本源量子入围空客量子计算挑战赛决赛

光子盒研究院出品

期待已久的时刻终于到来了！5个决赛团队最终入围，获胜者将于2020年12月揭晓。

入围团队

来自工程和飞行物理学的空客专家与量子计算领域的领先学术和行业专家合作，对提交的提案进行评估工作。

评审团成员选择了五支团队参加2020年的决赛：凯捷咨询（Capgemini）、Machine Learning Reply、Niels Backfisch、本源量子、蒙得维的亚大学。

五个团队简介

凯捷咨询（Capgemini）队

一种新的飞机模型的设计、开发和生产需要数年时间，并且还限制于经济条件。

在量子空中客车挑战中，他们提出了两种新的算法，灵感来自著名的HHL算法的矩阵反演和QSVM。这两种算法都是为了减小翼盒优化的参数空间，从而获得一个数量级的性能增益。

该算法分别适用于LSFT和NISQ量子计算机，因此在技术成熟之前起到了一定的弥补作用。这项工作是凯捷航空高性能计算中心和量子技术团队之间的密切合作，从而认识到他们需要端到端的专有技术来设计和实现量子算法。

虽然目前还不可能进行全飞机优化，但由于组件之间的复杂交互，此次提交可能最终为多模式全飞机优化铺平道路。

Machine Learning Reply队

在这次提交的作品中，他们使用量子算法解决了空中客车量子计算挑战的装载优化问题。

对于经典算法来说，寻找飞机的最优载荷是一项具有挑战性的任务。特别是在求解过程中必须同时考虑多个飞行约束条件。在此次工作中，他们证明了这类优化问题可以通过量子计算进行数学建模和求解，从而提供了一条新的解决路径。

Niels Backfisch队

几个作者表明，平均超过n个不相关的机器学习模型减少了一个因子n的综合误差。

提出的方法以单个模型为代价计算了指数级许多量子机器学习模型（包括所有可能的不相关模型）的预测。在某些技术数学要求下，它甚至允许训练此类模型以进行回归。无论数据或模型大小如何，训练都将在10个epochs内以99％的概率完成。

因此，提出的方法可能会在很大程度上减少机器学习模型的错误，并且随着量子比特的数量呈指数增长，而只需要查看10次或更少的数据即可。

本源量子团队

计算流体动力学对其在飞机设计中的应用很重要。随着网格点数量的增长，需要强大的计算资源。在他们提交的文档中，提出了一种量子经典混合方法来加速SU2（一种用于CFD的开源软件）。该方法基于有限体积法，通过用量子模块替换空间积分和线性求解器模块来实现此方法，并保留迭代（时间积分）过程。这种方法的时间复杂度是O（polylog N），在对数上取决于网格点的数量。团队所采用的量子算法在SU2中实现，其子模块由量子编程语言QPanda编写。他们断言，容错量子计算和量子随机存取存储器是显示该算法的量子优势所必需的。

蒙得维的亚大学队

确定车辆中包装商品的最优装载策略的问题，可以用不同的方法来解决，如动态或遗传规划。受著名背包问题的启发，团队解决方案的目标是，使用量子算法对有约束条件的一架飞机确定其最大限度装载的最优配置。

他们的方法的基础是变分量子特征求解(VQE)算法，通过理解经典计算方法的复杂性，找到VQE在混合解决方案中提供的量子优势。

随着要运输的包裹数量的增加，可能的组合的数量增加，传统的解决方式受到了挑战。

基于问题的复杂性顺序，他们预测了解决该问题所需的量子位的数量，以及在现有或不久的将来在量子计算机上运行该算法的可行性。

关于比赛

随着传统计算机逐渐接近极限，量子计算机有望提供新的计算水平。作为先进计算解决方案的积极用户，空客站在计算世界范式转变的前沿，探索量子计算如何解决航空工业的关键问题，并改变飞机的制造和飞行方式。

为了在该领域更进一步，空中客车公司在2019年1月发起了一场全球量子计算竞赛，对该领域的专家和爱好者发起挑战，让他们与公司携手开创航天领域的量子时代。

空中客车量子计算挑战（AQCC）解决了公司专家开发的航空飞行物理问题。空中客车公司为量子计算社区提供了一个独特的机会，来测试和评估最新可用的计算能力，以解决一些最困难和复杂的问题，并进一步合法化和推动这项技术的进步。

这个挑战提出了五个不同复杂程度的飞行物理问题，从简单的数学问题到全球性的飞行物理问题。

它向整个科学界的专家、研究人员、初创企业、学者开放，并将为航天领域向量子时代的最终转变奠定基础。

挑战

飞行物理学是与飞机飞行相关的所有科学和工程方面的统称，是空客业务的核心。这一话题几乎影响到飞机产业的方方面面：从设计到运营，从在空中的运动质量到航空公司的收入流。整个生命周期以众多计算困难的问题为特征。虽然已经有了解决这些问题的计算方法和路径，空客在推动创新和改进方面，拥有不断寻求革命性的能力，以提供创新的产品飞行！

空客提出了五个面对飞机设计和服务优化的量子计算专家和爱好者的问题，使用量子计算并着手解决这一转换合作之旅。

参赛团队提供的解决方案将使空中客车公司能够评估，如何将这种新兴的计算技术包括在内，甚至取代其他高性能计算工具。这些工具如今已成为飞机设计的基石。

五个飞行物理问题

问题1：飞机爬升优化

从起飞到着陆，飞机要经历几个飞行阶段。其中巡航是最长的航段，从燃料和时间优化的角度看，被认为是在飞行中最重要的阶段。然而，随着短途航班数不断增加，爬升和下降就成为了问题关键。这些环节的燃油优化对航空公司而言非常重要。问题的重点是爬升，以及如何应用量子计算来得出低成本指数（时间和燃料的相对成本），这对于爬升效率是至关重要的。

问题2：计算流体动力学

飞机设计的效率在很大程度上取决于飞机的整体空气动力学形状。该设计使用计算流体动力学（CFD）进行，这种方法演示了飞机周围的气流行为，并揭示作用在飞机表面的空气动力。但是，精确的CFD模拟是一项耗时耗力的任务。这项挑战旨在说明如何使用量子计算算法或混合量子传统方式运行CFD模拟，以更快地解决问题，以及该算法如何根据包括计算资源在内的问题复杂性进行扩展。

问题3：求解偏微分方程的量子神经网络

解决空气动力学问题时，求解偏微分方程（PDE）是一项重大挑战。如今，它们的解析需要复杂的数值方案和高昂的计算成本。传统上，使用数值方法以确定性方式求解PDE。最近，已经开发了神经网络（基于深度学习的算法）来解决耦合的PDE。这些网络计算PDE的时间和空间导数。提出的挑战是用量子能力增强这种新的解决空气动力学问题的方法。

问题4：空气室设计优化

鉴于传统计算的局限性，航空航天业在优化多学科设计方面面临挑战。这是设计配置，如机身载荷、质量建模和结构分析必须同时计算。会导致设计交付时间较长，过程的复杂和评估保守。量子计算通过同时评估不同的参数，为探索更广阔的设计空间提供了另一种途径，从而在保持结构完整性的同时优化了重量。这种平衡在飞机机翼箱设计中尤为重要，因为重量优化是降低运营成本和减少环境影响的关键。

问题5：飞机装载优化

航空公司试图充分利用飞机的有效载荷能力，以最大化收益，优化燃油消耗并降低总体运营成本。它们的优化范围受到飞机运行范围的限制，该范围由每个任务的最大有效载荷容量，飞机的重心及其机身剪切极限确定。这项挑战的目标是在耦合操作约束下计算最佳飞机配置，从而展示如何将量子计算用于实际问题解决以及如何将其扩展到更复杂的问题。

扩展阅读：

-End-

1930年秋，第六届索尔维会议在布鲁塞尔召开。早有准备的爱因斯坦在会上向玻尔提出了他的著名的思想实验——“光子盒”，公众号名称正源于此。