刚刚取得纽约证券交易所上市合规通知的量子计算上市公司D-Wave Quantum Inc.，宣布了一项里程碑式的重大进展，在一个关键的现实问题（模拟非平衡磁自旋动力学）上，实现了量子优势（Quantum Supremacy）,也称作量子霸权。

 

一直以来，科学界都在追求量子优势，以证明量子计算机有能力解决经典计算机实际上不可能解决的问题。

 

然而，到目前为止，几乎所有展示量子优势的尝试都围绕着随机数生成，无论是通过玻色子采样还是随机线路采样。

 

因此，D-Wave 的最新成就无疑突显了量子技术的变革潜力。当前，该研究以“Computational supremacy in quantum simulation”为题已提交到arxiv[1]。

 

 

1. 量子优势，一直以来的圣杯

 

数十年来，量子计算理论一直承诺对某些任务进行巨大的提速。直到最近几年，这一承诺才得以实现，越来越多的量子处理器（QPUs）的计算速度大大超过了复杂的经典方法，这些 QPUs 包括光子、中性原子和超导。

 

随着这些处理器的规模和精度不断扩大，它们处理复杂计算的能力也日益增强，正朝着 "量子优势 "的方向发展。

 

迄今为止，几乎所有展示量子优越性的尝试都围绕随机数生成展开，无论是通过玻色子采样还是随机电路采样。经典模拟方法可以复制电路的量子演化，但通常需要的时间和内存资源与问题规模成指数关系。

 

此外，噪声量子系统的经典模拟也取得了长足进步。虽然近期的 QPU 解决某些问题的速度远远快于最好的经典方法这样的说法已不再有争议，但在解决实际问题时，这一点尚未得到明确的认可。

 

2. 首次实现，“实用量子优势”

 

D-Wave Quantum Inc.最新的研究成果展示了量子退火技术在磁自旋动力学的量子模拟中证明了计算优势，解决了更普遍和更实际的问题。

 

他们的研究表明，利用量子退火处理器可以精准地模拟出量子相变中自旋系统的行为，其生成的样本与薛定谔方程的理论解非常吻合。

 

量子退火技术的核心在于使用超导量子退火处理器快速模拟复杂的量子动力学过程。在与橡树岭国家实验室的Summit和Frontier超级计算机执行的矩阵乘积态（MPS）模拟相比较下，量子退火器在小规模问题上展现出了惊人的精确度。

 

此外，研究还指出，传统的张量网络和神经网络近似方法在模拟量子动力学时，所需的计算成本相较于量子退火计算机有指数级的增长，这进一步证实了量子退火的独特优势。

 

图｜在伊辛自旋玻璃中对淬火后状态进行采样。随机输入是在不同维度的拓扑中生成的。对于每个输入，我们考虑从量子淬灭后的状态分布中采样的任务，即横向场 Γ(t/ta) 和纵向场 J (t/ta) 在时间 ta 内的快速变化。该任务是使用量子退火和基于张量网络（MPS 和 PEPS）和神经网络（NQS）的经典方法来执行

 

图｜淬火 2D 自旋玻璃上的 QPU 和 MPS。(A–C) 6×6 圆柱形旋转玻璃的典型实现数据。(A) 平方序参数（顶部）和每次自旋剩余能量（底部）数据显示 QPU 与近三十年 ta 的地面实况之间非常一致。对于非常快的猝灭，相关性很小，因此 ⟨q^2⟩ 很小；对于非常慢的猝灭，系统绝热演化并产生残余能量消失的经典基态。(B) 自旋-自旋相关性cij 与 ta=7 ns 的真实值 ∼cij 进行比较。左图为QPU。右图，MPS 在一个键维度上产生类似质量的输出。(C) 与 B 相同模拟的单个状态概率比较；从 106 个样本估计的经典保真度 F 具有可比性。(D–E) 20 个 L×L 实例的集成（无序实现）。

 

图｜纠缠和 QPU等效键维。(A) 四种拓扑的 QPU 中值相关误差，如左侧面板中的颜色编码。(B) 对于所有四个问题集，MPS 匹配 QPU 模拟质量所需的键维数 χ Q 表现出对二分面积的指数依赖性（渐近 N (d−1)/d，参见插图示例），与纠缠熵的面积定律缩放。(C) 中值 log χ Q 与键维 χ Q 的 MPS 的最大纠缠熵 Smax(χ Q) 的关系。四种拓扑和两个退火时间的所有数据点大致落在同一条线上。

 

图｜大规模量子模拟的动态缩放和资源估计。(A) 研究人员在 ta = 7 ns 和 20 ns 时比较 QPU 输出中的 ⟨q^2⟩ 和每种拓扑的 20 个实例的真实情况，建立密切的一致性（中值相对误差 < 1%）。(B) 使用一系列我们无法经典模拟的系统尺寸，使用动态有限尺寸缩放 ansatz 来折叠 Binder 累积量 U，产生最佳拟合 KZ 指数 μ。(C) 提取的一维、二维、三维和无限维系统的 KZ 指数与先前对相应 QPT 普遍性类别的估计一致。(D) χ Q 的面积定律标度（图 4 B）允许基于 MPS 方法的 N χ3Q 标度来推断所需的经典时间。填充标记表示经典模拟的20个实例集合。

 

3. 加速实用量子计算

 

随着世界正处于计算新时代的边缘，D-Wave所展示的量子优势，不仅为量子计算机在处理更加复杂问题的能力提供了证据，而且为各个领域的研究和实际应用开辟了新的途径。

 

接下来，对于严重依赖磁性材料和现象的行业，例如电子、可再生能源，甚至制药，将可能从模拟磁自旋动力学的进步中获益匪浅。

 

随着该技术的进一步成熟，我们有理由期待在科学研究和工业应用等多个领域看到更多创新和突破。

 

引用：

[1]https://arxiv.org/abs/2403.00910

本文转载自微信公众号：量子客

 

刚刚取得纽约证券交易所上市合规通知的量子计算上市公司D-Wave Quantum Inc.，宣布了一项里程碑式的重大进展，在一个关键的现实问题（模拟非平衡磁自旋动力学）上，实现了量子优势（Quantum Supremacy）,也称作量子霸权。

 

一直以来，科学界都在追求量子优势，以证明量子计算机有能力解决经典计算机实际上不可能解决的问题。

 

然而，到目前为止，几乎所有展示量子优势的尝试都围绕着随机数生成，无论是通过玻色子采样还是随机线路采样。

 

因此，D-Wave 的最新成就无疑突显了量子技术的变革潜力。当前，该研究以“Computational supremacy in quantum simulation”为题已提交到arxiv[1]。

 

 

1. 量子优势，一直以来的圣杯

 

数十年来，量子计算理论一直承诺对某些任务进行巨大的提速。直到最近几年，这一承诺才得以实现，越来越多的量子处理器（QPUs）的计算速度大大超过了复杂的经典方法，这些 QPUs 包括光子、中性原子和超导。

 

随着这些处理器的规模和精度不断扩大，它们处理复杂计算的能力也日益增强，正朝着 "量子优势 "的方向发展。

 

迄今为止，几乎所有展示量子优越性的尝试都围绕随机数生成展开，无论是通过玻色子采样还是随机电路采样。经典模拟方法可以复制电路的量子演化，但通常需要的时间和内存资源与问题规模成指数关系。

 

此外，噪声量子系统的经典模拟也取得了长足进步。虽然近期的 QPU 解决某些问题的速度远远快于最好的经典方法这样的说法已不再有争议，但在解决实际问题时，这一点尚未得到明确的认可。

 

2. 首次实现，“实用量子优势”

 

D-Wave Quantum Inc.最新的研究成果展示了量子退火技术在磁自旋动力学的量子模拟中证明了计算优势，解决了更普遍和更实际的问题。

 

他们的研究表明，利用量子退火处理器可以精准地模拟出量子相变中自旋系统的行为，其生成的样本与薛定谔方程的理论解非常吻合。

 

量子退火技术的核心在于使用超导量子退火处理器快速模拟复杂的量子动力学过程。在与橡树岭国家实验室的Summit和Frontier超级计算机执行的矩阵乘积态（MPS）模拟相比较下，量子退火器在小规模问题上展现出了惊人的精确度。

 

此外，研究还指出，传统的张量网络和神经网络近似方法在模拟量子动力学时，所需的计算成本相较于量子退火计算机有指数级的增长，这进一步证实了量子退火的独特优势。

 

图｜在伊辛自旋玻璃中对淬火后状态进行采样。随机输入是在不同维度的拓扑中生成的。对于每个输入，我们考虑从量子淬灭后的状态分布中采样的任务，即横向场 Γ(t/ta) 和纵向场 J (t/ta) 在时间 ta 内的快速变化。该任务是使用量子退火和基于张量网络（MPS 和 PEPS）和神经网络（NQS）的经典方法来执行

 

图｜淬火 2D 自旋玻璃上的 QPU 和 MPS。(A–C) 6×6 圆柱形旋转玻璃的典型实现数据。(A) 平方序参数（顶部）和每次自旋剩余能量（底部）数据显示 QPU 与近三十年 ta 的地面实况之间非常一致。对于非常快的猝灭，相关性很小，因此 ⟨q^2⟩ 很小；对于非常慢的猝灭，系统绝热演化并产生残余能量消失的经典基态。(B) 自旋-自旋相关性cij 与 ta=7 ns 的真实值 ∼cij 进行比较。左图为QPU。右图，MPS 在一个键维度上产生类似质量的输出。(C) 与 B 相同模拟的单个状态概率比较；从 106 个样本估计的经典保真度 F 具有可比性。(D–E) 20 个 L×L 实例的集成（无序实现）。

 

图｜纠缠和 QPU等效键维。(A) 四种拓扑的 QPU 中值相关误差，如左侧面板中的颜色编码。(B) 对于所有四个问题集，MPS 匹配 QPU 模拟质量所需的键维数 χ Q 表现出对二分面积的指数依赖性（渐近 N (d−1)/d，参见插图示例），与纠缠熵的面积定律缩放。(C) 中值 log χ Q 与键维 χ Q 的 MPS 的最大纠缠熵 Smax(χ Q) 的关系。四种拓扑和两个退火时间的所有数据点大致落在同一条线上。

 

图｜大规模量子模拟的动态缩放和资源估计。(A) 研究人员在 ta = 7 ns 和 20 ns 时比较 QPU 输出中的 ⟨q^2⟩ 和每种拓扑的 20 个实例的真实情况，建立密切的一致性（中值相对误差 < 1%）。(B) 使用一系列我们无法经典模拟的系统尺寸，使用动态有限尺寸缩放 ansatz 来折叠 Binder 累积量 U，产生最佳拟合 KZ 指数 μ。(C) 提取的一维、二维、三维和无限维系统的 KZ 指数与先前对相应 QPT 普遍性类别的估计一致。(D) χ Q 的面积定律标度（图 4 B）允许基于 MPS 方法的 N χ3Q 标度来推断所需的经典时间。填充标记表示经典模拟的20个实例集合。

 

3. 加速实用量子计算

 

随着世界正处于计算新时代的边缘，D-Wave所展示的量子优势，不仅为量子计算机在处理更加复杂问题的能力提供了证据，而且为各个领域的研究和实际应用开辟了新的途径。

 

接下来，对于严重依赖磁性材料和现象的行业，例如电子、可再生能源，甚至制药，将可能从模拟磁自旋动力学的进步中获益匪浅。

 

随着该技术的进一步成熟，我们有理由期待在科学研究和工业应用等多个领域看到更多创新和突破。

 

引用：

[1]https://arxiv.org/abs/2403.00910

本文转载自微信公众号：量子客