谷歌在用于材料模拟的量子计算方面取得突破

光子盒研究院出品

11月10日，波士顿量子计算初创公司QSimulate和谷歌量子人工智能实验室发布了费米量子仿真器(FQE)，这是一个在费米子模拟中仿真量子计算机行为的软件框架。费米子模拟包括用于材料发现的分子电子结构计算，这是量子计算最令人期待的应用之一。

FQE利用化学、材料和凝聚态物质系统中常见的对称性(即数对称性和自旋对称性)，在模拟费米子量子电路时获得了显著的性能增益。通过将模拟速度提高了几个数量级，FQE帮助量子科学家预测材料量子计算所需的硬件资源，并为这种模拟执行经典基准测试。

谷歌量子人工智能实验室量子算法负责人Ryan Babbush说：“FQE是费米子量子仿真的独特软件，它是通过结合谷歌在量子计算算法方面的专业知识和量子模拟技术开发的。FQE的发布标志着我们与QSimulate合作的一个里程碑，我们期待着进一步合作。”

在FQE发布的同时，谷歌量子人工智能和QSimulate签署了一项协议，以扩大他们的合作伙伴关系。QSimulate首席执行官Toru Shiozaki表示：“我很高兴看到这个软件框架终于可以公开使用了。与谷歌的合作非常富有成效。我们期待着这种扩大的关系，这反映出量子模拟和量子计算的商业参与日益增加，以及QSimulate和谷歌量子人工智能在这一领域的领先地位。”

FQE已经在Apache 2.0许可下开源，并对公众开放。

软件库：

https://github.com/quantumlib/OpenFermion-FQE

要以双精度存储数字向量，表示26个量子比特的波函数，需要大约1GB的内存。当我们在计算中再增加10个量子比特时，我们需要1TB的内存。

就分子或材料的模拟而言，36个量子比特相当小——相当于双原子或小分子中电子的中等精度模拟。模拟更复杂分子中的电子并提供化学家推理反应机制所需的科学见解，可能需要数百个量子比特。这对专注于物理模拟的量子算法开发人员来说意味着，即使在量子设备上运行算法之前进行小规模测试，也可能是一项重大的计算任务。

为此，QSimulate和谷歌人工智能实验室提出了一种新的方法，当量子电路正在模拟一种特定类型的量子粒子时，可以利用物理对称性来降低直接模拟的指数扩张。费米量子仿真器采用这种方法进行电路仿真，与不考虑物理对称性的普通量子电路仿真器相比，它在计算上有很大的优势。

费米量子仿真器(FQE)是一个状态向量仿真器，它利用了自旋为1/2的费米子系统的常见对称性，可以大大减少表示量子状态所需的内存。当模拟任意费米子生成器(多体量子门)和标准非相对论化学哈密顿量时，使用对称约化波函数表示可以进一步改进算法。这些改进是通过调整理论化学界为精确费米子模拟开发的算法来实现的。

对于一个电子数n等于模拟系统所需的总量子比特数L一半的系统，FQE可以用37GB的内存存储36个量子比特的波函数——相比没有考虑对称性的36个量子比特的波函数需要1000GB，节省了大量的内存。当n/L更小时，如1/4，优势更大。下图显示了FQE使用的对称约化表示法和直接模拟法表示波函数需要希尔伯特空间大小的比较。

1/2约化(绿色)和1/4约化(黄色)与全量子比特方法(红色)的希尔伯特空间大小的比较。对于48个量子比特的1/4约化波函数，需要290GB，直接模拟需要4.5PB(约100万GB)。

模拟与费米子动力学有关的量子电路，使他们的模拟算法取代了量子门的直接模拟。FQE没有使用标准技术将费米子生成器转换为量子比特生成器，而是提供了直接演化常见的电路原语和任意费米子生成器的例程。常见算法原语的结构，例如基旋转或对角库仑算符，可以编写非常快速的例程来演化对称约化波函数。

下图显示了其中一个原语(基循环)的性能，并将FQE的性能与用C++编写的高度优化的Qsim程序进行了比较。在单线程和多线程机制下，FQE的性能至少比Qsim程序高出一个数量级；这清晰地证明了物理和对称性的考虑加上算法的改进可以有很大的计算优势。

基旋转原语C核原语的CPU时钟时间与Qsim的等效电路演化时间。

FQE是一个python包，具有易于扩展的模块，可以实现最大的灵活性。FQE完全可以与OpenFermion(谷歌的一个量子算法开发平台，专注解决化学问题)互操作，但也可以用作独立的费米子模拟器。其中内置了为费米子模拟生成许多标准可观测量的功能(任意期望值和简化密度矩阵)。此外，FQE也有标准量子化学哈密顿量的自定义例程，进一步利用自旋受限环境中的对称性来提高计算效率。

论文链接：

https://quantum-journal.org/papers/q-2021-10-27-568/

—End—

相关阅读：

光子盒将为中国境内的研究机构和企业提供一个免费的垂直招聘信息发布渠道，欢迎有需求的机构或企业直接联系光子盒。（微信：Hordcore）

你可能会错过：