《量子计算机优势首次获确证》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2018-10-23
  • 来自德国、美国和加拿大的科学家携手,首次证明了量子计算机相对传统计算机的优势,其原因在于:量子算法利用了量子物理学的非定域性。最新研究为量子计算机的发展奠定了新基础。

    传统计算机遵循经典物理学定律,建立在二进制数字0与1的基础上,它们存储这些数字并用于数学运算。在传统计算机的内存单元中,每个比特(最小的信息单元)的值只能为1或0。而量子比特(qubit)能同时既是0又是1,这种所谓的“叠加”使量子计算机一次可对多个数值进行运算,而传统计算机必须按顺序执行这些操作。因此,从理论上说,量子计算机能轻松快速地解决传统计算机需要很长时间才能解决的复杂计算问题。

    为确凿证明量子计算机的优势,慕尼黑工业大学复杂量子系统理论教授罗伯特·柯尼希、滑铁卢大学量子计算研究所的戴维·格塞特、IBM公司的谢尔盖·布拉韦伊联手开发了一个量子电路,用于解决特别“难解”的代数问题。这一新型电路结构简单,只能在每个量子比特上执行固定数量的运算。这种电路被认为拥有固定深度。研究证明,他们所用的“难解”代数问题无法采用传统固定深度的电路来解决,因此证实了量子计算机的优势。而且,量子算法利用了量子物理学的非定域性。

    在这项研究之前,虽然有些证据指向这个方向,但量子计算机的优势既没有得到证明,也没有经过实验演示。一个例子便是秀尔算法(Shor's algorithm),它有效解决了质因数分解问题,但它只是一个复杂理论猜想。

    柯尼希说:“我们的成果表明,量子信息处理真正带来了好处,它无需依赖未经证实的复杂理论假设。”这项研究可以看作量子计算机发展道路上的新里程碑,因为这种新的量子电路结构简单,短期内,科学家可以借助其实现量子算法。

  • 原文来源:http://www.stdaily.com/index/kejixinwen/2018-10/23/content_722888.shtml
相关报告
  • 《谷歌公司首次通过量子计算机模拟化学反应过程》

    • 来源专题:后摩尔
    • 编译者:shenxiang
    • 发布时间:2020-08-31
    • Google 继去年宣布实现量子优越性后,终于迎来了又一重大进展——首次实现使用量子计算机对化学反应进行模拟。   8 月 27 日,Google 量子研究团队宣布其在量子计算机上模拟了迄今最大规模的化学反应。相关成果登上了《科学》杂志的封面,题为《超导量子比特量子计算机的 Hartree-Fock 近似模拟》(Hartree-Fock on a Superconducting Qubit Quantum Computer)。   为了完成这项最新成果,研究人员使用 Sycamore 处理器,模拟了一个由两个氮原子和两个氢原子组成的二氮烯分子的异构化反应。最终,量子模拟与研究人员在经典计算机上进行的模拟一致,验证了他们的工作。   值得一提的是,这项新研究所用的 Sycamore 处理器曾在 2019 年轰动世界,并在去年 10 月,助力 Google 量子团队的研究登上《自然》杂志 150 周年版的封面。   在关于 Sycamore 的论文中,它在 200 秒之内所完成目标计算量需要当时世界最快的超级计算机上持续计算 1 万年。由此,Google 宣布实现量子优越性,即证明量子计算在某些问题上的处理能力超过经典计算机。论文的 76 名作者表示,距离量子计算机有价值的短期应用只有一步之遥。   该论文发表后,Google CEO 皮查伊在接受《麻省理工科技评论》专访时曾表示,“此次事件就像莱特兄弟发明飞机一样。虽然飞机第一次试飞只飞了 12 秒钟,看起来没有实际用处,但它证明了飞机飞行的可能性。”   皮查伊认为,其实量子计算真正令人兴奋的地方在于,根据已有的物理理论,我们所处的宇宙在最根本的层面上遵循量子法则,因此早期的量子计算应用能帮助我们更好地了解宇宙的工作方式,并在后来逐渐实现能按量子物理对分子和分子间作用进行精确模拟,在医学和碳排放治理等涉及化学的重要研究领域发挥作用。   10 个月后,Google 用量子计算机首次模拟了化学反应,也算对皮查伊当初那番展望的初步落地。   对于此次成果,Google 研究人员瑞恩 · 巴布希(Ryan Babbush)表示,虽然这种化学反应可能相对简单,也不是非量子计算机而不可为,但是这项工作对于量子计算来说仍然是一大步。他说:“我们现在在一个完全不同的尺度上进行化学反应的量子计算。之前的计算工作基本上可以用铅笔和纸手工完成,但我们现在看到的演示,肯定需要电脑来完成。”   巴布希认为,将这个算法扩展到模拟更复杂的反应应该是很容易的,模拟大分子中的反应只需要更多的量子比特,然后对计算进行微调。他说,未来我们甚至可以利用量子模拟开发新的化学物质。   解锁量子计算机新技能   根据化学反应过程的量子力学定律对化学反应过程进行精确的计算预测,可以解锁新的化学领域,改善现有工业。可惜的是,由于量子变量的数量和统计量呈指数级扩大,除了最小的系统之外,所有其他量子化学方程的精确解仍然无法用现代经典计算机得到。   与此同时,原子和分子之间受量子力学控制,因此量子计算机有望成为精确模拟它们的最佳方法。也就是说,通过使用量子计算机,利用其独特的量子力学特性来处理经典计算机难以处理的计算,可以实现对复杂化学反应过程的模拟。   如今的量子计算机已经足够强大,可以在某些任务中获得明显的计算优势,不过此前,量子计算机很难达到模拟大原子或化学反应所需的精度。换句话说,量子计算机是否能用于加速目前的化学反应量子模拟技术,仍是一个悬而未决的问题。   在这项最新的实验中,Google 团队解锁了这一应用。他们使用一个噪声鲁棒性的变分量子特征值求解算法(VQE) ,通过量子算法直接模拟化学反应机制。   虽然计算集中在一个真实化学系统的 Hartree-Fock 近似模拟上,但它是之前用量子计算机进行化学计算的两倍大,并且包含了十倍多的量子门操作。值得一提的是,研究验证了目前的量子算法可以达到实验预测所需的精度,并打开了通向真实模拟量子化学系统之路。此外,Google 团队已经发布了实验的代码,它使用了化学量子计算的开源库 OpenFermion。   图 1 用于演示量子优越性和量子化学模拟的量子计算机(来源:Rocco Ceselin)   使用Sycamore 处理器实现高精度   这个实验是基于 Sycamore 处理器进行的,正是它去年展示了 Google 实现量子优越性。   尽管这个最新实验使用更少的量子比特,但要解决化学键的问题需要更高的量子门保真度。这也推动了新的、有针对性的校准技术的发展,这种技术可以最佳地放大误差,以便诊断和纠正误差。   图 2 在 Sycamore 处理器的 10 个量子比特上模拟的 Hartree-Fock 模型对分子几何形状进行能量预测(来源:Google)   量子计算中的错误可能来自量子硬件堆栈中的各种来源。Sycamore 处理器有 54 个量子比特,由 140 多个独立可调谐元件组成,每个元件由高速模拟电脉冲控制。要实现对整个装置的精确控制,需要对超过 2000 个控制参数进行微调,这些参数中即使发生微小误差,也会迅速叠加到最终计算中,积累成大误差。   为了精确地控制设备,Google 团队使用一个自动化的框架,将控制问题映射到一个有数千个节点的图形上,每个节点代表一个确定单个未知参数的物理实验。通过这张图,团队可以从设备的先验知识转移到高保真量子处理器,并且可以在一天之内完成。   最终,这些技术和算法误差纠正技术一起,使误差降低了几个数量级。   左:氢原子线性链的能量随着每个原子之间的键距增加而增加。实线是用经典计算机进行的 Hartree-Fock 模拟,而点是用 Sycamore 处理器进行的。   右:用 Sycamore 处理器计算的每个点有两个精度度量(错误率和平均绝对误差)。“Raw”是来自 Sycamore 处理器的非错误缓解数据。“+PS”是来自校正电子数量的一种误差减轻类型的数据。“+Purification”是一种针对正确状态的错误缓解措施。“+VQE”是所有误差消除与电路参数的变化弛豫的组合。在 H8,H10 和 H12 上进行的实验显示,缓解错误后性能得到了类似的提高。
  • 《IEEE2020年12大技术趋势:边缘计算、量子计算、AI等》

    • 来源专题:光电情报网信息监测服务平台
    • 编译者:husisi
    • 发布时间:2020-02-20
    • 以下是对2020年12大技术趋势的预测。IEEE计算机协会自2015年以来一直在预测技术趋势,其年度预测因权威性而受到广泛关注。在每年年底,协会还使用计分卡或报告卡对年度预测进行评级,这个评级也吸引了与预测本身一样广泛的受众。 十二大技术趋势 1. 边缘人工智能(AI)(AI @ Edge)。在过去的十年中,我们与云之间的日常交互见证了机器学习(ML)的爆炸式增长。大量众包标签数据的可用性,以较低成本获得的计算机计算效率的提高以及机器学习算法的进步奠定了这一突破的基础。随着技术的改进,自动执行许多活动变得足够稳健,以比原始云用例更普遍的新方式使用机器学习的需求将不断增加。结合5G等无处不在的连接和诸如物联网(IoT)之类的智能传感器,机器学习应用将迅速向“边缘”,也就是靠近我们所有人的物理世界推进。在未来几年中,我们希望在辅助驾驶,工业自动化,监控和自然语言处理等对我们的日常生活产生更大影响的领域中看到机器学习的广泛部署。 2. 非易失性存储器(NVM)产品,接口和应用程序。NVM Express(NVMe)SSD将在未来几年内取代SATA和SAS SSD,而NVMe-oF将在五年内成为主要的网络存储协议。NVMe支持NAND分层技术和编程功能,可提高耐用性,使能可计算存储(computational storage)并允许更多类似内存方式的数据访问。诸如MRAM,ReRAM和PCM之类的新兴内存技术则将在未来提供更高性能的NVMe设备。 3. 数字孪生,包括认知孪生。数字孪生(Digital Twins)在制造业中已成为现实,而主要的物联网平台(例如Siemens MindSphere)正在为它们提供支持。它们也已成为复杂系统操作中广泛使用的工具。自2019年1月1日起,它们已在城市的铁路和发电厂中使用。新加坡政府使用数字孪生在新加坡进行城市管理的规划,模拟和运营。认知数字孪生(Cognitive digital twins)尚处于试验和实验的早期阶段。 4. 人工智能和关键系统。人工智能将越来越多地部署在影响公共健康,安全和福利的更多系统中。这些系统将更好地利用稀缺资源,预防灾难并提高安全性,可靠性,舒适性和便利性。尽管存在技术挑战和公众担忧,这些系统将改善全球数百万人的生活质量。在五年内,人工智能在直接影响公众的关键基础架构系统或“关键系统”中的应用将大大增加。在这些系统中,故障很可能会导致人员死亡或严重伤害,或者资产或隐私的重大损失。关键系统包括发电和配电,电信,公路和铁路运输,医疗保健,银行等。 5. 实用快递无人机。包裹递送是一个对经济产生巨大影响的行业,但在过去的几十年中,其发展相对缓慢。它仍然可能令人沮丧地缓慢,浪费资源,劳动密集型并且昂贵。这些效率低下的问题,再加上无人机技术的最新发展,使该领域变得容易被颠覆。几家公司最近一直致力于开发实用的快递无人机,现在可能已经准备好彻底改变这个行业,进而改变整个社会。 6. 增材制造。3D打印至少从1980年代初期就已经存在,但是它主要局限于零件原型设计和特殊用途或特殊零件的小规模生产。当前,新的流程,材料,硬件,软件和工作流将3D打印带入了制造领域,特别是大规模定制。与传统制造不同,增材制造(Additive Manufacturing)使得生产大批量各不相同的零件在经济上变得可行。例如,像SmileDirect这样的公司现在使用3D打印机每天生成成千上万的模具,每个模具都为每个独立个体进行了校准定制。更强大,更坚固的材料,更高的分辨率,新的修整技术,工厂级管理软件以及许多其他进步,正在推动3D打印在医疗保健,鞋类和汽车等行业中的采用。到2020年,随着其他行业发现大规模定制的好处以及使用传统方法难以生产或负担得起的零件打印机会,我们预计这一趋势将继续下去。 7. 机器人认知能力。机器人正越来越多地从生产车间传播到人类占据的空间。在这样的环境中,机器人需要能够通过诸如增强对机器人所处环境的理解等功能来适应新任务。我们预计,大规模仿真、深度强化学习和计算机视觉方面的最新突破将共同为机器人带来基本的认知能力,这将在未来几年中显著改善机器人应用。 8. AI / ML适用于网络安全。网络安全是当今任何企业的主要风险之一。不断增长的攻击面包括业余威胁,复杂的分布式拒绝服务攻击以及熟练的民族国家行为者。国防取决于安全分析人员,但许多这样的稀有品种缺乏足够的培训,而且这些职位的离职率很高。AI / ML可以帮助检测威胁并向安全分析人员提供建议,将响应时间从数百小时缩短到几秒钟,并将分析人员的有效性从一两次事件扩展到每天数千次。它可以保留企业知识,并将其用于自动化任务和培训新分析师。我们预计,全球范围内的行业、学术界和政府成员之间的合作伙伴关系将推动AI / ML在网络安全领域的应用。 9. 反映安全和隐私的法律相关启示。数据收集和利用能力变得越来越复杂和敏感,通常会结合来自传感器和其他各种技术的实时信息馈送。这些增强的功能产生了新的数据流和新类型的内容,引发了有关可能因为滥用而引起的政策和法律问题:恶意行为者和政府可以出于社会控制的原因而重新利用这些功能。同样,新技术的能力也使普通人难以分辨合法和欺诈性技术内容之间的区别,例如接受真实视频而非“深度造假”视频。因此,明年对于保持一种脆弱的平衡至关重要:一方面要保持技术的社会效益,另一方面要防止不受待见的恶意利用这些新技术能力来实现社会控制和自由剥夺。需要更积极的法律和政策工具来检测欺诈并防止滥用这些增强的技术能力。 10. 对抗性机器学习。机器学习(ML)通常假定在训练和评估模型期间环境没有被恶意操纵。换句话说,大多数机器学习模型都没有充分考虑敌方攻击和操纵模型功能的方式。但是,安全研究人员已经证明,即使没有关于目标模型参数的完整信息,对抗性恶意输入也可以欺骗机器学习模型生成不期望的输出。随着ML集成到其他系统中,对ML进行恶意攻击的频率将会上升。因此,针对对抗性机器学习的安全性研究以及旨在检测ML系统操纵的对策将变得至关重要。同样,对ML系统的出错性和可操纵性的认识将开始为政策制定和法律范例提供信息。 11. 智能系统的可靠性和安全性挑战。如今,能够做出自主决策的智能系统正在吸引全球范围内日益增长的经济投资。我们希望它们将在智能城市,自动驾驶汽车和自动驾驶机器人等多个领域中得到越来越多的采用。针对不同的应用领域,智能系统自主性已通过定义的水平级别进行了形式化。当然,智能水平和随之而来的自主能力越高,对智能系统在现场运行的可靠性和安全性的要求就越高,其中可靠性被定义为在给定的时间内正确运行的可能性,而安全是指避免对环境和用户造成灾难性后果的能力。在2020年,保证高度自治的智能系统所要求的高水平的可靠性和安全性,是实现更智能的世界将面临的主要技术挑战之一。 12. 量子计算。对实用量子计算的追求将在2020年向前推进,但仍未完成。在2020年初,实验性量子计算机演示只需消耗世界上最大的超级计算机大约万分之一的能量,性能却超过了它们的1,000倍甚至更多,但是演示的应用看起来更像量子计算机自测。如果量子计算机注定要成功,那么它们将通过提高相关性和通用性来实现,因为计算优势已经显现。我们预计明年的演示活动将变得更加引人注目。例如,量子计算机可能会执行任何标准超级计算机都无法实现的化学模拟,甚至因此引发关于可能发现的化学物质是否对社会有用的争论。