量子计算、量子优势与有噪中程量子时代

文章用通俗而准确的语言,简要介绍了有关量子计算的相关概念,包括量子比特、量子态、基矢态或基本量子态、量子测量、概率幅、幺正变换、量子态不可复制、量子计算、量子门、量子算法、退相干或量子噪声、量子纠错、有噪中程量子技术、量子优势等,并对有噪中程量子时代和量子优势研究的前景进行了展望。

经典、量子及其混合场景下的经典关联生成协议

在信息处理任务中,多方共享的随机变量和量子纠缠都是重要的计算资源,其中共享的随机变量也被称为经典关联。经典关联生成问题研究的是生成目标关联所需消耗的最少随机性或量子纠缠的数量。该文综述性地介绍了在经典场景、量子场景以及经典、量子混合场景下的经典关联生成协议。其中,非负秩和半正定秩分别刻画了生成目标关联所需共享的最少随机性与量子纠缠的量。基于这一结果,事先共享量子纠缠相比于事先共享随机性展示出了指数级优势。考虑到近期可实现的量子设备规模有限,经典、量子混合场景下的经典关联生成协议是一个现实的选择。在可操控的量子系统大小有限的前提之下,可用k区块半正定秩来量化完成经典关联生成任务所需通讯的最少经典比特。在这一混合协议中,量子资源仍能表现出相对经典资源而言的巨大优越性。由此可见,经典关联生成问题提供了一个新的视角来对比量子资源和经典资源之间的差别。

量子计算及其哲学意义

量子计算是当代关键的颠覆性核心科学技术,将引领新一轮科技革命和产业革命。量子计算基于当代量子力学和量子信息理论,不同于经典计算。量子计算的基础是量子信息,量子信息具有不可克隆和不能完全删除等性质。量子计算拥有独特的优势:量子存储器有巨大的存储能力、量子计算具有真正的并行性和整体性、某些量子算法具有加速能力。目前,2019年谷歌的53个量子比特的量子计算机、2020年中国科学技术大学的量子计算原型机“九章”显示出更大的量子优势。量子纠缠是微观客体的基本性质,量子信息与量子实在是统一的,量子信息是半量子实在。量子计算突破原有的时间空间限制,具有克服经典复杂性能力。时间和空间具有客观性,但是,它们在不同的技术条件下将会有不同的显示。世界的复杂性是主观与客观的统一。中国要在发展量子科技方面居于世界领先地位,需要有观念和概念的自由创造,必须加强哲学的学习和研究。

量子生成模型

近年来,很多基于生成模型的机器学习算法,如生成对抗网络、玻尔兹曼机、自编码器等,在数据生成、概率模拟等方面有广泛的应用.另一方面,融合量子计算和经典机器学习的量子机器学习算法也不断被提出.特别地,量子生成模型作为量子机器学习的分支,目前已有很多进展.量子生成算法是一类量子-经典混合算法,算法中引入参数量子线路,通过执行参数线路得到损失函数及其梯度,然后通过经典的优化算法来优化求解,从而完成对应的生成任务.与经典生成模型相比,量子生成模型通过参数线路将数据流映射到高维希尔伯特空间,在高维空间中学习数据的特征,从而在一些特定问题上超越经典生成模型.在中等规模含噪声的量子体系下,量子生成模型是一类有潜力实现量子优势的量子机器学习算法.

量子芯片测评技术综述

在研制量子芯片时对其性能进行测评,以校准量子算法实际执行结果与理论结果的拟合程度是量子计算优于经典计算的重要一步.然而,目前国内外对量子芯片性能测评方面并没有统一的基准测试,对于量子芯片局部指标的测评标准容易导致人们对芯片整体性能的误解.鉴于此,本文首先简述现有的量子芯片性能指标,其次通过对测评方法进行分类,概述现今量子芯片测评方法,最后总结量子芯片测评技术的现存问题并对未来的测评技术进行展望.本综述可为从事相关工作的人员进行查阅提供便利.

光源相位噪声对高斯玻色采样的影响

高斯玻色采样是实现量子计算优势的主要途径之一,同时也有望应用于加速稠密子图、量子化学等问题.然而,实验中必不可少的噪声却可能阻碍高斯玻色采样的量子优势.此前的研究主要关注于光子损失和光子非全同噪声.本文通过数值模拟研究了另一种噪声——光源相位噪声对高斯玻色采样的影响.采用蒙特卡罗方法近似计算相位噪声下高斯玻色采样的输出概率分布,发现随着探测光子数的增加,相位噪声带来的误差逐渐加大.同时,相位噪声会导致采样出大概率样本的能力,即HOG (heavy output generation)值显著降低.最后发现,在输入平均光子数相同时,有光子损失的高斯玻色采样相比无损失情形对于相位噪声有更大的容忍性.本文的研究有助于大规模高斯玻色采样中更好地抑制相位噪声.

量超协同计算发展概述

量子计算与经典计算相互配合,可以充分发挥现阶段量子设备的潜力,从而加速计算过程。另外,量子计算的特性决定了即使到了实现容错量子计算阶段,也仍然需要经典计算的配合。根据国内外研究者提出的量超协同方案以及各企业已经发布的量子操作系统,阐述了现阶段量超协同的基本框架与后续的关键技术难点,并对我国未来量超协同的发展前景进行了展望。

HASM量子机器学习

传统计算机的进步源于晶体管的小型化和芯片上晶体管数量的增加,但晶体管的小型化已达到了它的极限水平.与此同时,许多实际问题需要超过当今计算机计算能力的巨量计算资源.近年来,量子计算的发展为我们解决这一问题带来了曙光.虽然量子计算可实现相对于传统超算的指数级加速,但误差问题是实现量子实用优势的严重障碍.最新研究表明,量子机器学习是提高量子计算精度的有效途径之一.事实上,高精度曲面建模(HASM)方法是一种强化机器学习方法,并可通过拉格朗日因子法转换为大型稀疏线性系统,它与Harrow-Hassidim-Lloyd(HHL)量子算法的有机结合,形成了HASM-HHL量子机器学习算法.HASM在传统计算机上已成功运用于自然系统、自然系统对人类贡献和自然系统变化驱动力等生态环境曲面的空间插值、空间升尺度、空间降尺度、数据融合和模型-数据同化.实验结果表明,HASM-HHL量子机器学习算法的计算结果达到了传统高精度算法的精度水平;与此同时,可实现相对于传统高时效算法的指数级加速.目前,基于HASM的传统-量子混合计算平台已有水到渠成之势.然而,HHL量子算法有很多局限性,它们是HASM-HHL量子机器学习实用量子优势面临的主要挑战.为此,我们提出了发展新型HASM量子计算方法的多套优化方案:(1)发展更优的大规模稀疏矩阵量子求解方案;(2)评估量子计算的成本问题和标杆问题;(3)构建HASM传统与量子混合计算通用平台,实现传统计算与量子计算优势互补;(4)将优化后的量子算法和传统算法发送到量子计算云平台,促进用户的广泛应用和积极反馈,进一步优化有关算法.