7月6日，IBM和橡树岭国家实验室（ORNL）、克利夫兰诊所合作，在arXiv上报告了一项研究成果：他们首次实现在量子计算机上执行关于核聚变包层熔盐材料FLiBe的量子化学计算，FLiBe是一种熔融盐。
研究人员利用IBM的156量子比特的量子处理器芯片Heron和ORNL的超级计算基础设施，开发出9种熔融盐的分子构型，这些盐可以产生氚，而氚是核聚变能源生产的必要燃料。
这种模拟有助于达到特朗普政府在能源部“Genesis任务”中的目标，并且代表了量子信息系统近期应用的新一步。
IBM研究总监Jay Gambetta说：“我们将看到量子应用因这类工作而加速发展。”
量子聚变材料
绝大多数商用的聚变堆设计，包括托卡马克和仿星器，都依赖氘氚（D-T）聚变反应。这个聚变反应截面最大，点火温度相对“最低”——大约1.5亿摄氏度。
但是氚在自然界几乎是不存在的。全世界商用核反应堆每年通过中子辐照锂靶产生的氚加起来也不到几公斤。1 GW聚变发电站一天就要用掉0.5公斤的氚。
这就意味着，未来聚变电站得在运行过程中在线增殖氚。目前公认的世界上最成熟的液态增殖材料是FLiBe（2LiF-BeF₂）熔盐。它包裹在“等离子体”外围，并担负产氚、传热、慢化中子和磁体屏蔽等功能。
但是氚在FLiBe之中有好多形式。存在形式有T⁺离子、T₂分子、与F成[T–F]⁻或FTF⁻阴离子等。不同形态影响渗透性和腐蚀性、回收难度等。
但是问题是，在中子的轰击下，氚在熔盐中会以什么形式存在？
如果氚是以气态存在，那么它可以自行逸出并且很容易被真空系统回收；如果是以离子形式与氟结合成腐蚀性的氟化氚，不仅回收困难，还会加速材料的腐蚀。
这两种途径之间的能量差相差很小，但却决定了整个燃料循环的可行性。传统的密度泛函（DFT）在计算涉及氟离子体系的自由能时误差高达10%。这根本不足以做出可靠预测。
因此，量子计算由此切入。它不替代经典HPC，而是“接手”经典方法做不好的强关联碎片精确对角化。
同一套方法的降维打击
这个研究最值得关注的，是它的方法论延续性。
今年5月，克利夫兰诊所、IBM和RIKEN团队用同样的技术路线模拟了一个含有12635个原子的蛋白质体系。
研究团队使用的方法是嵌入波函数（EWF），即把大分子分割成以原子为中心的若干碎片，其中纠缠复杂的碎片由量子处理器求解，比较简单的碎片则由经典处理器求解，最后拼接所有碎片的结果。
这次对FLiBe熔盐的计算几乎就是这一工作流程的直接迁移。从蛋白质到熔盐，底层还是以量子为中心的超级计算这样一个超级理念的落地。
图：QMC的异质量子-经典嵌入式波函数（EWF）工作流程的高层次概览
具体来看，研究团队从AIMD（从头算分子动力学）轨迹里提取了9种21个离子的FLiBe簇构型。
每个簇通过EWF方法被切分为原子碎片，较大的氟中心碎片（可达33个空间轨道）被映射到IBM Heron处理器上，使用扩展采样量子对角化（ext-SQD）求解；较小的碎片仍在经典计算机上用FCI求解。
结果显示，ext-SQD与FCI的偏差0.7 kcal/mol，平均绝对偏差为0.3 kcal/mol，验证了上述混合路径是可行的。
但是，在研究成果中最富有洞察性的发现，可能是来自一个“坏消息”：
碎片化的和未碎片化的构象能量差平均有12 kcal/mol，氚结合能差异约110 kcal/mol，碎片构建而非碎片求解才是算法偏差的主要来源。
通俗地讲就是，量子求解器已经足够精确了，0.7 kcal/mol的误差完全在可接受范围内，关键是怎么样切分分子，就是碎片化。
这一结论直接指明了下一步的技术攻关方向，并没有简单归咎于量子硬件的不足。
Genesis任务下的三层闭环
这次探索和特朗普政府的Genesis任务的目标非常契合，就是把高性能计算（HPC）、人工智能和量子计算与能源部的17个国家实验室中的主要科学仪器整合起来，加速科学发现。
具体到这项工作中就是，由高性能计算、AI和量子系统三驾马车所促成的计算力量。
这次研究的组织方式，IBM、橡树岭国家实验室、克利夫兰诊所和密歇根州立大学本身就是Genesis模式的缩影。算力层面，AIMD的采样用上了Frontier（目前全世界最快的超算之一），量子计算跑在IBM Heron上，后处理在密歇根州立大学和克利夫兰诊所的HPC集群上运行。
不过这次计算的意义就在于，验证了“AI+量子+经典”三层闭环的最底层：
第一层（AI层）：AI智能体会从ORNL 70年的熔盐数据库中选出“候选盐”，用中子学计算估算氚增殖比。这是高通量筛选的一个阶段，速度优先。
第二层（经典HPC层）：最看好的这些候选盐进入超级计算机，用DFT做原子级模拟。这个阶段精度更高，但DFT在处理FLiBe这类强关联体系时力不从心。
第三层（量子层）：量子计算介入，解决DFT算不准的这部分——电子关联能。本次论文的工作，本质上就是证明了第三层的确可以给出比DFT更精确的结果，而且能够和前两层衔接上。
三层之间的反馈表现为，量子计算的结果回馈给AI模型，用来改善下一轮候选盐的预测，从而形成闭环。
IBM量子中心超级计算首席技术官Jerry Chow指出：“将量子计算、人工智能和经典计算结合起来，是应对我们社会最根本科学挑战的关键——释放这些范式单独无法达到的能力。”
“这些结果进一步证明了量子中心超级计算如今已成为解决长期以来困扰化学家、工程师和材料科学家的实用科学工具。随着量子计算机的扩展，前方的道路充满希望。”
下一步：从9种到数百种
ORNL计算与计算科学司科学参与部门负责人Tom Beck认为，这件事发展得太快了，这在很大程度上得益于IBM和克利夫兰诊所的合作伙伴。和IBM的合作让他深刻认识到当前量子计算机的能力边界，以及其快速迭代进步的速度。
不过，这背后也体现了方法论迁移的效率。EWF+SQD这套工具已经在蛋白质体系验证过，迁移到熔盐上就是复用基础设施。
同时，这次用的156量子比特Heron r3处理器，只看量子比特数量不算出众，但这次研究压根就没打算做“量子霸权”叙事。
IBM的量子中心超算CTO Jerry Chow说到：“这项工作就是把量子计算机视为子程序将它集成到大型的HPC群集系统中。”在量子纠错等基础问题尚未彻底解决的情况下，这种“量子加速器”或许是最合适的务实落地方案。
此外，IBM计划于2029年交付第一台大规模容错量子计算机，而先前发布的量子处理器Quantum Nighthawk则着眼于2026年实现“量子优势”。
只不过，“量子优势”和“解决实际问题”是两码事——至少在熔盐问题上，此项研究的结论是：量子求解器已经足够好了，瓶颈是在碎片构建方法，而不是硬件。
接下来，研究团队明确表示要将簇规模从21个离子大幅扩大，并处理完整自由能计算所需的数百种构型，而非现在的9种。而能否真正地实现体相熔盐的模拟，则取决于碎片化方法的改进和量子资源的进一步扩展。
结语
同样的工具套件将远不止适用于熔融盐，还可以应用到其他化学难题上。正如默兹的蛋白质研究最终为聚变研究提供了支撑，这次聚变研究也很可能为尚未设想到的项目提供助力。
可是，这项研究的结果并不能说明量子计算已经解决了聚变材料问题。真正实现熔盐包层设计还有漫漫长路。比如从簇到体相、从能量到自由能、从9种构型到热力学采样。
但它确实给出了一个难得的锚点：在目前NISQ（含噪声中等规模量子）时代，异质量子-经典计算已在真实材料科学问题上提供了超越纯经典方法的信息。
[1]https://newsroom.ibm.com/2026-07-06-oak-ridge-national-lab,-cleveland-clinic,-and-ibm-achieve-first-known-computations-of-fusion-materials-on-a-quantum-computer
[2]https://www.eenewseurope.com/en/ibm-quantum-fusion-materials-tritium/
[3]https://www.nextgov.com/emerging-tech/2026/07/ibm-oak-ridge-and-cleveland-clinic-unveil-quantum-powered-novel-fusion-energy-research/414599/
[4]https://arxiv.org/abs/2606.30402
[5]https://ai.zhiding.cn/2026/0706/3192498.shtml
