利用量子信息推进计算

利用量子信息推进计算

编译 李升伟

我们重点介绍 2024 年美国物理学会 3 月会议上关于量子计算和量子算法的热烈讨论，并邀请能够显著推动量子信息科学领域向前发展的论文提交。

美国物理学会 (APS) 三月会议可以说是世界上最大的年度物理学会议之一，今年的会议于 3 月 3 日至 8 日在美国明尼阿波利斯举行，吸引了来自世界各地的 10,000 多名科学家和学生，提供了一个丰富的平台来交流推动物理学领域发展的新颖思想和突破。这次会议无疑涵盖了广泛的主题，其中许多主题是我们计算科学界特别感兴趣的，例如材料的电子结构、复杂系统的动力学和自动驾驶材料实验室。鉴于该领域日益增长的兴趣和未来研究的多种途径，我们重点关注有关量子信息科学及其在各个领域的应用的激动人心的讨论。

图片来源：Getty Images

尽管量子信息科学最近取得了无数相关进展，但许多挑战仍然存在。该领域的一个紧迫问题是量子比特（qubits）中的高水平噪声，导致错误率约为 10–2至 10–3，远大于理想错误率（10–15）在实际应用中成功实现大规模量子算法所需的水平。因此，克服噪声的影响仍然是推动该领域发展的首要挑战。在 APS 会议上，共有 14 个分会——其中可能是本次活动中出席人数最多的会议，至少在我们与会编辑看来是这样——专门讨论了量子纠错 (QEC) 和量子错误缓解。例如，围绕 QEC 的讨论主要集中在减少时间和量子位开销。在众多候选项中，低密度奇偶校验码成为实现低开销纠错的流行协议之一。在卡维里基金会特别研讨会上，哈佛大学物理学教授米哈伊尔·卢金（Mikhail Lukin）强调了优化纠错码的重要性，并强调需要将这些代码与量子算法和本机硬件功能共同设计，以实现容错的量子计算。

会议另一个重要且广受好评的焦点是量子算法在噪声量子计算机中的应用，目的是在实现容错之前展示量子计算在实际应用中的优势。其中一种算法是量子机器学习（QML），它将机器学习嵌入到量子力学的框架内。会议讨论的一个关键点围绕如何实际利用 QML 的优势，例如其低培训成本和高效的可扩展性。虽然 QML 具有加速数据分析的潜力，特别是当应用于来自量子传感器等来源的量子数据时，了解其局限性并开发理论上合理的方法是在实际问题中取得优势的当务之急。此外，适当考虑实际约束，例如量子数据加载的瓶颈和噪声的影响，对于算法设计同样重要。

在 2024 年3 月APS 会议上，业界为推进量子信息技术所做的努力也没有被忽视。谷歌量子AI、AWS 量子计算中心、IBM Quantum、Quantinuum 和 QuEra 计算公司等公司一直在为量子计算的各个方面做出重大贡献，从软件和算法设计到硬件进步，例如具有神经原子阵列和 32 量子位俘获离子系统的逻辑量子处理器。此外，工业合作伙伴在帮助识别量子算法的相关问题方面发挥着至关重要的作用，包括但不限于物理科学、生物科学和金融等领域。

在《自然计算科学（nature computational science）》杂志中，我们热衷于发表涵盖量子信息科学领域广泛主题的研究。我们的兴趣从旨在实现量子计算的基础研究（包括 QEC 等代码的开发）扩展到加深我们对量子算法的理解并为更广泛的量子计算理论框架做出贡献的研究。此外，我们对在真正的量子计算机上应用量子算法来解决现实世界的实际问题的积极研究感兴趣，展示了量子效应带来的明显优势。通过促进有关量子计算及其在不同领域的影响的持续对话，《自然计算科学》致力于为量子信息科学的进步及其对社会的变革性影响做出贡献。

资料来源：nature computational science

原文链接：https://www.nature.com/articles/s43588-024-00628-1