|
量子计算，这个曾经只存在于科学家的实验室和理论家的思考中的概念，现在正逐渐走进公众的视野。它被誉为能够颠覆传统计算范式的技术，然而，这些声称的优势大多基于理论分析。这就引出了一个关键的问题：我们如何确定哪些问题适合使用量子计算机来解决？我们可以运行哪些量子算法来解决这些问题？这需要我们超越传统的理论分析，进行更具体的研究。一旦我们设计了一个算法，就可以超越基于渐进缩放的分析。我们可以确定在量子计算机上编译和运行该算法所需的实际资源，以及它与经典计算的比较。近日，谷歌展示了三种与工业紧密相关的量子计算模拟应用。虽然运行这些算法需要一台具备纠错的量子计算机，可能还需要几年的时间。但值得注意的是，当前的研究工作正在为未来的量子计算机打下坚实的基础，确保我们在技术成熟时，已经拥有了高效的量子算法。谷歌表示，他们的工作已经显著降低了编译和运行算法的成本，提供了为未来运行有用的量子算法所需的量子比特数量和时间的目标规范。 
制药行业经常被吹捧为使用量子计算机进行发现的成熟领域，但这种潜在应用的具体例子却很少。谷歌与勃林格殷格翰制药公司的合作者、初创公司QSimulate 的合作伙伴以及哥伦比亚大学的同事合作，探索了 2022 年PNAS文章中的一个例子，“在当今的经典计算机和未来的量子计算机上可靠地评估细胞色素 P450 的电子结构”计算机[1]”。细胞色素 P450 是一种天然存在于人体中的酶家族，可帮助我们代谢药物。它的工作非常出色：超过 70% 的药物代谢是由 P450 家族的酶进行的。这些酶通过氧化药物发挥作用，这一过程取决于电子之间复杂的相关性。相互作用的细节太复杂，科学家无法预先知道酶对特定药物的效果如何。在论文中，谷歌展示了量子计算机如何解决这个问题。CYP450 代谢过程是一个复杂的反应链，整个过程中酶的电子结构发生许多中间变化。研究人员首先使用最先进的经典方法来确定在经典计算机上模拟此问题所需的资源。然后，通过在表面代码纠错量子计算机[2]上实现一种相位估计算法，该算法需要计算整个反应链中相关电子配置的基态能量。借助量子计算机，我们可以以更高的精度和更少的资源来跟踪不断变化的电子结构链。事实上，研究发现，正确解析该系统中的化学反应需要量子计算机提供更高的精度，因此量子计算机不仅会更好，而且是必要的。随着系统规模变大，即模拟中包含的量子能级越多，量子计算机就越能战胜经典计算机。最终，研究证明需要几百万个物理量子比特才能达到解决这个问题的量子优势。
图｜左：CYP 酶的电子轨道（红色和蓝色）示例。CYP 系统建模需要超过 60 个这样的轨道。右：各种经典技术（蓝色）的实际运行时间（CPU）与量子算法（绿色）的假设运行时间（QPU）的比较。量子算法的较低斜率表明了优于经典方法的渐近标度。在大约 20-30 个轨道上，我们看到了量子算法比经典方法更有效的状态的交叉。锂离子电池依赖于两种含锂材料之间的电化学势差。目前用于锂离子电池阴极的一种材料是LiCoO 2。不幸的是，从制造角度来看它有缺点。钴矿开采成本高昂，对环境有破坏性，而且经常采用不安全或虐待性的劳动方式。因此，该领域的许多人对锂离子阴极的钴替代品感兴趣。20世纪90年代，研究人员发现镍可以代替钴形成用作阴极的LiNiO 2（称为“氧化镍锂”或“LNO”）。虽然人们发现纯 LNO 在生产中不稳定，但当今汽车行业使用的许多阴极材料都使用高含量的镍，因此与 LNO 类似。然而，尽管 LNO 已在工业中得到应用，但人们并没有了解 LNO 的所有化学性质，甚至其基态的性质仍然是一个争论的话题。在谷歌最近的论文“使用布洛赫轨道对材料进行容错量子模拟”[3]中，谷歌与化学公司BASF、分子建模初创公司 QSimulate 以及麦考瑞大学的合作者合作，在澳大利亚开发对具有周期性、规则间隔原子结构的系统（例如 LNO）进行量子模拟的技术。然后，应用这些技术来设计算法以研究 LNO 的几种不同候选结构的相对能量。使用经典计算机，量子波函数的高精度模拟被认为执行成本太高。在工作中，研究发现量子计算机需要数千万个物理量子比特来计算四种候选基态 LNO 结构中每一种的能量。这是第一台纠错量子计算机无法实现的，但谷歌预计这个数字会随着未来算法的改进而下降。
图｜LNO 的四种候选结构。在研究中，研究人员考虑了比较这些结构的能量以找到 LNO 基态所需的资源。最近，谷歌与桑迪亚国家实验室的理论家和麦考瑞大学的合作者合作，将量子计算机用于模拟惯性约束聚变（ICF）实验典型极端条件下的带电粒子动力学。在这些实验中，高强度激光被聚焦到一个金属腔（hohlraum）中，该腔容纳一个目标胶囊，该目标胶囊由围绕氘氚燃料的烧蚀体组成。当激光加热黑腔内部时，其壁会辐射出 X 射线，从而压缩胶囊，将内部的氘和氚加热到数千万开尔文。这使得燃料中的核子克服它们相互的静电排斥并开始聚变成氦核，也称为阿尔法粒子。这些实验的模拟计算要求很高，并且依赖于本身不确定的材料特性模型。即使使用类似于量子化学的方法来测试这些模型，计算成本也极其昂贵。在某些情况下，此类测试计算消耗了超过 1 亿个 CPU 小时。模拟中最昂贵和最不准确的方面之一是持续聚变阶段之前的等离子体动力学（> 10s of millions of Kelvin），此时胶囊和燃料的部分温度为更温和的 100k 开尔文。在这种“热致密物质”状态下，当持续聚变发生时，量子相关性在系统行为中比在“热致密物质”状态中发挥更大的作用。在谷歌的新预印本“惯性聚变目标设计的停止本领的量子计算[4]”中，提出了一种量子算法来计算核聚变实验中热致密物质的所谓“停止本领”。停止本领是高能阿尔法粒子由于与周围等离子体的库仑相互作用而减慢的速率。了解系统的停止能力对于优化反应堆的效率至关重要。当阿尔法粒子被周围的等离子体减慢时，它会将能量转移到等离子体，从而加热等离子体。这种自加热过程是聚变反应维持燃烧等离子体的机制。该过程的详细建模将有助于为未来的反应堆设计提供信息。研究人员估计计算制动力所需的量子算法所需的资源介于 P450 应用程序和电池应用程序之间。但由于这是第一个关于第一原理动力学（或有限温度下的任何应用）的案例研究，这样的估计只是一个起点，谷歌期望再次找到算法改进来降低未来的成本。尽管存在这种不确定性，但量子算法仍然比经典替代方案更好，因为经典替代方案唯一易于处理的模拟方法是平均场方法。虽然这些方法在描述这些系统的物理特性时会产生未知的系统误差，但它们是目前执行此类模拟的唯一有意义的方法。
图｜左：射弹（红色）以初始速度 vproj 穿过介质（蓝色）。右图：为了计算制动力，我们监测射弹和介质之间的能量传递（蓝色实线）并确定其平均斜率（红色虚线）。
上述示例只是未来纠错量子计算机在模拟物理系统方面的大量且不断增长的具体应用中的三个。这一系列研究有助于我们了解最能从量子计算的力量中受益的问题类别。特别是，最后一个示例与其他两个示例的不同之处在于它模拟动态系统。其他问题侧重于寻找量子系统的最低能量、静态基态，与此相反，量子动力学关注的是量子系统如何随时间变化。由于量子计算机本质上是动态的，量子比特状态随着每次操作的执行而演变和变，它们特别适合解决这类问题。谷歌与哥伦比亚大学、哈佛大学的合作者一起，证明用于模拟电子动力学的量子算法甚至比近似的“平均场”经典计算更有效，同时提供更高的精度[5]。今天开发和改进算法使我们能够在最终实现纠错量子计算机时充分利用它们。就像经典计算案例一样，我们期望量子计算堆栈的各个级别都得到改进，以进一步降低资源需求。但这第一步有助于将夸大与适合量子计算加速的真实应用区分开来。[1]https://www./doi/10.1073/pnas.2203533119[2]https://search.google/2023/02/suppressing-quantum-errors-by-scaling.html[3]https://journals./prxquantum/abstract/10.1103/PRXQuantum.4.040303[4]https:///abs/2308.12352v1[5]https://www./articles/s41467-023-39024-0声明：此文出于传递更多信息。若有错误或侵权，请联系
|
