量子技術(shù)有望徹底改變我們獲取和處理實驗數(shù)據(jù)以了解物理世界的方式。理論上，將數(shù)據(jù)從物理系統(tǒng)轉(zhuǎn)換到穩(wěn)定的量子存儲器并使用量子計算機處理數(shù)據(jù)的實驗裝置，與使用經(jīng)典計算機測量物理系統(tǒng)并處理結(jié)果的傳統(tǒng)實驗相比，具有顯著的優(yōu)勢。然而，由于當今量子計算機容易出錯，并且沒有足夠多的量子比特來進行糾錯，因此尚未實現(xiàn)這種優(yōu)勢或優(yōu)越性（advantage）。

近日，來自加州理工大學(xué)、谷歌量子人工智能、微軟、AWS和其他機構(gòu)的研究人員克服了這種限制。他們通過對多達40個超導(dǎo)量子比特和1300個量子門進行實驗，證明使用當今NISQ量子處理器可以實現(xiàn)實質(zhì)性的量子優(yōu)勢，這種優(yōu)勢是指數(shù)級的，并且實現(xiàn)優(yōu)勢所需的量子資源是適度的。

具體來說，量子系統(tǒng)可以從比傳統(tǒng)實驗所需數(shù)量少得多的實驗中學(xué)習(xí)。提出并分析了三類具有指數(shù)量子優(yōu)勢的學(xué)習(xí)任務(wù)——預(yù)測物理系統(tǒng)的屬性、執(zhí)行量子主成分分析、學(xué)習(xí)物理動力學(xué)。

6月10日，相關(guān)研究成果以《從實驗中學(xué)習(xí)的量子優(yōu)勢》為題發(fā)表在《科學(xué)》雜志上[1]。

需要說明的是，該成果為原理證明（Proof of Principle），而非真正實現(xiàn)。

(a)谷歌“懸鈴木”處理器的布局。總共有53個超導(dǎo)transmon量子比特；(b)用于學(xué)習(xí)狀態(tài)和學(xué)習(xí)一維動力學(xué)的布局。研究人員將40個量子比特劃分為20個系統(tǒng)量子比特和20個存儲量子比特。要么制備備好系統(tǒng)量子比特的未知狀態(tài)，要么對系統(tǒng)量子比特應(yīng)用一個未知過程；(c)用于學(xué)習(xí)二維動力學(xué)的布局。

“人們對使用量子技術(shù)提高我們學(xué)習(xí)能力的潛力感到非常興奮，”論文第一作者、加州理工學(xué)院的理論物理學(xué)家和計算機科學(xué)家Hsin-Yuan Huang說。該團隊從理論上證明，用標準或經(jīng)典技術(shù)進行相同的表征將需要成倍增加的實驗才能學(xué)習(xí)相同的信息。

（a）量子實驗與傳統(tǒng)實驗對比。量子/傳統(tǒng)實驗與運行量子/經(jīng)典學(xué)習(xí)算法的量子/經(jīng)典機器對接，可以存儲和處理量子/經(jīng)典信息。（b）學(xué)習(xí)物理狀態(tài)。每個實驗產(chǎn)生一個物理狀態(tài)，在傳統(tǒng)設(shè)置中，測量每個以獲得經(jīng)典數(shù)據(jù)（測量可能取決于先前的測量結(jié)果），并將數(shù)據(jù)存儲在經(jīng)典存儲器中；在量子增強設(shè)置中，可以相干地改變存儲在量子存儲器中的量子信息（用顏色的變化來說明）。有了足夠大的量子存儲器，量子機器可以簡單地存儲每個的副本。經(jīng)過多輪實驗，在量子存儲器上進行量子處理，然后進行測量。（c）學(xué)習(xí)的物理過程ε。每個實驗都是在ε下的演化，在傳統(tǒng)設(shè)置中，經(jīng)典機器使用經(jīng)典位串指定輸入狀態(tài)給ε，并獲得經(jīng)典測量數(shù)據(jù)；在量子設(shè)置中，進化ε相干地改變了量子機器的存儲器：ε的輸入狀態(tài)與量子機器中的量子存儲器糾纏，輸出態(tài)被量子機器相干地檢索出來。

為什么量子計算機的性能要好得多？研究人員說，一個關(guān)鍵步驟是存儲兩個被檢查系統(tǒng)的副本，然后將它們糾纏在一起。這種方法只有在量子硬件上才有可能[2]。與經(jīng)典計算機相比，量子計算機可以利用糾纏來更好地分析以下多個實驗的結(jié)果：

1）預(yù)測可觀測變量。第一個實驗描述了涉及任意數(shù)量項目的量子系統(tǒng)的某些屬性，例如具有n個量子比特的量子計算機。使用量子計算機，可以使用量子比特本身的鏡像量子態(tài)，并根據(jù)需要復(fù)制和操縱它；在經(jīng)典計算機能夠可靠識別屬性之前，需要進行重復(fù)測量。相比之下，量子計算機可以將系統(tǒng)的副本存儲在其存儲器中，從而允許對其進行重復(fù)復(fù)制和處理。

實驗表明，這些問題可以在量子計算機上多項式時間解決，其中量子比特的數(shù)量被提高到恒定的冪（表示為nk)。相比之下，使用經(jīng)典硬件的時間縮放為一個常數(shù)：隨著量子比特數(shù)量的增加，經(jīng)典硬件所需的時間增加得更快。

2）量子主成分分析。第二個任務(wù)是量子主成分分析，其中計算機用于識別對量子系統(tǒng)行為影響最大的性質(zhì)。選擇這一點的部分原因是這種分析被認為對當今量子處理器中的錯誤引入的噪聲相對不敏感。該團隊從數(shù)學(xué)上表明，在經(jīng)典系統(tǒng)上重復(fù)測量以進行分析所需的次數(shù)隨著量子比特的數(shù)量呈指數(shù)級增長。使用量子系統(tǒng)，分析可以用恒定的重復(fù)次數(shù)來完成。

3）學(xué)習(xí)量子過程。最后一種情況是允許物理過程影響量子系統(tǒng)的狀態(tài)，使其進化到新的狀態(tài)。目標是找到一個可以準確預(yù)測新狀態(tài)的過程模型。同樣，使用經(jīng)典系統(tǒng)意味著獲得足夠測量值的挑戰(zhàn)隨著量子比特的數(shù)量呈指數(shù)級增長，但在使用量子計算時增長得更慢。

學(xué)習(xí)物理狀態(tài)的量子優(yōu)勢。(a)基于量子增強實驗的監(jiān)督機器學(xué)習(xí)（ML）模型。N個重復(fù)的量子增強實驗被執(zhí)行，數(shù)據(jù)被送入一個門控遞歸神經(jīng)網(wǎng)絡(luò)（GRU）。GRU中的神經(jīng)元被聚集起來預(yù)測輸出。(b)有監(jiān)督的ML模型的訓(xùn)練過程。通過對小系統(tǒng)規(guī)模（<8）的無噪聲模擬，來訓(xùn)練有監(jiān)督的ML模型，以確定在未知狀態(tài)下，兩個-量子比特Pauli算子的期望值哪個更大。研究團隊以交叉熵為訓(xùn)練損失；然后使用有監(jiān)督的ML模型，利用在“懸鈴木”處理器上運行的噪聲量子增強實驗的數(shù)據(jù)對較大的系統(tǒng)規(guī)模（8 20）進行預(yù)測。將預(yù)測正確的概率視為預(yù)測精度，隨機猜測產(chǎn)生的預(yù)測精度為0.5。(c)達到 70%準確率所需的實驗數(shù)量的量子優(yōu)勢。這里（Q）對應(yīng)的是運行基于量子增強實驗的監(jiān)督ML模型的結(jié)果，（C）對應(yīng)的是運行傳統(tǒng)策略的結(jié)果。虛線是任何常規(guī)策略（C, LB）的下限，即使在一個有噪聲的量子處理器上運行，量子增強實驗也大大超過了理論上可實現(xiàn)的最佳常規(guī)結(jié)果（C, LB）。

學(xué)習(xí)物理動力學(xué)的量子優(yōu)勢。(a)無監(jiān)督的機器學(xué)習(xí)（ML）模型。我們對每個物理過程εk進行500次重復(fù)的量子增強實驗（每次訪問ε兩次），并將數(shù)據(jù)送入無監(jiān)督的ML模型（PCA），學(xué)習(xí)描述不同物理動力學(xué)的一維表示ε1,ε2,…。同樣，也考慮對每個物理過程ε的1000次重復(fù)的已知最佳常規(guī)實驗（每次訪問ε一次）獲得的數(shù)據(jù)應(yīng)用無監(jiān)督的ML。(b)通過無監(jiān)督的ML學(xué)習(xí)的一維動態(tài)的表示。每個點對應(yīng)于一個不同的物理過程ε。底部的垂直線顯示了每個ε的精確一維表示。一半的過程滿足時間反轉(zhuǎn)對稱性（藍色菱形），而另一半則不滿足（紅色圓圈）。當輸入量子增強實驗的數(shù)據(jù)時，ML模型準確地發(fā)現(xiàn)了潛在的對稱性模式。相比之下，當輸入傳統(tǒng)實驗的數(shù)據(jù)時，ML模型未能做到這一點。(c)通過無監(jiān)督的ML學(xué)習(xí)到的二維動力學(xué)的表示。(d)在“懸鈴木”處理器上實現(xiàn)的幾何圖形。研究團隊考慮了兩類不同的連通性幾何，以實現(xiàn)一維（頂部）和二維（底部）動力學(xué)。

研究團隊實驗分析了量子技術(shù)如何提高發(fā)現(xiàn)自然界中新現(xiàn)象的能力。通過超導(dǎo)量子處理器中進行的多達40個量子比特的實驗表明，在使用當今含噪聲中等規(guī)模量子（NISQ）平臺時，大量的量子優(yōu)勢已經(jīng)很明顯。

以前對量子優(yōu)勢的許多研究都集中在已知輸入的計算任務(wù)上，而這一新的工作則集中在學(xué)習(xí)任務(wù)上，目標是學(xué)習(xí)一個先驗的未知物理系統(tǒng)。結(jié)果表明，監(jiān)督和無監(jiān)督的機器學(xué)習(xí)模型采用從量子增強實驗中獲得的數(shù)據(jù)，可以預(yù)測物理系統(tǒng)的屬性，并發(fā)現(xiàn)常規(guī)實驗范圍之外的潛在結(jié)構(gòu)。

這項工作為理解和實現(xiàn)量子機器學(xué)習(xí)和量子傳感中的量子優(yōu)勢提供了一種新方法?？梢栽O(shè)想，未來的量子傳感系統(tǒng)將能夠把檢測到的量子數(shù)據(jù)傳輸?shù)搅孔哟鎯ζ?，然后用量子計算機處理存儲的數(shù)據(jù)。由于目前缺乏合適的先進傳感器和換能器，團隊僅進行了概念驗證實驗，盡管如此，它們也已經(jīng)驗證強大的量子優(yōu)勢突出推進了量子平臺的潛力。

參考鏈接：

[1]https://www.science.org/doi/10.1126/science.abn7293

[2]https://arstechnica.com/science/2022/06/quantum-computer-succeeds-where-a-classical-algorithm-fails/