作者/文龙 一台「成熟」的量子计算机可以在几秒钟内计算出经典计算机需要数千年才能解的方程式。 量子计算的前景是大家所公认的，但多数人认为离真正的应用还很遥远。实际上，在政府、学界、初创公司以及谷歌、IBM等科技巨头的推动下，量子技术并非遥不可及，并且它们正在改进当今技术。 包括量子密码网络在内的量子通信系统已大规模部署；诸如原子钟之类的量子计量方案为高精度测量提供了最先进的技术；量子计算机也正在进入早期工业阶段。 「我们正进入一个量子技术新时代，我称其为『NISQ』。」加州理工学院理论物理学家、「量子霸权」（Quantum Supremacy）概念提出者 John Preskill 在一场商用量子计算会议上的演讲中说道。 Preskill 认为，人类在实现 50-100 量子位的中型量子计算机后，便可将其应用于探索许多现有经典计算机无法进行但更具开拓性的研究领域，也意味着人类即将进入量子技术发展中一个关键的新时代——含噪声的中型量子（Noisy Intermediate-Scale Quantum, NISQ）时代。 NISQ 时代，量子计算机面临的挑战之一就是在较高「噪音」的水平下运行，美国物理学会就认为，这种噪音是「扩大量子计算机规模的主要障碍」。受到量子硬件设备的限制，目前还没有用于纠正和减轻错误的综合解决方案，还不能构建出通用的容错量子计算机。 就在最近，三篇发表在不同期刊上的文章让我们看到了希望。通过将还处在婴幼儿时期的量子计算机和它的成熟兄长经典计算机相结合，一种量子-经典混合算法——变分量子特征求解器（variational quantum eigensolver, VQE），显示出解决量子化学难题和执行数据分类任务的希望。 三篇论文就这一主题分别以利用基于测量的量子处理器、引入量子传感器、使用量子假设检验三种不同的方式提升分类的准确性、增强算法的鲁棒性，是探索可靠的量子机器学习的早期努力。 什么是 VQE ？ VQE 是最早被提出的一种变分量子算法（variational quantum algorithm, VQA），旨在找到给定哈密顿量的最低特征值的上限。VQA 是指用经典优化器训练一个含参的量子线路（quantum circuit）的算法，与机器学习相比，就是将运行在经典计算机上的神经网络模型换成了运行在量子计算机上的量子线路模型。 图示：机器学习 vs 变分量子算法。（来源：知乎） 实际上，VQE 就是一种可以让我们找到优化问题的最优近似解的算法。整个过程从哈密顿量开始，选定初始参数，量子线路会包含一些先验的假设——ansatz（德语中的方法）决定了参数如何影响量子态，利用量子计算机测量出能量期望，再利用经典优化器更新参数，迭代直到结果收敛，获得较低的能量。 VQE 的想法是将量子计算机仅用于获取给定参数集的能量值这一件事，其他一切都发生在经典计算机上。 图示：VQE 流程图。（来源：Frank Zickert） 量子化学求解分子的基态能等性质，对药物研发有着重要意义，VQE 正好可以高效地解决这一问题；而量子变分分类器使用变分量子电路（VQC）对数据进行分类，运作方式与经典的 SVM 很类似。 更好的 VQE 最近，加拿大滑铁卢大学的 Ryan Ferguson 和 Luca Dellantonio 及其同事在他们最新的研究论文中概述了如何在「基于测量」的量子-经典混合硬件系统上执行量子机器学习算法 VQE 。Dellantonio 认为，他们的算法可以让混合计算机更好地使用光量子平台。 论文链接：https://doi.org/10.1103/PhysRevLett.126.220501 传统的 VQE 算法使用「基于线路」的量子处理器，与经典处理器一样，使用「逻辑门」执行计算；而基于测量的量子处理器无需量子逻辑门，通过创建一个纠缠量子态，并对该量子态上的单个量子位进行一系列测量来执行计算。 在新的 VQE 方法中，量子计算是通过「图状态」完成的，这是一种多量子位状态，由具有顶点和边的图来描述，其中，顶点代表单个量子位，边连接相互作用的量子位。 首先，创建一个「ansatz」图状态，它表示对目标系统的基态的初始猜测。通过添加量子位然后测量它们来扩展初始图状态，这些测量的结果被输入到经典计算机中。然后创建一个新的 ansatz 图状态，并重复该过程。 图示：基于测量的 VQE 方法。（来源：论文） Dellantonio 表示：「该过程类似于使用基于线路的量子处理器的过程，但基于测量的方法允许在配置模拟基态的量子位时有更大的自由。」目前，新 VQE 方法还只是纯粹理论上的，但该团队正在研究在工业上可用的量子计算机上测试新方法的可能性。 「使用基于测量的量子处理器的混合计算机很有吸引力，因为它允许量子部分以比基于线路的版本少得多的量子位执行更复杂的计算，」Dellantonio 说，「对于在当前系统上可能需要数十万个量子位的计算，基于测量的方法可能只需要 20 个左右的量子位。」 伦敦大学学院的量子物理学家 Dan Brown 认为，这项新工作标志着 VQE 的一种全新方法。「该团队基于测量的模型可能为实施 VQE 提供了更好的方法。」 小型量子传感器网络的巨大量子优势 目前，NISQ 硬件还不能满足在实际应用中体现量子优势。因此，亚利桑那大学的研究团队提出了一种辅助监督学习的纠缠传感器网络 (SLAEN)，它利用 VQC 定制传感器共享的多部分纠缠，以解决实际的数据分类问题，并在实验中展示了「纠缠」使多维射频信号分类的错误率得以降低。 论文链接：https://doi.org/10.1103/PhysRevX.11.021047 SLAEN 是由经典支持向量机 (SVM) 配置的纠缠传感器提供支持，用于量子增强的高维数据分类的一种量子-经典混合框架。 传感器配备了一种称为纠缠的量子资源，这使它们能够相互共享信息并提供两个主要好处：首先，它提高了传感器的灵敏度并减少了错误；其次，由于纠缠，传感器评估全局属性，而不仅是收集系统特定部分的相关数据。这对于只需要是或否答案的应用程序来说十分有用。 图示：带有样本数据集的 SLAEN 和经典分类器。（来源：论文） 现有的量子分类器需要将预先准备的经典数据集加载到量子系统再进行转换和分类，需要一种称为量子随机存取机 (qRAM) 的接口。比如，拍摄一系列猫和狗的照片，然后将照片上传到一个用量子方法标记照片的系统中。 而该团队正在从不同的角度处理这一标记过程，用量子传感器收集自己的数据。这更像是使用专门的量子相机，在拍摄照片时就将照片标记为「猫」或「狗」。 图示：量子信息理论组负责人 Quntao Zhuan （左）和量子信息与材料组负责人 Zheshen Zhang （右）。（来源：亚利桑那大学） 「很多算法都会考虑将数据存储在计算机磁盘上，然后将其转换为量子系统，这需要时间和精力。我们的系统通过评估实时发生的物理过程来解决问题，」论文合著者、亚利桑那大学电子与计算机工程系助理教授 Quntao Zhuan 表示。 「使用纠缠改进传感器的想法并不限于特定类型的传感器，因此它可以用于一系列不同的应用，只要你有纠缠传感器设备。从理论上讲，你可以考虑应用到自动驾驶汽车的激光雷达上。」 论文合著者、亚利桑那大学材料科学与工程助理教授 Zheshen Zhang 是这么评价他们的工作的：「我们认为这是量子计算、量子机器学习和量子传感器的新范式，因为它确确实实为连接这些不同的领域搭建了一座桥梁。」 适用于广泛的量子算法的防御机制 量子算法就像经典算法一样，容易受到输入扰动的影响，特别是对于分类问题。因此，苏黎世理工学院的研究人员联合上海交通大学和伊利诺伊大学厄巴纳分校的两名学者开发了实用的稳健算法，发现并形式化了二元量子假设检验和可证明鲁棒性的量子分类之间的基本联系。 论文链接：https://www.nature.com/articles/s41534-021-00410-5#Sec1 由于具体计算步骤所基于的量子态只能用概率来区分和量化，因此，在某种程度上，量子计算中的错误原则上是不可避免的。但是，可以通过对噪声和扰动的程度加以限制，使得计算仍然可以提供可靠的结果。 受到其他研究人员在经典环境中应用假设检验的工作的启发，研究人员使用量子假设检验的理论以量子分类算法为例研究了这个问题。ETH 研究人员确定了一个阈值，高于该阈值，量子分类的分配算法保证是正确的，其预测是稳健的。 通过他们的鲁棒性方法，研究人员甚至可以验证有噪声的输入的分类是否可以产生与无噪声的输入相同的结果。根据他们的发现，研究人员还开发了一种防御机制，可用于计算的容错性，无论错误是自然原因还是黑客攻击操纵的结果。 图示：对抗攻击。（来源：论文） 「该方法还可以应用于更广泛的量子算法类别，」Ce Zhang 的博士生、论文的第一作者 Maurice Weber 说。尽管量子计算中误差的影响随着系统规模的增加而增加，「我们乐观地认为，与旨在更好地理解分子电子结构的量子算法结合使用，我们的鲁棒性条件将被证明是有用的。」 参考内容： https://scitechdaily.com/quantum-computing-and-sensing-engineers-demonstrate-a-quantum-advantage/amp/ https://physics.aps.org/articles/v14/79#c4 https://physics.aps.org/articles/v14/86 https://www.hpcwire.com/off-the-wire/computer-scientists-led-by-eth-zurich-explore-reliable-quantum-machine-learning/ https://doi.org/10.1038/s41586-019-0980-2 https://towardsdatascience.com/the-variational-quantum-eigensolver-explained-adcbc9659c3a https://zhuanlan.zhihu.com/p/358552587 https://zhuanlan.zhihu.com/p/361420114