打破局限，研究人员使用经典计算机模拟复杂量子算法

　　北京时间 8 月 4 日消息，EPFL 教授 Giuseppe Carleo 和哥伦比亚大学及纽约 Flatiron 研究所的研究生 Matija Medvidović日前在《Nature Quantum Information 》发表一篇论文，他们发现了一种不是在量子计算机上执行，而是在传统计算机上执行复杂量子计算算法 的方法。
　　他们考虑的＂量子软件＂被称为量子近似优化算法（QAOA） ，用于解决数学中的经典优化问题，它本质上是一种从一组可能的解决方案中挑选出最佳解决方案的方法。＂人们对量子计算机可以有效解决哪些问题很感兴趣，而 QAOA 是其中一个比较突出的候选者。＂Giuseppe Carleo 表示。
　　QAOA 最终目的旨在帮助我们实现所谓的＂量子加速 ＂，即我们可以使用量子计算机而不是传统计算机实现处理速度的提升。可以理解成，QAOA 有许多包括谷歌在内的支持者，他们已经将其目光投向了未来量子技术和计算：在 2019 年，他们创建了 53 量子比特量子处理器 Sycamore，并使用其在 200 秒内实现了目前最先进的经典计算机耗时 1 万年才能完成的计算任务。
　　Carleo 和 Medvidović的研究解决了该领域的一个重要的悬而未决的问题：在当前和近期量子计算机上运行的算法能否为具有实际意义的任务提供比经典算法更显著的优势？＂如果要回答这个问题，我们首先需要了解经典计算在模拟量子系统方面的局限性，＂Giuseppe Carleo 表示，＂这一点尤其重要，因为当前的量子处理器在运行量子＂软件＂时会出错，因此只能运行复杂度有限的算法。＂
　　两位研究人员利用传统计算机开发了一种方法，可以近似模拟一类称为变分量子算法的特殊算法 的行为，这些算法是计算量子系统最低能态或＂基态＂的方法。QAOA 是此类量子算法家族的一个重要示例，研究人员认为，QAOA 是近期量子计算机中＂量子优势＂最有希望的候选者之一。
　　该方法基于现代机器学习工具 的理念，例如用于学习如围棋游戏这样的复杂游戏的工具以及可用于学习和模拟量子计算机的内部工作原理。这些模拟的关键工具是神经网络量子态，这是 Carleo 于 2016 年与 Matthias Troyer 共同开发的人工神经网络，现在首次用于模拟 QAOA。这一结果被认为是量子计算的领域，为量子硬件的未来发展树立了新的标杆。
　　＂我们的研究表明，可以在当前和近期量子计算机上运行的 QAOA ，也可以在经典计算机上以良好的精度进行模拟，＂Carleo 表示，＂然而，这并不意味着可以在近期量子处理器上运行的所有有用的量子算法可以被经典地模拟。事实上，我们希望我们的方法将作为一种设计新的量子算法的指南，这些算法对经典计算机既有用又难以模拟。＂