叫量子隧穿。而宏观量子隧穿的惊人之处在于，科学家让“整个电路中的电流”也表现出这种量子特性——也就是说，一种肉眼能看到的“宏观系统”，表现出了“量子行为”。他们用超导电路（superconducting circuits）中的Josephson 结实验证明了这一点。这在 1980 年代以前几乎是不可思议的，因为量子现象被认为只存在于原子级别。

2️⃣ 什么是“电路中的能量量子化”？

如果把一个电路（由电感、电容、Josephson 结）设计得足够精细（超导材料）、足够冷（接近绝对零度），它里面的电流和电荷的运动也会表现出“量子化”特征。即电路的能量状态就像原子的能级一样是离散的。也就是说：

• 电路中电子的整体运动（比如电流）不再是连续的；
• 电荷在电容、电感中只能以特定的能量值存在；
• 这个电路就像一个“人造原子”——它有基态、第一激发态、第二激发态……每个能量态之间的间隔非常精确且可控。

这等于创造了“人造原子”——我们可以控制这些电路的能量状态，就像控制一个量子比特（qubit）一样。

二、这项研究为什么重要？

1️⃣超导量子计算的诞生：从实验到芯片

这三位获奖者奠定了整个量子计算机（quantum computer）硬件的物理基础。他们的实验让人类第一次能控制和操纵宏观量子的状态。后来所有的超导量子计算机（superconducting quantum computers），包括 Google、IBM、Rigetti 的量子芯片，都是建立在他们的成果之上。

例如Google 的 Sycamore 量子芯片（由Martinis团队主导设计），在2019年首次实现了所谓的“量子优越性（quantum supremacy）”，也就是在某类计算任务上，量子计算机的速度首次超越了世界上最强的传统超级计算机。这一里程碑标志着量子计算正式从实验室走向实用阶段。

2️⃣量子电路如何改变计算的边界？

普通计算机用比特（0 和1）处理信息，量子计算机用量子比特（qubit）工作。每个量子比特不仅可以是 0 或 1，还能同时处在两者的叠加态。这意味着它能在极短时间内并行处理海量可能性。当这些量子比特通过超导电路实现，就能进行前所未有的量子模拟、分子建模和能量计算。—— 这正是量子计算开始重新定义科学计算边界，并为未来的药物设计与材料创新打开新大门的关键。

三、量子电路如何重塑未来药物研发流程

1️⃣ 药物研发的核心难题：分子世界太复杂

• 每个药物分子涉及成百上千个原子、成千上万个电子。
• 它们的相互作用遵循量子力学规律（电子分布、轨道能级、氢键、反应路径等）。
• 经典计算机无法精确地模拟这些复杂体系，因为要计算所有电子之间的量子耦合，计算量会爆炸性增长。

这就导致：药物分子结合、反应路径、构象能量面，都必须用近似算法（DFT、分子动力学等），很难得到“真正精确”的答案。

2️⃣ 量子计算能解决什么？

超导量子比特可以直接模拟电子的量子态，即直接求解薛定谔方程（Schrödinger equation）也就是最根本的电子运动规律。

这意味着：

• 不再依赖近似，而是真正“计算出分子在现实中的量子行为”；
• 能准确预测药物与靶点结合能、反应能垒、构象能量面；
• 帮助设计新型药物骨架、识别更高效的候选分子。

于是，**Quantum Drug Discovery（量子药物设计）**应运而生。

3️⃣量子计算在药物研发的九大潜在应用

阶段

当前瓶颈

量子计算的突破点

靶点发现

活性中心电子结构复杂

精确计算金属配位、电荷转移、氢键强度

虚拟筛选

打分函数误差大

量子增强评分函数、真实结合能

亲和力预测

ΔG 计算昂贵且不准

用量子能量校准自由能差

先导优化

SAR 关系模糊

高精能量面帮助识别最优构象

反应机理研究

DFT 无法描述过渡态

量子算法可计算反应路径与能垒

理化性质

pKa / 溶剂化误差大

量子电路求更准的电离能与溶剂效应

毒性预测

激发态和自由基难模拟

量子求激发态能量谱，识别光毒风险

分子生成

机器学习缺乏物理一致性

量子生成模型具备物理约束

合成规划

路径优化是组合难题

量子退火/QAOA 提升全局搜索效率

靶点发现（Target Discovery）

当前瓶颈：蛋白质活性中心常涉及金属离子、极化效应、电荷转移与多体电子相关。传统 DFT 在强关联体系（如金属配位中心）上误差大，导致药物结合位点的电子结构难以精确刻画。

量子计算的突破点：利用变分量子特征求解器（VQE）或量子嵌入方法（Quantum Embedding）精确计算金属配位、氢键能与电荷分布，直接求解活性口袋中关键残基簇的电子态。

落地方向：短期在小簇模型（5–20 个原子）上高精标注，用于校准经典力场或 QM/MM 模型；中期实现局部嵌入（DMET / DFT-in-VQE）以提升蛋白活性中心模拟的物理真实性。

虚拟筛选（Virtual Screening）

当前瓶颈：经典打分函数过度依赖经验参数，难以准确评估配体与蛋白之间的真实结合能，尤其在强极化和电荷重排体系中误差显著。

量子计算的突破点：量子增强评分函数：用小规模量子计算校准结合能、静电势与轨道重叠信息，将结果反馈给经典虚筛模型（hybrid QSAR / QML）。

落地方向：目前可行做法是“量子辅助重排（re-ranking）”——在经典筛选后，对前1%–5%的候选用量子算法精校 ΔE，从而提高真阳率。代表算法有VQE-UCCSD, quantum kernel regression (QKR)。

亲和力预测（Binding Affinity Prediction）

当前瓶颈：ΔG 计算需耗费大量时间，且力场误差积累导致结合能预测偏差可达数 kcal/mol。

量子计算的突破点：通过量子能量计算（Quantum Energy Calculation）获得高精度相对自由能，用于校准 FEP 或 ABFE 模型。量子方法能更准确地捕捉极化、氢键与分子间电荷转移。

落地方向：量子方法暂难覆盖完整体系，但可以对配体–残基簇模型计算参考能量，再将差值用于训练 ΔG 修正项。

先导优化（Lead Optimization）

当前瓶颈：SAR（结构–活性关系）模型通常依赖统计规律，缺乏真实的物理能量面支撑。

量子计算的突破点：量子算法可以提供更高精度的构象能量面（PES），帮助识别取代基或互变异构体间的最优能量状态。

落地方向：在小分子衍生物系列中，对构象能差或电子跃迁能进行量子校准，用作 SAR 模型输入特征。中期方向是与生成式分子设计结合，做“量子知情优化”。

反应机理研究（Reaction Mechanism）

当前瓶颈：DFT 对过渡态描述困难，对开壳层或强相关电子体系容易失败。

量子计算的突破点：可通过量子相位估计（QPE）或变分激发态求解（QEOM）精确计算反应路径、能垒和过渡态。尤其在酶催化或金属有机反应中具有优势。

落地方向：短期用于校准关键步骤能垒（如共价键断裂、质子转移）；中期实现完整反应能面扫描。

理化性质预测（Physicochemical Properties）

当前瓶颈：pKa、溶剂化自由能等计算误差大，容易影响离子化状态、渗透性及溶解度预测。

量子计算的突破点：直接求解分子在不同溶剂/电离状态下的电子能量差，精确得到 pKa 与 ΔGsolv。

落地方向：可将少量量子计算的 pKa 结果作为高精标注数据，用于 retrain 大模型或 FEP 修正项。

毒性预测（Toxicity Prediction）

当前瓶颈：激发态、自由基中间体、光毒反应等复杂电子过程是传统 DFT 的盲区。

量子计算的突破点：通过量子激发态求解（QEOM / TD-VQE）直接获取激发态能谱，预测光致反应风险和自由基稳定性。

落地方向：早期应用在小分子毒理评估，如光毒药物筛查；中期可拓展到代谢路径能量分析。

分子生成（Molecular Generation）

当前瓶颈：机器学习生成模型（如 GAN、Transformer）常缺乏物理一致性，导致分子虽“像药”，但能量不合理或不可合成。

量子计算的突破点：量子生成模型（Quantum GAN, Variational Quantum Circuit）可在物理约束下生成分子结构，保持化学可行性。

落地方向：与经典生成模型结合形成 hybrid QML pipeline，用量子特征空间指导分子生成与筛选。

合成规划（Reaction & Synthesis Planning）

当前瓶颈：化学反应路径与合成路线规划属于典型组合优化问题，搜索空间指数爆炸。

量子计算的突破点：量子退火（Quantum Annealing）和量子近似优化算法（QAOA）能在巨大的离散空间中更高效地找到最优合成路径，提高反应路线设计和自动化合成效率。

落地方向：短期用于单步反应或保护基策略的优化；中期用于全合成路线的全局规划与原料成本最小化。

总结：

类型

当前局限

量子计算的价值

精度型问题

力场近似、DFT 局限

量子算法提供“真物理”参考

复杂型问题

组合优化、构象空间爆炸

量子并行搜索显著提升效率

可解释性型问题

ML 模型缺乏物理基础

量子计算提供可物理解释的能量面与态密度

从“电路里的量子能级”到“分子世界的量子解密”，2025 年诺贝尔物理学奖不仅改变了计算机科学，也开启了生命科学的新纪元。未来的药物研发，或许不再依赖经验和猜测，而是由量子算法直接“看清”分子如何运作。