全球视角！量子技术全景展望（2022版）（上）
后台回复“量子技术全景展望（2022）”或点击文末“阅读原文”获取PDF版
容错量子计算机（FTQC）——早期容错量子计算机的新兴标准是一种具有100万物理量子比特的设备，运行表面码（或类似）纠错，以提供多达1000个逻辑量子比特。为了实现这一点，假设双量子比特（2Q）门保真度达到99.9%以上，并且量子比特相干寿命足够长，以至于它们不会支配错误预算。为了实现这一目标，公司需要证明他们可以从根本上扩大技术规模。具体的挑战因量子比特平台而异，但看起来并不容易：制造公差、过度的控制布线/激光对准复杂性、串扰/校准、热负载和冷却性能、量子互连以及用于控制和纠错的经典处理的延迟。在大多数方法中，创建“魔法态”（magic state）（支持通用门集所需的资源）看起来像是一个关键瓶颈。
含噪声中等规模量子（NISQ）——一些参与者强调使用更适度、嘈杂、中等规模的量子设备可能会更快实现。这避免了量子纠错所需的巨大开销，而是寻求在少量步骤（浅电路深度）完中成计算，以便每个物理量子比特门引入的错误不会变得难以处理。认为，门模型量子计算机要在实际应用中获得广泛的量子优势，可能需要99.99%+的2Q保真度。增强的甚至是针对特定问题的量子比特连接也可能非常重要。将需要与经典处理进行低延迟集成。
较少量子比特的量子计算机（FQQC）——同样重要的是要记住，对于某些应用，我们只需要“几个量子比特”。此类应用的早期示例通常位于量子计算、网络安全和量子通信的交叉点；这种重叠有望最终发展成为量子互联网，并通过传感器发展成为量子物联网。这里的不同权衡最终可能适合不同的量子比特平台。能够在更高、更容易部署的温度下提供一些相干寿命可能是一个有用的优势。
R8修订版现在稳定实现约0.3毫秒（T1）的平均寿命。测试设备已达到0.6毫秒。长寿命最终是整体保真度的重要基础。当量子比特必须等待其他操作完成时（例如在纠错周期中），它们也很重要。长寿命的状态一直是IBM固定频率transmon量子比特的承诺，因此其他参与者不一定容易匹配。
在2021年的一项引人注目的公告中，Falcon R10上最好的CNOT门现在达到了99.91%的2Q门保真度。以前IBM处理器系列的趋势令人印象深刻。此外，IBM还发布了带有实验设备的有希望的结果，探索了架构的变体，例如可调谐耦合器的引入。小型测试设备报告了令人鼓舞的结果，其2Q保真度为99.85%。该技术还应有助于抑制同时操作中的串扰。
IBM的进展很重要，因为它让我们有理由相信，使用当前的材料和制造技术在大型设备上达到99.9%的2Q保真度仍然是一个合理的预测。如果我们不得不依赖材料科学的进步或全新的制造技术，那么该行业目前激进的时间表只会令人失望。
IBM在其约克镇高地的200毫米试验生产线上制造自己的芯片。它指出在超导量子比特的特定背景下，这是最先进的技术。这似乎使它有信心继续制造具有越来越多量子比特的单个芯片。IBM还提到了其广泛的专利组合，以及在保护其制造技术方面可以发挥的作用。
量子体积——该指标衡量设备可以执行的最大随机“方形”电路。这将量子比特宽度与QV层中的电路深度相结合。每层都是量子比特的随机排列，然后是所有对之间的随机2Q门（特别是SU（4）门）。所需的物理电路深度通常远大于QV层的数量，因此该指标不仅体现了量子比特门的保真度，还体现了灵活的原生门组、增强的量子比特连接、有效的编译器路由和低层错误缓解带来的好处。
每秒电路层操作数——该指标衡量处理器每秒可以执行的QV层数（平均超过100次运行）。这保持了一种与硬件无关的方法，使我们不仅可以衡量快速门的影响，还可以衡量高保真快速读出、低延迟控制系统和低级编译器性能的影响。
读出和复位——谷歌还实现了更快和更高保真度的读取，从3000ns和96.2%提高到600ns和98.1%。一种新的多级复位操作也能够纠正泄漏错误。
QuTech也研究可调谐频率tranmon量子比特，并发布了令人震惊的保真度结果。在实验室测试设备中，QuTech研究人员实现了保真度为99.93%的新型SNZ CZ 2Q门。这对Quantum Inspire开放接入云的未来是一个好兆头。此外，MIT还展示了一个高保真度的iSWAP 2Q门，带有保真度为99.87%的可调谐耦合器。
该类型的系统面临的校准问题反映在UKRI（英国研究与创新中心）在这个领域资助的工作中。由初创公司Riverlane领导的AutoQT项目正在寻求利用人工智能技术来保持量子比特旋转。
3、中国科学技术大学祖冲之掀起热议
2021年，中国科学技术大学凭借66Q超导量子比特器件“祖冲之”登上头条。祖冲之2.0能够执行56Q的随机电路采样，祖冲之2.1能够执行60Q，比悬铃木多7个量子比特，实现了一项新的计算难度世界纪录。
图3 祖冲之二号66比特量子处理器
这是否意味着中国科学技术大学目前在QC竞赛中处于领先地位？祖冲之的保真度统计数据（99.4% 2Qsim）现在与“悬铃木”不相上下，尽管它的门速度比最初版本的“悬铃木”要慢（24ns vs 12ns）。用科学术语来说，这是在另一个实验室重复实验以确认结果的一个很好的例子。中国科大研究团队现在面临着Google在过去两年中一直在寻找的相同挑战；如何将一个伟大的实验变成一个足以正常运行的设备。读出保真度在祖冲之2.0版和2.1版之间提高的速度令人振奋，制造新的芯片只需要2个月的时间，这也许是我们可以期待的指标。更具挑战性的是如何在量子比特保真度上领先，而不是追赶。中国科大和Google的保真度都不足以达到他们想要实现的目标。
随着中国超导量子比特技术的发展，总部位于合肥的量子计算初创公司本源量子（Origin Quantum）处于有利地位。它已经支持24Q系统的云访问，并即将升级到64Q。在一轮成功的融资后，本源量子的估值达到70亿元，成为独角兽。
中国的超导量子比特技术有望受益于在山东济南正在建设的新一代最先进的下一代纳米制造中心。这将是竞争日益激烈的比赛的关键帮助。
在欧洲，量子旗舰（Quantum Flagship）项目OpenSuperQ已经构建了初始的5Q和7Q超导量子比特设备，也采用了可调谐量子比特方法。目前工作计划结束之前（2022年3月之前），有可能升级到20Q倒装芯片设计。这将低于该项目最初的100Q目标。然而，认为，我们必须现实地看待这类前沿项目是否能够持续追赶承诺的时间表。如果他们总是能做到，那我们的野心就太低了。同样，面临的困难也突显了中国科大团队在开发祖冲之方面取得的成就。
在保真度这一关键指标方面，阿里巴巴也取得了重要进展。今年3月，阿里巴巴达摩院量子实验室成功设计制造出两比特超导fluxonium量子芯片，实现了两比特iSWAP门保真度最高达99.72%，达到了超导量子比特全球最佳水平。
4、Rigetti专注于模块化
2021年，Rigetti已经取得了令人振奋的成绩。去年10月，Rigetti宣布以SPAC为基础的上市交易成为头条新闻，这使得他们也成为量子独角兽企业。
制造规模不断扩大的单个芯片面临着量子比特失效和产量下降的问题。Rigetti强调了模块化方法的发展，该方法直接针对这种扩展性挑战。在独立的硅模具上制造的小型处理器被倒装到载体芯片上。该载体芯片采用耦合器，以提供独立芯片之间的量子相干互连。这种方法能保持所需的高保真度吗？2021年的结果显示出了希望。跨芯片纠缠率可与Rigetti的基本门速度（约10 MHz）相媲美；保真度是有希望的（iSWAP为99.1%，CZ为98.3%）。
最后，许多公司可能希望使用这种方法。但最佳制造芯片尺寸的交叉点仍然有待确定。显著提高保真度是Rigetti面临的重要挑战。
5、D-Wave加速前进
D-Wave在2021年对其战略进行了非常重大的扩展，宣布计划推出基于门的系列设备。他们计划的细节非常有趣。他们承认，量子计算的门模型方法对材料科学和化学模拟问题具有更大的长期潜力（使其符合该领域的传统智慧）。然而，他们也很清楚，他们在量子退火上下了双倍的赌注，因为他们认为该架构在短期和长期（至少与目前设想的门模型架构相比）都有最佳的优化问题前景。
图4 D-Wave Advantage
D-Wave门模型概念也很独特，保留了他们开创的通量量子比特设计和多层制造，包括在芯片上保持多路复用控制。许多人认为这些折衷方案不适合门模型方法所要求的高保真度规格。不过，D-Wave有相关专家。如果他们不相信自己能成功，他们就不必定义这条道路。
Qilimanjaro是一家西班牙初创公司，也在追求量子退火技术。它正在参与AVaQus项目，在欧洲建造一个相干量子退火器。
6、众多参与者推动技术发展
SEEQC基于其独特的超导单通量量子（SFQ）数字控制技术成为该细分市场具有长期潜力的另一家初创公司。
单通量量子——这种独特的超导电子技术使SEEQC能够在单个低温芯片上集成快速、低热量和低功耗的经典处理、数字多路复用和低延迟量子比特控制。基于SFQ电路的快速经典控制逻辑，尤其是纠错和魔法态的有效生成，可能是SEEQC的一个关键优势。
高效的倒装芯片——SEEQC方法的一个优势是超导量子比特和超导控制电子设备的相对尺寸相似：量子比特位于一个晶片/芯片上，而相应的SFQ控制电路位于另一个相同尺寸的晶片/芯片上。这些可以使用已建立的晶圆厂工艺单独制造、切割和倒装芯片键合。这种制造灵活性与无线耦合相结合，有望带来扩展优势。
SEEQC最近制造了他们的第三代多芯片模块测试设备，包括与SFQ控制器相结合的transmon阵列和fluxonium设备，但尚未对性能统计数据发表评论。
SEEQC的集成量子比特控制方法吸引了众多投资，并在2021年获得了英国UKRI的三笔拨款。SEEQC拥有最先进的内部商业晶圆厂，能够生产复杂的SFQ芯片，这意味着他们将从美国支持芯片制造技术投资的政治势头中受益。
IQM是一家提供差异化服务的欧洲初创公司，专注于为研究机构和高性能计算（HPC）中心构建现场量子计算机。这种协同设计方法有很大的优势，特别是在欧盟和印度等具有潜在独立意识的亚洲国家。2021年IQM中标了一个备受瞩目的项目，该项目将在德国构建量子计算系统。
Bleximo是一家美国初创公司，也专注于基于超导量子比特的特定应用量子计算机的协同设计。尽管迄今为止他们一直保持低调，但他们的工程能力在Q2B会议上得到了清晰的展示。Bleximo自然受益于其与加州大学伯克利分校的密切联系。
IMPAQT是一个荷兰财团，其目标是研究团队的“自建”市场。
未来超导量子计算机的可扩展性也将在某个时候可能需要独立稀释制冷机之间的相干连接。苏黎世联邦理工学院已经证明了这一原则。量子旗舰QMiCS项目引领了这项技术在欧洲的发展。
二、离子阱：通往逻辑量子比特
1、IonQ大放异彩
离子阱在2021年占据了许多头条新闻。IonQ以其吸引眼球的20亿美元的SPAC上市敲响了纽约证券交易所的钟声。
IonQ的学术合作者还更进一步，演示了15Q设备的容错控制，以形成单个逻辑量子比特（使用Bacon-Shor-13纠错码）。演示了一套完整的单量子比特门，以及魔法态的创建。这是容错领域的一个里程碑，尽管所实现的逻辑保真度仅为中等（逻辑SPAM保真度为99.4%，逻辑1Q保真度为99.7%）。由于纠错经常被讨论，以至于有些人可能认为这是理所当然的。看到它在实践中发挥作用，这个领域应该松了一口气。
IonQ也取得了独立基准测试的成功。2021年，美国量子经济发展联盟QED-C发布了一套涵盖一系列通用基础量子算法的性能基准。结果包括IonQ的云访问11Q系统和IonQ的下一代硬件。与上一代相比，最新的IonQ硬件迈出了一大步，在测试中总体上优于IBM、霍尼韦尔和Rigetti的其他设备。由QED-C开发的信息可视化使得离子阱系统提供的增强量子比特连通性的好处得到了清晰的演示。
QED-C基准套件——它选择了广泛讨论的量子算法，并展示了它们在不同量子比特数量和电路深度上的性能。生成的可视化效果很好，信息量很大。它们支持与QV的直观联系，并提供超越简单数字的洞察力。
该系统的测量QV尚未公布，但据估计，在基准测试时，该系统的QV似乎在1024QV范围内运行，仍远低于我们希望看到的400万QV。IonQ似乎在调整2Q门保真度以充分发挥系统潜力方面面临延迟。
IonQ路线图——2021年22AQ、2023年29AQ、2025年64AQ、2026年256AQ、2027年384AQ、2028年1024AQ。纠错开销——2025年16:1，2027年32:1。
算法量子比特（AQ）——IonQ定义的指标，表示可用于计算的“有效完美”量子比特的数量（请注意，可用的逻辑门深度仍然有限）。在没有纠错的情况下，AQ=log2（QV）。
图5 IonQ量子计算机
IonQ策略的一个关键部分是采用灵活的纠错方法。与其等待实施高性能高开销表面码，不如强调中期计划以务实地使用较小的码。这有望以适度的开销（16:1）提高保真度（可能达到99.99%）。
超导挑战——IBM的99.91±0.014%、QuTech的99.93±0.24%和MIT的99.87±0.23%的超导量子比特的2Q门保真度是对离子阱的一个重大挑战。离子阱系统的一个关键优势是它们提供了更高的2Q门保真度。然而，激光驱动门只有99.92±0.04%，近场微波驱动门为99.91±0.09%；而这些水平的表现只在简单的2Q实验室实验中得到了证明。没有一个离子阱团队在真正的多量子比特设备中展示过类似的东西。IBM实现了与离子阱系统不相上下的保真度，并且是生产制造系统。超导量子比特门的速度也明显更快。
离子阱系统还有更多的路要走。增强的量子比特连通性可能与潜在的NISQ应用非常相关（超导量子比特通常限制在最近邻的相互作用）。如果它允许以降低的开销获得创新的纠错码实现，可以转化为重要的长期利益。在超导量子比特门保真度的可变性中，我们还可以看到另一个经常被强调的问题的直接证据：制造的量子比特具有不可避免的可变性，而基于离子或原子的量子比特不会。
在2021年Q2B大会上，IonQ宣布了其技术路线图的新细节。它的下一代处理器将使用钡离子量子比特，而不是当前设备中的镱离子。并不期望在性能上立即出现飞跃，但总的来说，这很好地说明了IonQ技术愿景的蓝图。拥有8亿美元投资基金的一个微妙挑战是，你是否有足够的好主意来让这些钱发挥作用。IonQ在商业和科学方面的领导地位似乎正在抓住这个机会。
钡离子量子比特——钡-133不是自然产生的。这种人造同位素是专门合成的，因为它有望成为俘获离子量子比特。它的核自旋为½，因此可用作长寿命超精细量子比特的基础。至关重要的是，离子的电子结构也具有在方便的光波长处跃迁的亚稳态。这些在光纤或集成光子设备中更容易使用。这种转变可用于更方便地操纵超精细量子比特，或作为在同一系统中形成光学量子比特的基础。这也有望简化在陷阱之间创建光子互连的任务。与其他离子种类相比，钡离子的实验工作仍处于相对早期的阶段。
IonQ非常强调他们方法的模块化。该公司首席科学家Chris Monroe指出，即使在转移到多个设备之前，离子链也可以在单个扩展陷阱中移动和组合，以创建数百个量子比特的模块。集成光学是扩展的关键要求，但他指出这是一项工程挑战，而不是物理挑战。
2、AQT展示了一个真正的基于机架的系统
奥地利的阿尔卑斯量子技术公司（AQT）是一家基于捕获离子光学量子比特（基于光学跃迁，而不是IonQ和霍尼韦尔使用的超精细跃迁）的初创公司。虽然相干时间稍短，但承诺更容易集成光学系统的未来发展。AQT利用他们在欧盟QT旗舰AQTION项目中的参与，交付了第一个24Q全机架式演示系统，这是当今世界上最小的QC系统。
图6 AQT机架式量子计算机
在2021年EQTC会议上，AQTION和因斯布鲁克大学团队展示了一套完整的通用容错门（1Q门、2Q门和魔法态注入）。这个世界上第一个使用16Q AQT Pine Trap设备来实现2个逻辑量子比特（每个使用7Q色码，也称为Steane码）。Thomas Monz领导着因斯布鲁克团队，同时也是ATQ的联合创始人。如果这一结果能够通过同行评议，那将是欧洲计划的重大胜利。
Pine Trap的2Q保真度为99.36%。进一步改善这一点将是一个关键挑战。
Light-Shift 2Q门——佐治亚理工学院的工作指出了激光驱动2Q门的新机制的潜在优势。原则上可以应用于超精细或光学量子比特。最近的工作认为，这种方法能够支持具有光学捕获离子量子比特的高达99.99%保真度的门。
3、霍尼韦尔成立Quantinuum，并继续交付产品
霍尼韦尔在2021年做出了一项重大的举措，将其量子计算部门剥离出来与量子软件领域的全球领导者剑桥量子公司合并，成立了一个名为Quantinuum的新集团。直接获得领先的软件专有技术将是最大限度地利用早期设备的一个重要优势。Quantinuum将继续使用霍尼韦尔制造设施，Tony Uttley继续担任新公司的总裁兼首席运营官，确保了硬件开发的连续性。
霍尼韦尔继续向外界展示他们有能力按照路线图系统地向前推进。2021年他们再次创下记录，率先达到1024QV，紧接着2022年3月达到2048QV，目前最新记录为4096QV，其目标是每年QV增长一个数量级。
图7 霍尼韦尔H系列量子计算机的量子体积
霍尼韦尔的初步结果还显示，在10Q设备中成功进行了多轮纠错（使用[[7,1,3]]色码）。霍尼韦尔利用其在中间电路测量方面的领先优势，使其能够有效地重复多轮纠错。逻辑保真度高于物理保真度（逻辑SPAM 99.83（2）%，物理SPAM 99.76（8）%）。
霍尼韦尔路线图——从现在到2030年，逐步实现H1（线性陷阱）、H2（赛道布局）、H3（网格布局）、H4（集成光学）、H5（通过实现平铺大规模）。
霍尼韦尔的方法也与IonQ或AQT的方法大不相同。霍尼韦尔不是操纵线性离子链，而是在QCCD网格中重新排列离子。2021年的其他发展为这种类型的架构指明了新的可能性。
4、离子阱互连的创新
另一家离子阱初创公司Universal Quantum也使用QCCD方法。对于提出的大规模阱离子结构，一个传统的问题是，当你已经构建了最大的可行的单个阱时该做什么。这对于小型NISQ应用来说可能已经足够了，但对于FTQC预计需要的百万量子比特设备来说，这肯定是不够的。Universal Quantum提出了一种新的解决方案，即模块间离子的直接传输。
直接传输——在ECTI 2021上，来自萨塞克斯大学和Universal Quantum的一个团队宣布了一项引人注目的概念验证演示，即跨越微对准量子模块边界的“全电”离子传输。这大大提高了速率和传输保真度（每秒2400次和99.999995%）。
直接传输不像光子传输那样灵活，但它提供了一种可以很好地结合纠错需求的工具。其他人指出，他们预计光子互连的速度将大幅提高。Entangled Networks是一家专注于这项技术的加拿大初创公司。Aharon Brodutch（首席执行官）预计每秒1000次的速度是可以实现的。
5、离子阱门的创新
作为离子阱量子计算公司，Universal Quantum继续质疑通过激光直接驱动门的可扩展性，如在IonQ、AQT和霍尼韦尔系统中使用的那样。Universal Quantum正在寻找由全局微波场驱动的门，有望带来独特的扩展优势，但前提是能够实现足够保真度的门，并能支持大量离子。
Universal在2021年再次成功从UKRI获得了额外的赠款。一个项目将支持开发用于商业应用的纠错量子处理器，另一个项目支持与主要半导体制造商合作开发微芯片。
Oxford Ionics（牛津离子）是一家离子阱初创公司，专注于一种完全不同的近场微波方法来驱动门。它是从英国QCS中心分拆出来的，最近受益于一系列UKRI赠款，其中包括2021年的三笔赠款。虽然它尚未推出设备，但其创始人已经构建了一系列破纪录的实验室系统。2021年，它一直在招聘顶尖人才。
超过99.99%——Oxford Ionics的联合创始人Tom Harty认为，离子阱有可能实现远远超过99.99%的保真度。“就其核心而言，该技术平台使我们能够结合我们两个最强大工具的优势：现代半导体制造技术的可重复性；以及位于原子钟核心的相同自然量子比特系统，实际上是人类有史以来建造的最精确的设备。”
Oxford Ionics仅使用激光来控制系统的经典方面（包括冷却和读出）。Harty指出了用微波驱动精密量子门的优势，认为相位灵敏度在这些MHz频率下应该更容易处理，而不是典型激光系统中的THz。此外，微波可以提供一种超越光子散射极限的方法，这可能会使激光驱动的门难以超过99.99%。
我们可以期待Oxford Ionics宣布单独的NISQ和FTQC路线图。如果可以达到足够高的2Q保真度，为什么还要等待纠错呢？99.99%的2Q保真可能支持100AQ设备。那会非常有趣。
三、光子学揭示了它的另类前景
1、PsiQuantum迈出重要一步
2021年，PsiQ又筹集了4.5亿美元，融资总额为6.65亿美元，估值为30亿美元。PsiQ还透露了一些具体细节。
PsiQ已经与全球领先的半导体制造商之一GlobalFoundries（格芯）合作了一段时间，这种合作关系已经开始显示出令人印象深刻的结果。关键的一步是将PsiQ的单光子源和单光子探测技术（氮化铌SNSPD）的工具以及在线测试（基于4K低温恒温器）整合到格芯位于纽约州北部和德国德累斯顿的最先进的300mm生产设施的生产线中。
一级晶圆厂——一级晶圆厂的一个关键优势是顶级设备可以生产出更高的纳米特征精度。波导的线边缘粗糙度会导致光子损耗并降低探测器的效率。PsiQ报告称，从精品设备到最先进的设备，图案质量提高了5倍，推动设备性能大幅提高（例如，单光子探测器的效率从97%@2K提高到了99.7%@2K。重要的是，可以在每个晶片上制造数千个探测器以及系统所需的源、波导和其他光学组件。
PsiQ实现了一种微妙的平衡，他们已经证明，通过利用顶级晶圆厂的能力，可以改进集成器件的关键组件。与此同时，他们避免使用奇异的材料和超尖端的制造工艺，否则他们将无法进入此类晶圆厂，这些晶圆厂的主要业务不是研发，而是传统芯片的批量生产。
图8 PsiQuantum量子计算芯片
基于光子路径的双轨光子量子比特——量子比特的状态|0>和|1>编码在光子所采取的路径中：它是在上波导还是下波导，还是两者都有。
在这个方案中，传统的电路模型量子计算的2Q门是不实用的。相反，人们经常提出一种叫做基于测量的量子计算（MBQC）的等效方案更实用。
MBQC使用大的纠缠团簇态。所需的量子算法是通过对团簇态的一系列测量来实现的。这种方法的一个关键挑战一直是难以产生足够大的团簇态。
FBQC将小的标准纠缠态作为其输入。然后使用标准光子技术（贝尔测量）动态组合（融合）这些资源状态。这有效地重建了容错团簇态的能力，但关键是任何单个光子必须成功导航的光学组件的数量保持较低且恒定。
基于融合的量子计算挑战了我们对量子计算中重要事项的一些正常直觉。在传统的基于电路的方法中，我们通常关注量子比特系统的相干性必须通过增加门的数量来保护的概念。这允许量子算法利用的量子相关性在最终量子比特状态中建立。在FBQC中，每个单独的量子比特/光子在创建后不久都会被测量和销毁。量子相关性在与该过程控制相关的经典数据中建立。
FBQC方法的特点是，多种形式的潜在错误（如光子损失、融合失败等）可以作为统一的错误修正过程的一部分自然解决。这与表面码等方法的核心拓扑思想密切相关。在某种意义上，FBQC中的多轮融合类似于表面码纠错循环。从这个意义上说，两者都采用2D结构并增加时间步长来创建一个“3D”容错通道，计算可以沿着该通道进行。然而，制造光子结构的灵活性有望与FBQC方法的理论灵活性很好地结合。PsiQ公布的“示例”架构使用6Q纠缠环作为它们的基本资源状态，但他们暗示这不是最佳的，使用不同的单元形状可能会提高性能。这正是PsiQ团队成员所熟知的纠错理论领域。
PsiQ方法的潜在弱点是什么？我们还没有看到运行的设备。正如其他技术一样，我们可以期待真实的经验带来对特定挑战的更加敏锐的感知。与任何QC平台一样，PsiQ的量子比特最终都是模拟对象，因此必须在某些地方面对制造容差或校准的挑战。对于路径编码的光子量子比特，这可能表现出对光子相位的敏感性。串扰对其他平台来说是一个挑战，但通常被认为是光子技术的一个可能的优势。然而，从来没有人在PsiQ现在设想的规模和组件密度下使用单个光子。PsiQ也没有透露他们正在使用的技术来产生他们的方法所依赖的初始纠缠资源状态。每个资源状态发生器都可能需要显著的切换和复用复杂性。
经典控制——PsiQ方法的一个优势是光子制造和控制电子制造的相对规模效果很好：大约100万个量子比特安装在300毫米晶圆上，而大约1万亿个晶体管安装在相同的（不同优化的）晶圆上尺寸。这种芯片可以单独制造、切割，然后使用已建立的晶圆厂工艺进行倒装芯片焊接。封装具有非常方便的控制电子/量子比特比率。
FBQC架构的另一个显著优势是，许多基本控制处理不必在物理光子时钟周期内发生；相反，传统计算可以在多个融合循环结束后“赶上”。此功能甚至扩展到魔法态的创建，这是此处（以及大多数FTQC方案中）实现量子优势所需的关键资源。
现在看来，经典的控制逻辑也仍然是一个观察点。PsiQ的探测器，以及他们的整个光子芯片，仍然需要在低温恒温器温度下运行。由于2K比20mK高了100倍，因此比超导量子比特所面临的温度更容易工作。然而，控制逻辑的很大一部分也必须在这些低温下运行。这种低温CMOS技术本身仍然是一个新兴领域。诚然，许多其他量子硬件厂商都面临着这个挑战，但PsiQ声称它将在21世纪20年代中期建立自己的系统，因此PsiQ需要在这个问题上有所作为。
经典的控制逻辑，特别是产生魔法态的控制逻辑，可能是PsiQ的关键瓶颈。我们应该谨慎地假设快速的光子飞行时间自动意味着快速的逻辑循环时间。经典处理的速度很可能会占主导地位。
PsiQ路线图——100万Q将在5-8年内提供100-300个逻辑量子比特。通过FBQC进行纠错
从长远来看，PsiQ希望远离SNSPD（需要制冷）技术，这样他们的设备就可以在环境温度下运行。他们在应对这一挑战的两端都处于有利的位置——不需要低温冷却的新硬件技术（如在最新一代QKD解决方案中使用的）和改进的纠错协议，允许更高的错误容忍度。
2、中国科学技术大学九章2.0继续前进
2020年12月，中国科学技术大学研制的“九章”的初步结果吸引了人们的关注。2021年，九章得到了扩展，进一步增加了计算的复杂性，并引入了一定程度的可编程性。
图9 中国科学技术大学九章二号
九章——以《九章算术》命名，这是一部创作于公元前10世纪至公元前2世纪的中国著名著作。最初的设备在100个输出模式中探测到多达76个输出光子。现在已经升级到在144个输出模式中探测到113个输出光子。
中国科大 vs Google——关于正确解释九章结果的争论，很好地说明了透明竞争科学方式对各方的好处。Google对中国科大的结果做出回应，表明在存在实验噪声的情况下，“含噪”玻色子采样可以比以往更有效地进行经典模拟。特别是，他们可以比九章更有效地重现Scott Aaronson最初提出的特定度量，作为对量子优越性的测试。中国科学技术大学反驳说，在九章数据中仍然存在高阶量子关联（无法用经典方法模拟）。结果是各方，甚至是Scott Aaronson，现在都比以往更了解玻色子采样。
这不仅仅是科学上的兴趣。它给了我们一个直观的感觉，在一个噪声NISQ时代的设备上使用玻色子采样来证明实际有用的量子优越性是多么困难。
九章二号的真正局限性仍然在于它是基于传统光学装置中的分立元件。这种方法是不可扩展的。相反是类似于Xanadu或PsiQ所使用的方式集成组件。过去10年，中国大陆一直在大力投资发展半导体制造产业，从一个小参与者变成了排名前5的大参与者。中国科大总部所在的合肥是中国著名的300毫米晶圆生产中心，已有一家合肥晶合集成电路股份有限公司Nexchip晶圆厂投入运营，另有三家晶圆厂据报道正在规划中。
3、Xanadu详细介绍了自己的路线
Xanadu在2021年又筹集了1亿美元，以继续自己的光量子计算研究之旅。
Xanadu不是使用单个光子，而是使用压缩光来形成它的量子比特。这允许使用标准SiN光子制造技术在芯片上组合光源和其他光子组件。只有探测器需要低温冷却，因此目前保持在芯片外。
与PsiQ不同的是，他们专注于为客户提供早期设备。自2019年推出第一个4Q系统以来，他们的系统规模大约每6个月翻一番。2021年，他们有一个12模式（相当于超导系统中的量子比特）系统在线可用，一个24模式系统集成和一个40模式系统正在测试中。
2021年，Xanadu公布了其通过GKP量子不同通往FTQC的独特路线图的更多细节。一个关键的优势是，该方案在进一步的纠错之前，已经内置了对光子损失的恢复能力。预计FTQC将日益成为Xanadu的重点。挑战包括关键瓶颈处的多路复用，以及对运行纠错所需的经典处理的支持（可能由FPGA提供）。机会包括利用增强的3D连接。
Xanadu总部位于加拿大，但与欧洲的SiN光子学生态系统有着密切的联系。它最近与IMEC合作进行芯片生产，并与VTT合作生产超导光子探测器。
Xanadu路线图——2021-23年并行的三个处理器系列：X系列的X24、X40、X80；XD系列（100%连通性）的XD4、XD8、XD12、XD40、XD80；TD系列（时域复用）的TD2、TD3；2024年实现5000Q模块；2025年及以后，FQTC数据中心；通过GKP量子比特纠错。
2022年6月，Xanadu宣布使用其最新的可编程光量子计算机Borealis完成高斯玻色采样实验，展示了量子计算优越性。该公司表示，这是第一台提供所有门的完全可编程性以展示量子计算优越性的光量子计算机，也是第一次通过云向公众提供具有量子优越性的机器。
图10 Xanadu可编程光量子计算机Borealis
4、QuiX继续销售处理器
QuiX是一家荷兰初创公司，已经制造了具有4、8、12模式（2022年推出20模式）的光子处理器，包括所需的外围控制电子设备。这些利用SiN光子学平台提供领先的低损耗性能。QuiX的商业吸引力越来越大，它是少数几家实际销售量子计算硬件的公司之一。
QuiX路线图——20×20模式（2021年），50×50模式（2022年），2023年实现计算优势。
Orca Computing是英国另一家基于光子学的量子计算初创公司。他们的方法强调他们专有的存储技术，这使他们在如何操纵光子状态方面具有更大的灵活性。他们将其与标准光学组件相结合，以提供一个独特的平台。这种方法的灵活性与他们在未来量子数据中心的应用中赢得的UKRI赠款非常匹配。
法国初创企业Quandela以其新型量子点单光子源技术而闻名，目前已筹集1500万欧元，用于建造一台光子量子计算机。最初的设备预计将在2022年问世。
Duality Quantum Photonics继续保持低调。根据两位创始人Anthony Laing和Alberto Politi的记录，他们的计划将包括开发集成光子量子技术（Politi的博士论文《集成量子光子学》（integrated quantum Photonics）在2008年开创了这个领域；他当时的导师是Jeremy O’Brien）。
四、中性原子引领量子模拟
2021年，基于中性原子的研究也继续令人兴奋。越来越多的公司正在追求这项技术，包括ColdQuanta、QuEra、Pasqal、Atom Computing和M Squared。
QuEra在2021年迈出了一大步，展示了一个256原子（量子比特）的量子模拟器。这个2D冷原子阵列还没有实现完整的量子比特门集，但它已经可以被编程来重现类似量子系统的动力学。这些结果已经引起了科学上的兴趣，并可能有更广泛的应用。
Pasqal是一家法国初创公司，也在走这条道路。它的创始人展示了一个200原子的模拟量子模拟器。Pasqal的工作重点是强调通过这种模式在脉冲控制和算法层方面可以实现的目标，以及向门模型设备发展。
另一家走上这条道路的初创公司Atom Computing推出了100原子模拟器，并在2021年进行了高调招聘。
ColdQuanta一直是中性原子技术的早期领导者。DARPA的ONISQ项目支持将这项技术作为量子计算基础的工作。它似乎无法在2021年实现100Q云设备的目标，但现在预计这一目标将在2022年初实现。
图11 QuEra 256比特量子模拟器
中性原子系统已经在量子模拟器方面占了先机。其性质也为将其扩展到1000Q提供了一条清晰的路径。除此之外，ColdQuanta还设想，在1平方毫米的空间中，一台10万Q的设备是可能的，不过他们也承认，管理所需光学系统的复杂性将是一个巨大的挑战。
这种系统作为通用门模型量子计算机运行的潜力在2021年也得到了提升，加州理工学院演示了99.1%的2Q门保真度。这使用了原子的高度激发态“里德堡态”。读取时间特别是复位周期时间，可能也是这项技术的一个挑战。一般来说，中性原子还没有建立起FTQC的技术路径。
重要的是要意识到中性原子技术在量子技术生态系统的其他领域，特别是在量子传感领域具有强大的影响力。这为该领域的参与者提供了选择多样性和支持机会。
以其高性能激光器而闻名的M Squared已经建立了强大的地位，使这项技术能够用于量子传感。2021年，它还开始构建自己的量子计算系统。
五、硅自旋量子比特实现三次飞跃
硅自旋量子比特长期以来一直具有吸引力。同位素纯化的28Si提供了一个“自旋真空”，可以在其中容纳精细的自旋量子比特。它还承诺利用为半导体行业开发的制造技术。然而，使用精密自旋量子比特实现的保真度落后于其他平台。
在硅自旋量子比特向前迈出的一大步，三个团队现已公布了超过99%的2Q门保真度的结果。
QuTech已经在一个2Q测试装置（一个门定义的双量子点在一个同位素富集的28Si/SiGe异质结构）中证明了99.5%的2Q门保真度。连接两个这样的量子点的能力也在中得到了证明。
日本理化学研究所（RIKEN）在一种2Q测试装置（同样是同位素富集的28Si/SiGe异质结构中的三重量子点）中，证明了99.5%的2Q门保真度。
新南威尔士大学（UNSW）已经在一个3Q测试装置中证明了99.37%的2Q门保真度。硅器件上的一对离子注入的31P（磷）核允许一个电子自旋和两个核自旋耦合。这是施主量子比特可扩展性概念的真正证明。
这些结果的技术和地理多样性是半导体量子比特平台潜力的显著标志。学术团体正在探索的大量技术并不总是相互兼容的，但它们共同代表了一种可能性的力量。
2021年还展示了其他几项有趣的技术。
由全局微波场驱动的自旋量子比特门——新南威尔士大学展示了自旋量子比特门，其使用的技术与一些离子阱团队所采用的技术相同，因为它具有潜在的扩展优势。这种技术传统上利用“缀饰态”来抑制对磁场噪声的敏感性。在追求硅技术的过程中，UNSW的团队引入了一种新的增强型“SMART”协议，有望抑制更高阶的噪声。
锗——另一种方法是基于硅晶片上锗层中的空穴（而不是电子）来定义量子比特。这正迅速成为一个有前途的平台：第一个锗量子比特于2019年实现，2020年实现了两个量子比特，2021年实现了一个四量子比特系统。锗的进步证明了半导体技术可用于在二维阵列中扩展量子比特的概念。
Photonic Inc——继续致力于将光子互连引入硅自旋平台。
英特尔在2021年提醒大家要关注他们在自旋量子比特方面的长期潜力。在与QuTech的合作中，英特尔演示了在最先进的300毫米晶圆厂中制造量子点阵列。概念器件的初步验证已经达到了与以前的测试器件相比的1Q门保真度和相干寿命。扩大规模的潜力是诱人的。正如英特尔所说，量子点实际上就像晶体管的极端单电子情况。另一方面，大型设备中潜在的串扰问题还没有得到研究。
光刻——英特尔认为严格遵守晶圆厂设计规则是能够实现所需极高产量的关键。特别是，它使用全光学光刻（包括化学机械抛光），而不是目前用于量子点制造的电子束光刻。一个300毫米晶圆包含1万个量子点阵列，每片晶圆多达55个门。
Cryo-CMOS——英特尔和QuTech也成功地对最新的Horse Ridge控制芯片进行了基准测试，该芯片能够在3K下运行，以驱动量子比特的微波控制。
SQC可能是最著名的硅量子比特初创公司。然而，它使用了一种非常不同的技术：硅中的磷原子量子比特。这些器件使用超尖端技术制造，提供了超越传统CMOS技术的原子精度。我们还需要等待一段时间，才能看到他们的愿景是否真的能跨越这一领域。
SQC路线图——2023年10Q原型，2030年100Q，到21世纪30年代中期实现有用的FTQC。
2022年6月，SQC和新南威尔士大学宣布推出世界上第一个在原子尺度上制造的量子集成电路，由10个量子点链组成。他们使用这种量子处理器准确地模拟了有机化合物聚乙炔的结构和能量状态，最终证明了该团队技术的有效性。
图12 由10个量子点链组成的原子级量子集成电路
在欧洲，QLSI项目的启动对硅自旋支持者来说是一个重大推动，它吸收了CEA-Leti、CNRS、IMEC和其他公司的专业知识。主要目标包括通过QuTech的Quantum Inspire开放访问平台提供8Q处理器，并在2023年之前展示16Q芯片。
英国硅自旋初创公司Quantum Motion有望从QLSI中受益。它还获得了UKRI的资助，用于开发用于控制和读出的低温CMOS解决方案。
六、NV色心有其独特的潜力
金刚石中的NV色心是另一个量子信息平台。12C没有核自旋，因此形成了量子比特系统的磁中性主体。金刚石还具有良好的热性能，这意味着设备即使在室温下也能保持性能（尽管在较低温度下保真度会提高）。门的保真度仍然是一个挑战。然而，与单个缺陷相关的多个13C核自旋可以提供高保真性能。这个平台良好的光学特性意味着它经常被认为是量子互联网上小型处理器节点的候选。
QuTech——在2021年的一次演示中，纠缠态分布在三个NV节点（冷却到4K温度）之间。每一个都包含一个用于通信的量子比特。中间节点也使用13C的核自旋作为存储量子比特。
Quantum Brilliance是一家澳大利亚初创公司，基于金刚石NV构建室温量子计算机。他们的第一代桌面系统已经上市。
金刚石NV的卓越特性也使其能够在量子传感领域取得快速进展。我们可以期待听到更多关于这项技术的信息。
澳大利亚材料技术公司Archer也一直在为进入量子技术市场做准备。其碳纳米球技术为自旋量子比特提供了一种新的基底选择，但仍处于发展的早期阶段。室温下（175ns @ 300K ）的量子比特寿命比金刚石NV短，但该平台有望带来新的制造灵活性。量子比特逻辑运算尚未得到演示。Archer在亚洲、欧洲和美国获得了一系列专利。
C12量子电子公司正在同位素纯化的碳纳米管中构建自旋量子比特。同样，制造灵活性是一个关键优势。预计操作将针对稀释制冷机系统以获得最佳性能。
EeroQ正在开发另一种新形式的自旋量子比特，其基于被液氦捕获的电子。其发展还处于早期阶段。
六、猫量子比特开始成形
AWS团队在量子纠错方面拥有非常强大的平台实力。一个结果是针对FTQC架构提出越来越详细的建议，其开销显著降低，尤其是通过猫量子比特。其他工作指向更有效的技术，用于实际表面码实现。
Alice & Bob是一家法国初创公司，已经走上了实现猫量子比特的道路。
七、正确的事情
这场竞赛将继续推出足够强大的设备，以释放量子计算的巨大潜力。虽然已经出现了明确的领导者，但每个人都面临着非常不同的规模挑战。目前还不清楚哪个主要的量子比特技术平台会在NISQ或FTQC时代获得成功。量子互联网上FQQC应用的赢家可能会再次不同，如果商业NISQ应用的进展停滞，这可能会变得更加重要。每一项仍在开发中的技术的多样性为初创公司留下了巨大的施展空间。
光子盒认为，提供潜在的量子比特性能现在是最重要的。用电路模型的术语来说，99.9%的2Q门保真度将成为最低标准，而对于那些在NISQ时代寻求广泛量子优势的人来说，甚至需要99.99%+。单独的门的结果是不够的（即使通过随机基准测试进行验证）。我们需要在大型设备上看到与门同时操作的结果（通过先进的技术，如周期基准测试来验证）。
对于那些想要尝试FTQC的人，你需要能够非常清楚地解释你的纠错方法是如何工作的，不仅是在原则上，还包括真实设备中出现的错误。量子硬件需要扩展，但所需的经典控制硬件也需要扩展。
传统的电路模型领域也需要明白，这并不是唯一的游戏。量子退火等启发式方法有显著的发展势头。在物理学的专业应用之外，模拟量子模拟实际上仍然是未被探索的。简单的“少量子比特”设备可以在量子互联网上有新的应用。也许最具颠覆性的是，新的纠错方法，例如FBQC，可能是我们超越传统范式思考可以实现的目标的指针。
量子未来是光明的，但它仍然充满不确定性。
八、展望2022
IBM——127Q Eagle会加入“超越经典”的俱乐部吗？
谷歌——我们会看到表面码的进一步发展吗？
Rigetti——为英国开发的新量子计算机的规格是什么？
祖冲之系列——中国会在纠错和容错方面领先吗？
本源量子——中国大型超导量子比特设备会影响云端吗？
OQC——新款8Q云处理器会有哪些性能数据?
IonQ——其第二代镱离子处理器的QV能达到多高？另请关注第三代钡离子处理器的早期性能结果。
AQT——“世界上最小的QC”的下一步是什么方向？
霍尼韦尔——关注通用门集的纠错演示。
Universal Quantum——其高磁场芯片正在工作；它们能达到什么保真度？
牛津离子——我们会看到第一个近场微波离子阱装置进入比赛吗？
PsiQ——我们会听到更多关于他们承诺出售的纠缠源的信息吗？
QuiX——20×20模式设备的发布。我们将看到哪些性能信息？
Xanadu——他们的24×12模式设备刚刚上线；是时候进行模式指标之战了吗？
九章系列——关注中国科学技术大学专家更倾向哪种光子学平台
SEEQC——我们什么时候才能第一次看到其SFQ技术的实际应用？
中性原子——原子模拟器或门模型设备会统治中性原子云吗？
硅自旋——我们会看到朝着真正的多量子比特阵列取得进展吗？
金刚石——我们会看到独特的FQQC应用程序的进展吗？
猫量子比特——Alice & Bob会把猫量子比特提上议事日程吗？我们会看到AWS的第一批硬件的性能数据吗？我们会看到来自QCI一流团队的猫量子比特吗？
拓扑量子比特——在2020/21年挫折之后；故事还能向前发展吗？（2022年3月已经取得进展）
创新——关注来自新兴参与者如EeroQ、Archer或C12的量子比特控制逻辑演示。
欧盟QT旗舰——下一轮Horizon Europe项目将产生哪些赢家？
英国NQCC——新的国家量子计算中心将最终开放。它选择支持的技术将是更广泛进步的晴雨表。
美国NQI——NSF和DOE国家实验室中心将取得哪些新进展？
CEA-Leti——这个主要技能中心能开始加速硅旋转量子比特之旅吗？
QuTech——我们将在Quantum Inspire上看到哪些新处理器？
中国——我们还会看到关于离子阱或中性原子系统的“追赶”演示吗？
指标——不要指望离子阱支持者会像接受QV一样迅速地采用CLOPS；但是用户至少可以坚持使用新的QED-C基准套件？
保真度——谁有能力令人信服地跨越99.9%的2Q保真度门槛？
量子计算机的早期应用看起来并不成熟。但潜力确实存在。开发量子算法的人才团队仍在为早日实现真正广泛的量子优势而努力。那么可以实现什么？什么时候能实现？
量子计算机从它们运行的独特的量子算法中寻求优势。在某些情况下，这些方法比传统方法有显著的（指数）加速作用，而在其他情况下则是较有限的（平方）加速。某些情况下，诸如量子随机性之类的独特属性会提供不同的优势吗？
关于量子信息处理技术的研究已经超过25年。即使在没有实际设备的情况下，取得的进展也是显著的。
然而，研究时间最长的算法通常需要全尺寸FTQC机器，即使在目前的技术水平下，这仍然很难实现。2021年，许多研究方向再次集中在近期NISQ设备的算法可能实现的目标上，或早期FTQC设备可能实现的目标上。
随着人们对量子计算的兴趣迅速增加，企业提出了一些关键问题：
1-2年——早期量子设备将首先从哪个方面进入日常业务运营用途？大众炒作可能会让它听起来像是已经发生了一样。然而仍然没有看到在商业应用中日常生产使用的例子。
3-5年——在NISQ时代，可能会解决哪些重要的商业应用？虽然我们有理由对特定的用例保持乐观，但跨越一系列业务问题实现广泛的量子优势的目标仍然有许多难以克服的障碍。
7-10年——早期FTQC设备可能会解决哪些应用？对于当前这一代领先的架构，答案比我们希望的要乐观，但重要的应用正在清晰地显现出来。
长期——围绕量子计算的炒作合理吗？
光子盒认为，关于量子计算的长期预测仍然是非常光明的。
一、我们实现了什么？
量子云已经不是什么新鲜事了。自2016年起就可以通过IBM Quantum进行访问。从2019年的谷歌，到2020年和2021年的中国科大，其相关成果都展示了“量子计算优越性”。
众多的研究成果是量子专家和行业早期实践者们进行头脑风暴的见证。他们讨论的基调似乎经常表明量子应用现在正在加紧部署。但事实却不尽如此。
D-Wave已经实现了大量的概念应用证明，包括单个真实世界的演示，如2019年在里斯本优化公交路线。许多客户肯定会说，他们已经通过发展团队和将量子启发的知识应用到他们的业务中而在商业上受益。然而，蓝筹终端用户在日常生产活动中对量子应用的使用仍然是难以捉摸的。
在2021年的Qubits会议上，Catherine McGeoch （D-Wave高级科学家）评论道：“D-Wave在量子处理器的常规速度足以克服日常开销之前，我们不会声称拥有量子优势。我们还没有达到目标，但我们知道如何达到目标。”
量子退火的应用很快就会投入生产使用；然而，它也面临着传统设备的持续竞争，这些设备运行着量子启发算法的高效实现。
Google认为他们可能接近于“量子加扰”（Quantum scrambling）的应用。量子系统中量子加扰如何传播的动力学尚不清楚。对这里更好的理解可以应用于理论物理学（也许以后会更广泛地产生连锁反应）。可以使用类似于Google首创的随机电路框架的实验装置来研究这些影响。
Phasecraft发表了一份关于如何模拟Kagome磁体的文章，表明具有50个量子比特的系统可以通过具有200个以下2Q门的量子电路来解决。这似乎即将通过当前一代NISQ设备实现。了解这种自旋液体基态并没有直接的商业应用，但它是理论物理学中一个众所周知且重要的领域。
Google和Phasecraft的提议之所以引人注目，是因为它们采用了灵活的门模型量子计算。然而，如果我们允许在理论物理中应用，那么基于中性原子的模拟量子模拟器可以说已经这样做了好几年了。
剑桥量子可能即将通过其Quantum Origin网络安全SaaS产品（以前称为IronBridge）实现真正的商业部署。这为加密密钥（以及其他需要真正无偏随机性的应用）提供了随机数。通过实施强大的实时熵验证（通过贝尔测试），它提供了当前任何其他QRNG都不匹配的功能，这在传统设备上是不可能的。
从中期来看，此类服务可能会使用低成本的专用设备。然而，Quantum Origin现在已经可以商用（了解到价格非常适中）。谁先购买并部署它，就可以说他们将第一个量子应用投入正常生产！
剑桥量子最近与霍尼韦尔合并，组成了Quantinuum。在初始运行阶段，Quantum Origin将由H系列霍尼韦尔量子计算机提供服务。
随机数仍然是早期应用的一个重要机会。重要的一点是，算法可以为原始的随机性增加价值。在密码学中，我们通常希望最小化我们必须信任的人。Quantum Origin在软件中提供了强大的熵验证。用户将不再需要信任设备的制造商，尽管仍然需要信任操作人员。之后听到越来越多关于量子随机数的消息，我们不应该感到惊讶。
图13 量子随机数平台Quantum Origin
可公开认证的随机数——此类服务的另一个目标是可以公开和远程进行的熵验证。我们知道如何使用FTQC结合PQC。然而，目前在NISQ设备上实现面临着障碍，即我们目前拥有的最佳协议需要验证检查，这是一个数学难题，使其不切实际。这方面的进展将开启一系列有趣的新应用，包括权益证明区块链协议。
二、寻找广泛的量子优势
量子计算专家、学术团体和越来越多的初创公司，一直在努力提前量子计算实现更广泛优势的日期。变分量子算法、量子退火、蒙特卡罗技术的应用和量子机器学习都是活跃的重点领域。
1、变分量子算法
变分量子算法（VQA），包括VQE、VQS、QAOA、QCBM、QNN及其日益复杂的改进，已逐渐成熟，成为最适合使用门模型NISQ计算机实现量子优势的相关技术体系。
图14 变分量子算法示意图
混合量子-经典循环——实际实现正在寻求平衡迭代处理循环的竞争需求：为初始试验输入（ansatz）选择一个好的模型；选择一个成本函数，既要具有量子硬件效率，又要适合具体问题；减少噪音和错误；有效地测量输出；将尽可能多的工作量纳入经典后处理；运行高效的经典优化程序来驱动每次迭代。
1）变分算法的风口
研究越来越集中在确定以足够的规模和准确度运行应用程序所需的实际资源，以解决感兴趣的现实世界问题。目前来说，以下两个挑战成为重大障碍：如何有效地测量每个周期中的量子输出以及驱动变分优化过程的问题。
VQE（变分量子本征求解器）是一系列技术，为在计算化学等领域进行计算提供了希望。最近的工作已经确定了这个过程中的一个关键瓶颈。为了达到通常所需的精度水平，必须对每个试验电路进行重复的输出测量。所需的大量重复看起来像是一个严重的瓶颈，有可能将运行时间超出可用性的范围。虽然这个问题首先在VQE中浮出水面，但随着我们更好地了解它们对准确性的需求，它有可能影响其他变分算法。
Zapata完成了一系列短链碳氢化合物（从甲烷到丙炔）的运行时间估算工作。使用传统的VQE方法，他们估计每次所需的优化迭代的运行时间为2到71天。将需要多次迭代，对于其他感兴趣的分子，时间可能会明显更长。这使得VQE在没有某种方法来减轻测量负担的情况下看起来不可行。
变分算法的另一个普遍挑战是确保所需的经典优化能够有效地完成。在许多情况下，这类似于我们沿着斜坡寻找最低点（最优解决方案），而我们却有可能找到一个空洞（局部极小值），而这并不是最佳的整体解决方案。如果我们发现自己在一个非常平坦的地方（贫瘠的高原），那么我们可能不容易知道下一步该走哪条路。设备的噪声也可能使一个微妙的斜坡变成贫瘠的地形。
威胁在于优化的经典成本可能超过量子加速。最坏的情况很难，这不应该让我们过分担心。特别是当我们模拟一个物理量子系统时，我们可以使用物理或化学的洞察力来选择一个试验解和近似的哈密顿量。我们可以有一种直觉，我们的量子系统将帮助我们找到自然的解。
然而，当我们处理一般优化问题时，我们的直觉可能不那么强烈，这可能会通过诸如QAOA（量子近似优化算法）之类的方法来解决。在这里我们可能需要更具体的理由来认为我们选择的试验解和成本函数给了我们一条简化的优化路径。
D-Wave迅速指出了这种推理给了QUBO和量子退火的支持，这是NISQ时代优化问题的首选策略。
纠缠诱导的贫瘠高原——可见层和隐藏层是传统深度学习的基本组成部分。最近的研究表明，可见和隐藏的单位之间的过度纠缠会导致贫瘠高原和训练失败。虽然这令人沮丧，但它也可能指出了避免这个问题的方法。
Zapata开发了一个开源工具orqviz，通过帮助优化环境的可视化来帮助解决优化挑战。
2）变分算法的进展
NISQ时代的量子优势主要集中在几个领域。其中特别包括在化学和材料科学中的应用。这些系统潜在的量子本质支持了我们的信念，即量子计算可以帮助我们探测它们的属性。
分子结构——VQE用于计算感兴趣分子的基态（或激发态）能量。这一领域的技术正在快速创新。
Zapata、剑桥量子、Phasecraft、QC Ware、Rahko、QunaSys等都是利用学术人才推动创新的初创企业，每家公司都提供VQE的变体和改进。
剑桥量子和罗氏已将密度矩阵嵌入理论的传统计算化学技术与VQE相结合，以检查蛋白质-配体结合能，计算是在IBM和霍尼韦尔处理器上进行的。
材料科学——传统方法通常只能处理量子相关性较弱的材料。理解规则晶格阵列是一类重要的问题，通常以费米-哈伯德模型为特征。这包括可能具有很高实际重要性的系统，如理解高温超导性或电池性能。
Phasecraft提出了一种优化的变分算法来计算2D费米-哈伯德模型中的基态能量。可以在具有大约325个2Q门（在完全连接的架构上）的50Q设备上处理5×5实例（比经典方法所能精确求解的要大）。
Rahko所采用的方法首先关注最先进的方法（例如动态平均场理论）可以在HPC平台上实现的程度。它后来计划使用基于VQE的技术来增强这些功能。
分子动力学——计算化学中传统方法很难处理电子激发的时间动力学。这种动力学可能与光伏和发光二极管的应用有关。VQS（变分量子模拟）技术旨在解决这一领域。
Phasecraft在5×5晶格上模拟费米-哈伯德模型模型中的时间动力学的工作仅提出了3,209个2Q门和259个时间步长。这低于使用原生量子比特操作的传统电路模型，并将错误缓解技术构建到算法中。
专利——Phasecraft已经为其将费米子映射（编码）到量子比特以进行此类量子计算的有效方法申请了专利。
优化——Grover搜索算法原则上可以为许多组合优化问题提供平方加速。然而，高资源需求使其远远超出了NISQ设备的能力范围（正如我们将看到的，可能也超出了当前FTQC架构的能力范围）。QAOA是一种VQA，已经被许多团队研究用于基于门模型的NISQ应用。没有普遍的证据表明它比经典方法更有优势，所以重要的是要有一些直觉，为什么量子实现可能有助于手头的具体问题。
困难vs容易——最近的工作让我们能够更清楚地了解QAOA在困难（例如3-SAT）和简单（例如2-SAT）问题上的表现。这可以为更好地直观地了解它可以提供的好处指明方向。
在没有完全纠错的情况下，研究团队通常会应用其他错误缓解技术来最大限度地发挥NISQ处理器的能力。这些技术通常基于控制硬件或控制软件。算法设计也有其作用。可能需要针对特定设备的优化。
作为英国UKRI/加拿大联合资助计划的一部分，两家公司Phasecraft和Quantum Benchmark正在与加拿大量子计算研究所（IQC）和伦敦大学学院（UCL）合作开发容错算法。
2、用于组合优化的量子退火
各种各样的业务问题都可以定义为组合优化问题。这些范围从金融服务中的投资组合优化到旅行推销员问题（它概括了运输、物流和制造中的许多常见问题）。
QUBO（二次无约束二进制优化）是基于量子退火设备固有的组合优化模型。在这里，我们有一个直觉，即量子隧穿效应可以帮助避免输出被困在次优解中。最近，原则上表明D-Wave（“随机”退火）使用的架构确实可以提供加速（尽管证明确实假设了无噪声设备和有利的问题选择）。关于我们对当前设备中可用的嘈杂、短相干时间量子比特的期望，学术辩论仍在继续。
Paypal已经使用深度学习技术进行欺诈检测。然而，这些算法的特征选择是一个重要的组合问题。Paypal正在与D-Wave合作，比较基于QUBO的模型和用于特征选择的经典模型。
Multiverse Computing之前曾使用QAOA和量子退火与BBVA一起探索金融服务组合优化任务，后者表现更好。最近，他们扩展了这项工作，显示了使用标准普尔500指数的真实资产优化金融投资组合的有希望的结果。这使用了D-Wave混合工具及其Advantage量子处理器。
图15 量子退火用于组合优化
来自富士通、东芝、日立和NEC的数字退火机继续为这些方法提供量子启发的竞争。
东芝一直在追求量子启发的优势，利用模拟分岔算法（SBM）解决问题。它的SBM是一个适合在传统高性能硬件上运行的软件包。它已被证明可以解决多达10亿个二进制变量的问题。
微软的工作指出，由于在当前架构中嵌入QUBO问题时连接性约束引起的开销，量子退火相对于数字退火面临扩展劣势。
Zapata开发了一种量子增强优化技术，该技术采用生成式建模来寻找组合优化问题的更好解。该方法的优点是不限于QUBO问题，并且可以利用经典和量子机器学习模型。他们首先将其证明为标准普尔500指数投资组合优化的量子启发模型。
3、量子加速蒙特卡洛技术
传统蒙特卡罗技术在工商业中得到广泛应用。特别是，这些技术在金融服务行业中被广泛用于衍生品定价、信用估值和风险管理。量子蒙特卡罗技术（QMC）有望加速这些非常有用的计算。这些取决于振幅估计。
QC Ware已经减少了从QMC中获益所需的资源需求。这减少了电路深度，但增加了迭代，这种权衡降低了量子速度，但使其实现更近了一步。
QC Ware获得了低电路深度振幅估计技术和高效数据加载技术的专利。
QC Ware已经在IonQ的最新硬件上完成了一个概念演示证明。它使用一元编码和4个量子比特，电路多达92个2Q门，电路深度为62。
算法创新正在使量子优势更接近实现。然而，仍然存在重大障碍。QC Ware已根据2Q门保真度和有效时钟速度估计了在实际衍生定价用例中获益所需的资源需求。这表明我们仍然需要在门保真度上进一步提高几个数量级；此外，时钟速度可能是当前离子阱架构无法克服的挑战。
高盛和IBM计算出了衍生品定价中量子优势的一个阈值。这始于商业洞察力，即具有路径依赖敏感性的衍生品将首先从量子方法中受益。当设备能够提供8000个逻辑量子比特和足够的逻辑保真度来支持1010个逻辑操作时，他们预见到商业利益。这将需要使用纠错，在这项初步工作中，所需的逻辑时钟速率为10MHz，与当前的FTQC架构预期提供的相比，看起来非常激进。高盛和IBM提出了新的技术，可以将逻辑时钟速率要求降低到大约30kHz（更接近早期FTQC架构设想的10kHz）。
图16 阿里巴巴股价的蒙特卡罗模拟
4、量子机器学习
传统的机器学习已经在商业领域获得了广泛的应用。量子机器学习，也许比量子计算的任何其他领域都更受到关注。要想从炒作中探出真相，我们必须清楚为什么我们期待量子带来优势。
反量化（De-Quantization）——进程并不总是一帆风顺的。Kerenidis和Prakash的推荐系统最初虽然提供了指数级加速，但后来改进的经典算法将其简化为（仍然相当可观的）多项式之一。同样的方法也影响了其他流行的机器学习技术的量子算法，包括主成分分析和最近质心聚类。
1）加快运算速度
量子可以提供帮助的一个明显方式就是加速经典技术。HHL允许对线性代数进行非常普遍的加速，但仅适用于本机量子数据和输出。Grover算法允许在许多非结构化搜索应用程序中实现非常普遍的平方加速。但是这些技术真的可以在实践中使用吗？
对于直接加速传统机器学习技术的大多数尝试而言，最持久的困难是要求技术能够有效地加载数据，然后由量子设备进行叠加查询。我们还不知道如何构建这样的QRAM（量子RAM）技术。
Google和麻省理工学院（MIT）最近发表了一份研究报告，明确地展示了“宽和深”神经网络如何在训练中实现指数级加速。具体来说，这利用了深度学习中的神经切线核模型。这项工作展示了如何解决QML通常面临的四个“读出细则”异议中的三个。然而，我们仍然不知道如何构建QRAM硬件。
QC Ware的专利数据加载器协议是一个值得注意的工具，它试图减少（如果不能克服的话）QRAM瓶颈。
QC Ware在11量子比特IonQ量子设备上进行了数据加载器技术的概念演示，以实现流行的机器学习原语、最近质心分类器。
2）更多计算空间
与其“渴望QRAM奇迹”，Mattias Troyer（微软）鼓励该领域搁置“大数据”问题，而专注于“小数据、大计算”问题。这类问题寻求从大的计算工作空间中获益。这是量子计算机能够提供的独一无二的东西（由于量子比特系统巨大的希尔伯特空间）。
Xanadu指出，对于近期的QML方法，许多最有前途的技术实际上最好理解为传统机器学习中所谓的核方法。
IBM声称2021年是一个显著的里程碑，它提供了一个学习任务示例，该任务可以提供指数级加速，但只需要对数据进行经典访问（尽管它确实需要FTQC）。这将构建的一系列数据集作为起点，因此很难用传统算法进行分类（它们基于离散对数问题）。量子计算用作传统支持向量机的核函数。
IBM还发表了量化QNN（量子神经网络）与可比较的经典神经网络相比可以实现的更高维度的工作，以及难以模拟的经典特征图在影响可训练性方面的作用。
Pasqal发布了一个专门定制的框架，以利用中性原子设备的可重构性来表示图的核。
非线性微分方程组是一类突出的问题，它们可以被简洁地表达，但是需要大量的计算资源来数值求解。这种方程出现在各种各样的科学和商业应用中，我们需要对复杂的过程进行建模：从结构工程到航空航天，从化学到生物学，从金融到流行病学。
Qu & Co开发了一种新技术，用于处理近期量子计算机上的非线性微分方程，即可微量子电路。这种方法训练QNN以使用大的可用希尔伯特空间来处理导数。Qu & Co还将这种方法扩展到随机微分方程。Qu & Co已提交了一项涵盖其技术的专利申请。
自从现代计算的概念提出以来，自然语言处理就是一个值得关注的领域，也是近年来取得显著进展的一个领域。这是一个需要呈指数级增长的工作空间的问题的一个很好的例子（想想为什么我们有单词词典而不是句子词典）。
剑桥量子已经将QNLP（量子自然语言处理）确定为QML的一个特殊领域。2021年，他们报告了第一个实验结果。使用5Q的IBM设备对包含130个句子和105个名词短语的数据集进行编码。
QNLP利用了量子计算机提供的扩展计算空间。剑桥量子提出的形式主义和量子力学的ZX微积分表示之间惊人的相似之处，这将是一个富有成效的方法。或许，正如剑桥量子力学的首席科学家Bob Coecke所说的那样，“语言是量子原生的”。
3）独特的量子数据
一个越来越重要的关注点是，当数据集中存在需要解决的量子关联或量子干涉效应时，QML应该能够超越经典机器学习。2021年的工作已经开始将其形式化和结构化，这既适用于学习任务，也适用于生成模型。
加州理工学院在2021年发表了一项研究，对不同机器学习模型的能力进行了界定：一种是传统的学习驱动，但使用量子系统的测量输出（例如，物理实验、模拟量子模拟器或VQA的迭代），另一种是在学习过程中保持量子相干性（未来的技术，可能有一天由FTQC实现）。一个关键的结果是经典驱动的ML可以做得很好，在“平均情况”预测精度方面与完全量子学习的能力相当。完全量子学习为“最坏情况”的预测准确性提供了进一步的指数优势。
Google认为，支持量子可以为化学等领域的进步提供的最普遍的支持形式不仅是对系统的理论模拟，还可能包括为经典驱动的机器学习生成量子数据集。
量子电路玻恩机（QCBM）是一种实现生成模型的VQA。2021年发表的研究首次证明，一种特定类型的QCBM，即伊辛玻恩机，可以执行任何经典计算机都难以完成的采样任务。
我们期望找到包含量子相关性的数据的一个地方是量子传感器的输出。在量子技术领域的其他领域，许多新的量子传感器正在积极开发中。然而，我们有时会忘记基于NMR（核磁共振）和SQUID（超导量子干涉装置）的设备已经使用多年（在医疗应用中，NMR被称为MRI）。
从实验中学习的量子优势——加州理工学院和Google的工作已经证明，在学习量子态的性质方面有指数优势。这项工作要求我们从两个方面来考虑“悬铃木”处理器。在第一种理论中，它的量子比特代表了某些假想物理实验的输出（或一系列量子传感器的输出）。我们的任务是了解这种状态的一些性质（研究物理或实验，或读出我们的传感器网络）。量子处理器的其余部分对这些输入执行纠缠操作，然后将输出传递给经典的机器学习程序。与纯粹的经典方法相比，这种方法能够以指数级的速度在更少的试验中了解状态的属性。
Google发了一种用于核磁共振实验中检测到的量子辅助学习和系统表征算法。他们提出了NISQ和FTQC应用的资源估算。
Qu & Co还提议将其DQC技术扩展到模型发现，我们希望找到支撑输入数据的微分方程。
在最冒险的情况下，有些人推测意识与量子波函数坍缩之间存在联系。事实上，“客观坍缩”理论长期以来一直被视为扩展量子力学的一种可能方式。Hartmut Neven（Google量子AI的负责人）推测，波函数坍缩可能是一种有用的方式来理解我们将越来越需要分配给高级AI系统的“代理”。也许更多的人将不得不开始注意这种想法。
三、早期容错机器
1、平方加速还不够？
一个经典的与非门可能是每秒10-9个晶体管，一个量子与非门（粗略地说）是每秒10个量子比特。这个巨大的1010因子是仅提供适度的二次加速的算法的主要障碍。问题是，为了达到量子计算机获得优势的问题规模，我们已经在处理这样的情况：在完全FTQC的情况下，运行时间将是不切实际的长。
FTQC——早期设备经常讨论的标准规格是100万物理量子比特，2Q保真度为99.9%，以最近邻连接和1MHz的代码周期时间运行表面码。在这种潜在错误水平下，这可能是一台1000逻辑量子比特的机器。然而，量子优势的关键门（例如T门或Tofffoli门）非常慢，每个都需要数百个逻辑量子比特。与传统计算机相比，这导致了巨大的“常数因子减速”。
那么其他的量子比特架构呢？它们提供了不同的门速度、相干时间保真度和量子比特连通性。2021年的一项有趣的工作研究了这些不同的权衡对离子阱架构的影响。在当前的方法中，代码周期时间通常会更长，尽管这些架构的支持者认为，它们更强的扩展能力抵消了这一缺点。但这不能解决常数因子减速的基本问题。
PsiQuantum提出了一种名为FBQC的新架构。光子时钟的时间可能非常快。然而，这些设备仍然会受到纠错解码所需的经典处理时间的限制。我们还不知道他们的逻辑时钟时间会是多少。
振幅放大（Grover搜索中使用的）是一种量子原语，在商业优化问题中具有广泛的潜在适用性，但它只提供平方加速。量子行走（或量子漫步）给出了一些例子，其中指数加速是可能的，但具有最明显的广泛业务利益的情况（例如加速蒙特卡罗模拟）只提供平方收益。这似乎是在开发现有的已知架构的基础上，将大量的商业应用转移到FTQC无法触及的范围之外。
D-Wave在NISQ和FTQC早期都将量子退火作为其首选优化方法。另一方面，它宣布将构建哈密顿量模拟应用的门模型设备。
然而，随着该领域探索克服这一挑战的方法，我们也看到了创新。
Peter Johnson （Zapata的首席研究科学家和联合创始人）评论道：“在早期容错量子计算时代，我们需要通过设计鲁棒量子算法来最大化这些机器的性能。这种算法仍将导致不可忽略的错误，但将减轻其对计算输出的影响”。这种方法可以让我们解决那些用NISQ错误率无法解决的问题，但却需要在FTQC的全面规模上花费一定的成本。Johnson指出，最近这个领域的工作显示了这种方法的前进方向。
Iordanis Kerenidis （QC Ware的国际量子算法负责人）指出，尽管一些我们之前认为具有指数优势的算法已经被经典方法的后续进展“反量化”了，但在实践中，它们在许多线性代数应用中仍然具有四次方或更好的优势。Kerenidis著名的推荐系统仍然具有8次方的优势。
2、AlphaFold与蛋白质折叠
蛋白质可能是最重要的生物分子。它们的物理形状及其如何影响它们之间的相互作用对生物功能和药物靶向有着深远的影响，所以这是一个备受研究重视的问题。解决蛋白质折叠问题一直是量子计算的潜在目标。
莱文塔尔悖论——一种短蛋白质可能很容易有3198种可能的键角组合。然而，一旦它形成一条长链，它就会在毫秒内采用一种独特的首选折叠形状。但是仅仅是依次尝试每一种组合所花费的时间就超过了整个宇宙的寿命！
这是蛋白质折叠问题，或者更准确地说，是一系列相关问题的集合，包括：如何从氨基酸序列中预测简单蛋白质的结构；了解蛋白质构象；了解折叠的动态路径。
从量子力学的角度来看，不存在悖论，这只是一个经典计算难以解决但量子计算机可以解决的问题。
对于持怀疑态度的观察者来说，2021年已经看到了对大肆宣传的量子预期的一些负面迹象。Google旗下DeepMind开发的AlphaFold使用传统的人工智能方法来“解决”蛋白质折叠问题。制药行业还表明，当行业得到适当关注时，药物开发时间表可以大大加快。
AlphaFold 2成功地将预测蛋白质折叠结构的最新技术提高到92.4-95% GDT。对于单个蛋白质链，它在90%以上的时间里都能以合理的准确度（<3-4 Å）进行预测。这是一个戏剧性的结果，也是DeepMind迄今为止最引人注目的成功。甚至有人认为这是人工智能领域迄今为止最重要的成果。
Bhushan Bonde博士在Quantum.Tech 2021上的演讲，揭开了炒作和现实的面纱。传统的量子化学近似技术是筛选新冠肺炎（Covid-19）药物化合物的关键工具。但是，它们消耗了大量且不切实际的计算资源。他的模拟经常使用微软Azure云上的所有GPU能力；运行了数周，但仍然不够快。重复这样的实验会对能源消耗、热管理（冷却计算机硬件）以及更重要的时间效率产生影响。他还认为AlphaFold的表现还没有真正与制药公司的生物学相关，因为制药公司需要准确确认药物结合袋的准确性。
Bonde博士认为未来的人工智能进步和量子计算技术是互补工具。量子计算为量子化学中的解析解提供了一个全新的工具。它还有望成为未来机器学习系统进一步提高性能的推动者之一，特别是当数据中存在量子相关性时。Bonde博士认为，如果我们在生物系统中发现这些，我们不应该感到惊讶——我们关于鸟类导航能力的主要理论是基于鸟类眼睛中的感光隐花色素蛋白利用量子纠缠效应的能力。
IBM一直积极推进量子蛋白质折叠方法，提出了一种量子资源高效的VQE变体，已经用于在他们的早期设备上“折叠”玩具问题。
图17 蛋白质折叠
3、哈密顿量模拟和FeMoco
哈密顿量模拟，模拟物理、材料科学或化学中的一般量子系统，从一开始就一直是量子计算的一个关键用例。每年，先进材料和化学品行业花费超过400亿美元用于测试潜在工业用途的新材料，大型制药公司花费超过2100亿美元用于研发。量子理论的支持者指出，通过提高研发管道的生产率和减少浪费在失败的临床试验上的资金，可以节省大量开支。
头条新闻经常会报道量子计算硬件的进展。算法也取得了巨大的进步，但是这一点并没有得到广泛的理解。模拟FeMoco一直是早期量子模拟领域希望达到的目标。
FeMoco（Fe7MoS9C）是固氮酶中的活性位点，在自然界中负责将氮气催化转化为氨（肥料）。由于我们不明白蓝细菌是如何做到这一点的，所以我们使用能源密集型的哈伯-博施工艺来制造世界农业所依赖的肥料。然而，哈伯-博施工艺对环境的影响是所有化学工业工艺中最严重的。据估计，它所产生的二氧化碳排放量占全球排放总量的1.2%，高于英国或法国！
模拟FeMoco所需的量子资源的详细工作为了解算法进展提供了一个窗口：所需资源的预测从1亿量子比特（2014年）到2000万量子比特（2017年）到400万量子比特（2020年），再到今天的200万量子比特。对于30万至100万量子比特，还提出了较低分辨率的模拟。这一进展使得这种模拟在早期的FTQC机器上看起来触手可及。在研究这个问题多年后，Ryan Babbush（Google的量子算法负责人）认为这些结果现在看起来接近最优，至少在当前的模拟方法和提议的纠错架构下是如此。
Schrödinger和Qu & Co质疑，模拟FeMoco达到目前设想的精度水平是否足够。然而，他们也指出，有迹象表明，其他感兴趣的系统可能用比想象的更少的资源就可以解决。他们指出，Cr2本身并不是一个具有实际意义的系统，而是一个潜在的交叉点，在这个交叉点上，量子优势将成为可能。
Babbush热切希望在推动更高效的量子模拟方面开辟一条新战线，他评论说：“化学的未来是一次量子化的!”
与早期哈密顿量模拟（以及传统计算化学）中更常用的二次量子化方案相比，Babbush提出了一次量子化实施的新方案，并完成了纠错计算的详细资源估计。这些方案提供了与二次量子化相似的准确性，但可以显著减少资源需求。
一次量子化——需要量子比特∝活性粒子数和log（轨道数）
二次量子化——所需量子比特∝轨道数
这种形式主义的另一个优势是，它有望超越玻恩-奥本海默近似（将原子核视为经典点电荷）。
嗅觉和味觉——同位素是指只有同位素组成不同的分子。这种差异不会影响它们的化学性质，但有许多例子表明，这种变化会影响味觉和嗅觉的性质。这是量子隧穿辅助效应吗？
总的来说，谷歌看到了哪些FTQC用例？就物理量子比特而言，这些可能是：
2.5万至5万量子比特——模拟快速加扰（通过FTQC）。在理论物理中的潜在应用，在其他领域更有推测性。
5万至25万量子比特——模拟晶格自旋模型。在核磁共振波谱分析中的潜在应用。
25万至100万量子比特——以低分辨率模拟材料和分子。
100万至500万量子比特——以高分辨率模拟材料和分子。
四、长远眼光
1、量子算法的大统一理论
潜在的商业用户经常会问，有多少种量子算法？从某种意义上说，学术团队和越来越多的初创公司每周都会发布新的算法。然而，新技术通常利用的底层原语数量要少得多。
哈密顿量模拟直接用于材料科学和化学；它也是HHL和连续时间量子行走的核心。QFT（量子傅里叶变换）用于相位估计、Shor算法、求解离散对数问题等。振幅放大用于Grover搜索算法、离散时间量子行走和其他算法。
QuSoft、微软和麻省理工学院的新研究以一种新的方式看待量子算法。这个“量子算法的大统一理论”指出量子奇异值变换（QSVT）是几乎所有已知量子算法的统一基础原语。这种新的形式有望让人们深入了解量子算法的本质，以及它们可以在哪些方面提供量子优势
QSVT——这个过程用一个酉矩阵（幺正矩阵）表示。物理学家熟悉特征值和特征向量在分析这类系统时所起的有用作用。奇异值分解是特征分解到非方阵的数学推广。这样的矩阵可以嵌入到一个更大的酉矩阵中。QSVT技术可以对嵌入矩阵的奇异值应用一个函数。
物理学家们可能会说，QSVT技术允许我们在量子计算机的量子原生酉结构中嵌入更一般的问题。数学家们可能会说，QSVT明确了如何将更广泛的数学函数映射到物理设备上。
2、BQP（有界错误量子多项式时间）可轻松解决？
我们应该对量子计算的长期价值抱有多少乐观态度？值得回顾的是，我们没有证据表明量子计算机可以解决传统计算机无法解决的问题。我们知道如何使用它们来分解大数字，但我们不知道是否能找到一个更好的方法，让传统计算机来解决这个问题。我们所拥有的只是直觉。
对于一些问题，很容易看出这种直觉的来源。每当我们想要模拟一个最终依赖于量子力学的真实系统时，甚至在传统计算机上编码哈密顿问题都是非常困难的。物理学家的直觉告诉我们，解决这个问题并不容易。由于其对材料科学和化学的影响，这仍然具有特殊的重要性，认为，这一技术的长期后果仍然没有得到广泛的重视。
但是，对于更广泛的问题，我们的直觉应该是怎样的呢？这里我们需要关注计算复杂性理论。我们还没有任何绝对的证据来证明量子计算机能够有效解决的问题（BQP）超出了传统计算机（BPP）的能力。乐观地说，我们也不知道量子计算机能力的上限在哪里（我们只知道P⊆BPP⊆BQP⊆PP⊆P#P⊆PSPACE⊆EXP；我们甚至不知道重要的问题类别与这个列表相交于何处，如NP或它的泛化PH）。
Oracle——计算复杂性理论家有他们自己产生直觉的方法。当他们不能绝对地证明一个结果时，他们经常使用“相对证明”来取得启发性的进展，这种证明探索了假设一个oracle是可用的结果，我们可以询问（查询）来提供必要的输入或解。然后，我们可以通过研究调用oracle的次数（问题的查询复杂性）来取得进展。
这样的技术并不总是指向正确的方向（我们现在知道IP = PSPACE, MIP = NEXP, MIP∫ = RE）。然而，这些相关证据一次又一次地被证明是推动进步的有用垫脚石。特别是量子信息理论家在发现Shor算法和Grover算法的过程中使用了这样的技术。我们应该认真对待这种直觉。
在oracle模型中，我们可以证明量子计算机可以超越经典的有效可能（BPPO≠BQPO），Bernstein-Vazirani和Simon算法做到了这一点。这种分离最近被进一步推进，以表明存在一种相对于量子机器具有超越任何经典机器的能力的预言（BQPO⊄PHO）。我们还知道这个问题，Forrelation，说明了查询复杂度接近最大的加速。
在最近的工作中，Scott Aaronson（美国德克萨斯大学奥斯汀分校）和他的学生扩展了这一理论，证明了一系列新的结果。这包括对一个长期存在的问题的答案（我们已经知道NPBPP⊆BPPNP，我们现在知道相对于一些oracle NPBQP⊄BQPNP）。有趣的是，这些相对化技术似乎表明，经典复杂性类的潜在坍缩和分离对量子计算机能力的限制少得惊人（例如，P vs NP的量子版本和经典版本是不耦合的）。这可能会鼓励一种直觉，即确实存在一些只有量子计算机才能解决的尚未完全定义的问题。正如Aaronson所说，BQP表演“杂技”的空间仍然很大。
复杂性理论似乎仍然有很多东西可以提供。Aaronson提出了一个与量子查询复杂性有关的关键开放问题清单，以促进研究进展。
仅提供平方加速的算法要在目前设想的早期容错机器范围内带来好处，面临着艰苦的斗争。这自然将重点放在寻找提供更大加速的算法上。
Aaronson-Ambainis猜想（未经证实但被广泛相信）告诉我们强（指数）量子加速只发生在结构问题（在数学意义上）。也许商业直觉在这里也有帮助。业务问题通常有很多结构（在现实世界的意义上）。然而，也许我们过于关注我们已经定义的传统问题类别，而对这些新设备的功能自然而然地将我们带到何处的关注不够？企业是否甚至没有认识到一些最大的挑战和机遇，因为它们可以通过不同类型的数学来解决？
我们完全有理由相信量子计算的显著潜力。2021年的进展应该加强而不是削弱我们支持这一点的直觉。
五、展望2022
量子随机性——谁会为量子生成的随机数买单？
量子退火——D-Wave客户会在常规生产中使用量子退火应用吗?
VQE——我们会在NISQ设备上看到“超越经典”的演示吗?
QAOA——我们能清楚地看到什么时候这可能会带来优势吗?
量子蒙特卡罗——进一步的创新能让它成功吗?
量子机器学习——注意在基础科学研究中的应用。
DQC——我们会看到实际用例的具体资源估算吗?
QNLP——对于这个令人兴奋的方法，我们可以期待什么样的路线图?
量子化学——一次量子化形式将提供什么新的可能性?
欧洲的增长势头——关注Beit、JoS Quantum、Fermioniq等初创公司的更多信息。
鲁棒量子算法——关注探索NISQ以外空间的进展，但不包括全尺寸FTQC。
NISQ的其他架构——竞争性量子比特技术提供了不同的性能权衡。注意NISQ算法针对高连通性的离子阱平台进行调整。
“适度”FTQC的其他架构——需要注意评估高规格应用程序所需资源的工作。对于离子阱，理解更高的连通性与更慢的门速度的影响将是一个关键的考虑因素。
创新纠错——关注纠错的发展；量子LDPC码能引起轰动吗?
计算复杂性边界——永远记住，这个领域的正式基础是建立在一些大的猜想之上的，这些猜想对于事情的结果具有很大的灵活性。任何事态发展都可能对该行业产生重大影响：Aaronson-Ambainis猜想；BQP vs NP完全；BQP vs NP∩coNP；甚至是P vs NP本身。
实验复杂性的前沿——记住，物理学家发明的每一个理论最终都会被推翻。量子力学也不会有什么不同。投资者希望每个新处理器都能工作。如果没有的话，事情可能会更严重。
IBM继续引领量子云，但在服务早期量子应用方面面临真正的竞争。打造这个市场的未来看起来仍是一场持久战。选择一个有正确战略的合作伙伴可能比仅仅比较当今的产品功能更重要。
量子革命所依赖的远不止是构建一种新形式的计算硬件。创新的量子算法也同样重要，因此，让这些算法更容易开发和部署到实际的商业应用将是一个核心问题。
找到正确的框架将这些数学转化为程序形式也是关键，但门模型量子计算的电路和量子退火求解器并不是唯一的故事。纠错是量子故事的关键部分，也需要找到它的位置。在最底层，量子比特需要模拟控制，这本身就是一个充满挑战和机遇的接缝。量子堆栈中没有一层不值得我们密切关注。量子堆栈如下所示：
图18 量子堆栈
应用程序——面向商业的最终用途应用程序。在很大程度上，这些工作仍在进行中。许多参与者强调早期研究和用户社区参与，以开发概念验证和试用应用程序。
算法——解决各类问题的独特量子方法，请参阅量子算法展望2022。
框架——大多数早期参与者强调电路模型量子计算（尽管这种方法有重要的变化）。各种提供商提供了自己描述和执行所需量子电路的方式。
架构——协调计算操作的运行时环境。包括量子门、测量和紧密耦合的经典逻辑。最终，我们可以期待核得到优化，以高效地实现量子纠错，并协调对专业资源的访问，如魔法态（magic state）工厂和QRAM。
控制——模拟脉冲驱动的低电平操作（通常基于微波或激光）。脉冲形状和时间至关重要，需要高级协议来优化门操作和抑制串扰。
量子——实际的量子比特硬件。请参阅量子硬件展望2022。
模拟器——传统模拟器是软件堆栈中的一个关键附加元素，这不仅仅是因为当前量子处理器的性能有限，而且也是为了支持正在进行的程序开发和调试。
量子软件行业的发展正在迅速进行。然而，对量子硬件和量子算法进展的回顾表明，这可能仍然是一场漫长的游戏。对于早期采用量子的人和潜在的量子开发者来说，最重要的考虑可能不是立即可用的软件产品功能，而是选择正确的合作伙伴。要了解当前的市场状况，投资者必须了解早期参与者面临的挑战和机遇，以及他们正在发展的不同长期商业战略。
一、量子先驱
在量子软件的“萌芽”阶段，IBM显然是早期的胜利者。虽然是其他人第一次将量子处理器应用到云上（2013年布里斯托大学的Jeremy O’Brien，现在他是PsiQ的创始人），但是真正成功推动参与度发生一步变化的是2016年IBM Quantum Experience的推出。现在更名为IBM Quantum，拥有超过36万名注册用户，2021年平均每天执行22亿次电路，通常任何时候都有25个量子处理器在线。
IBM Quantum Experience最初专注于通过提供一个简单的图形化web界面允许用户创建（编写）简单的量子程序（电路），然后在早期的量子硬件上运行它们。IBM在这一成功的基础上引入了Qiskit，这是一种适合于科学和早期行业采用者使用的开源编程框架。与该方案一致的教育资源和活动一直是重点。它的OpenQASM底层电路表示语言已成为事实上的行业标准。OpenQASM 3.0规范草案于2021年发布，并继续吸引跨行业的兴趣并支持。与AQT以及最近与IonQ的一系列概念验证展示了Qiskit对多种量子比特硬件类型的适用性。如今，IBM Quantum Network的合作伙伴包括商业巨头戴姆勒、埃克森美孚、摩根大通、三星、高盛、埃森哲、波音和LG电子，总共有130多名成员。内部设施和战略合作伙伴包括弗劳恩霍夫（德国）、东京大学（日本）、克利夫兰诊所（医疗保健）和延世大学（韩国）。这与IBM的整体业务技术和服务产品齐头并进。
要真正理解IBM思想的战略方面，请回想一下，在狭义上，实际上并不需要这种全局硬件访问。广义地说，我们可以很容易地模拟40Q左右的量子处理器。IBM正确地认识到，教育和更广泛的生态系统参与需要获得真正设备的兴奋。它还认识到，帮助人们学习量子基础知识将建立强大的商业势头。
D-Wave在其早期战略方面也取得了重大成功。2011年，D-Wave首次推出商用量子计算机，关于其独特的硬件战略的争论至今仍在继续，尽管现在各方都普遍接受了其局限性和可能性。尽管如此，，D-Wave独特的、用户主导的试验方法的成功值得关注。虽然让应用进入日常的生产使用是很困难的，但我们相信客户已经看到了业务价值。企业需要激励他们最优秀和最聪明的人以新的方式思考他们的业务问题。收益通过多种方式返回到业务中。D-Wave在为长期留住客户的战斗中不断创新。
D-Wave Leap云和Ocean开发环境为面向商业的量子退火应用提供了平台。这套工具已经发展到包括混合量子退火/经典求解器。该服务的最新发展强调了算法工具的易用性，以及工作跟踪和可视化界面。对简单性和稳健性的关注是为支持生产应用程序而设计的。在坚持量子退火优化问题的同时，D-Wave还宣布了建造门模型量子计算机的计划，以解决材料科学和量子化学模拟问题。
图19 领先的量子公司
门模型量子计算界的一些人可能会试图将应用投入生产的延迟解释为某种程度上反映了量子退火的一个弱点。然而，换个角度来说，在没有纠错和大规模机器的情况下，早期门模型的成功也可能是渐进的，而不是革命性的。D-Wave的经验实际上提醒我们，在任何大型客户组织中实施变革是多么困难。专业服务部门早就明白这一点，并越来越愿意提供帮助。不应低估其未来作用的重要性。
二、早期门模型量子计算全栈公司
对于门模型量子计算中的许多早期硬件玩家来说，创建自己的完整软件堆栈只是一个必要的事情。然而，“全栈”并不意味着一个进化到IBM能够构建的程度的服务产品。
Google——在2019年展示了“量子霸权”之后，Google围绕Cirq框架明确了其堆栈。2021的一个值得注意的是Stim，这是一款稳定器电路模拟器，其独特之处在于专注于支持量子纠错研究。
Rigetti Computing——在紧密的经典循环中率先执行量子电路。这种对VQA友好的技术最近才进入IBM运行时环境。Rigetti现在跟随IBM的脚步，引入了Quil-T（Quil指令集架构的脉冲级扩展），以开放对系统的控制。这是Quil的一个扩展，它允许Rigetti设备作为三能级系统，即qutrit，而不仅仅是作为标准量子比特进行操作。
Xanadu——Strawberry Fields框架支持Xanadu独特的光量子计算方法。此外，他们有影响力的算法库PennyLane与其他各种门模型机器兼容。
本源量子——中国量子计算的先驱。他们的堆栈已经在他们自主开发的超导和硅量子比特处理器上得到了验证。
稍晚加入的硬件玩家现在可以利用一个生态系统，让他们不必构建软件堆栈的上层。我们仍然可以期待进一步的创新，即玩家将寻找与他们的量子比特平台相关的特定机会。
Pasqal——引入脉冲发生器，以支持其设备的脉冲电平控制。由于中性原子器件在量子模拟中的潜在应用，这对中性原子器件具有双重意义。
图20 早期门模型全栈公司
花时间公开披露、记录和支持堆栈的较低层会带来成本。这种精细特性可能会为供应商的本地生态系统带来额外的创新和性能。但是有多少最终用户将直接访问它们？策略师必须根据具体情况权衡成本和收益。
三、量子平台即服务
没有人真正知道什么样的量子硬件战略会胜出。因此，早期采用者通常会寻求一个最大程度上不依赖硬件的平台。这非常符合PaaS（平台即服务）产品的概念。领先的传统云计算巨头AWS和微软Azure已经与IBM等开始争夺量子云市场。
图21 量子PaaS
QLM（量子学习机）——Atos公司已经在其专用的量子模拟器硬件QLM上建立了一个完整的软件堆栈。这正在扩展到针对数字退火应用的量子启发算法的执行。
学术项目——一些具有学术渊源的模拟器，如ProjectQ和QuEST，为量子算法实验提供了自己的学术基础。模拟器也是Quantum Inspire平台产品的重要组成部分。
英伟达推出了cuQuantum，以便在其基于GPU的硬件上进行快速量子模拟。2022年晚些时候，包括cuQuantum和Google的Cirq框架在内的容器将可用于英伟达DGX硬件，届时采用将变得更加容易。
两个著名的开源模拟器，阿里巴巴“太章”和华为HiQsimulator在2021年没有看到进一步的发展。然而，华为一直在积极支持ProjectQ。
五、量子软件初创公司
也许最初的数字革命中最大的惊喜之一是由软件初创公司驱动的持续创新的重要性。在当前的量子革命中，我们看到全球范围内出现了一波量子软件创业浪潮，这并不令人惊讶。一个关键的问题是，在量子计算的广泛商业应用深入人心和更传统的市场发展起来之前，他们的战略是什么？对于管理层和投资者来说，一个至关重要的问题是，企业要运营多少年才能实现这一理想？
量子软件初创公司一直在追求各种策略。
1、寻求长期支持
一种策略是被另一家公司收购/合并，获得至少中期所需的资金支持。例如，实现量子硬件所需的资金规模，可以让软件开发活动看起来很便宜。从炙手可热的最终用途部门溢出的资金正在创造替代机会。
澳大利亚量子软件公司QxBranch可能是第一家采取这种做法的公司，他们在2019年被Rigetti收购。它的关系帮助Rigetti将其足迹扩展到美国以外。然而，软件和应用在2021年Rigetti的SPAC上市中并没有占据显著位置。
剑桥量子与霍尼韦尔分拆出来的量子解决方案部门的合并是另一项将硬件和软件结合在一起的交易。然而，这里的策略似乎明显是为了保持与硬件无关的软件程序的势头。
英国量子软件公司Rakho最近被Odyssey Therapeutics收购，Odyssey本身是一家新近成立的精密医学初创公司，专注于尖端药物发现方法。生物技术领域现有的巨额资金让这些公司能够选择自己想要开发的工具，作为自己长期发展的一部分。Odyssey公司实际上拥有重要的量子算法能力。
Qu&Co和Pasqal也宣布合并。Qu&Co对现有的NISQ方法（如VQE）能在多快的时间内达到真正的量子化学应用所需的精度持怀疑态度。同样，Pasqal的中性原子硬件开辟了有趣的替代方案的可能性，如模拟量子模拟。Pasqal将欢迎顶尖软件人才关注这个相对未开发的领域。
其他软件初创公司对其融资和成长历程有不同的看法。
2、从算法到应用
许多参与者面临的一个挑战是，如何将深度和高度专业化的量子算法专业知识构建成能够应用于各种潜在的现实世界应用的能力。一个重要的障碍是，业务洞察力是行业领域特定的，有时甚至是地理位置特定的，而且往往需要终生学习！
（1）扩大专有技术
一个关键战略是将算法智能与使能软件结合起来，并与潜在的最终用户一起应对识别和构建关键应用用例的挑战。最终目标是将学到的知识转化为最终可以产品化的服务。国家量子计划往往乐于提供帮助。面临的挑战是如何避免被拖入传统的咨询业务模式：稀缺的量子算法专业知识不容易扩展，传统咨询不能提供量子风险投资支持者通常寻求的回报。
一种常见的方法是提供量子机会评估和试点项目。理想的情况是看到这些公司发展成为与知名客户的大额客户关系。客户将从被视为活跃在重要的未来领域，以及从启动到他们自己的研发活动中受益。
QC Ware有一个活跃的算法研究项目，并利用他们的Forge平台来支持高效的项目执行，以及将专有技术打包到未来的服务产品中。值得注意的功能包括具有广泛适用性的组件，如数据加载器和低电路深度振幅估计。这些都被用于优化库、QML、线性代数库和蒙特卡罗模拟库。基于他们的混合动力优化方法，他们在2021年成功赢得了宝马量子计算挑战赛，并赢得了罗氏、勃林格殷格翰和科思创等著名客户。他们对行业领先的Q2B活动的长期推广已经证明是一个有远见的成功举措。
Zapata也以其算法研究而闻名。其Orquestra平台针对的是工作流和数据管理问题，这些问题可能是部署应用程序时面临的常见挑战。Orquestra提供创作和运营支持，并支持公共和私有云解决方案。客户包括化工、能源和食品饮料行业的前五大公司。我们认为，这一工具特别适合帮助客户将个人的专业知识转化为组织学习。
1Qbit一直是量子服务领域的先驱，它通过利用其1QCloud优化平台建立了这一领域。1Qbit率先强调量子启发的解决方案，将其作为提供给客户的一部分（现在其他公司也在效仿）。基于他们在优化方面的工作，1Qbit在2021年取得了显著的成功，赢得了宝马量子计算挑战。
Quantinuum（前身为剑桥量子）利用其TKET编译器的领先性能及其所提供的跨硬件能力，在潜在的量子应用领域占有一席之地。它正利用这一势头，直接瞄准与主要商业和机构合作伙伴的长期合作关系。
软件即服务（SaaS）——Quantinuum推出了Quantum Origin网络安全密钥生成解决方案。我们可以预期这项服务将发展到其他网络安全应用领域。像这样的服务能在多大程度上产生持续的收入增长，将是更广泛市场备受关注的焦点。
图23 算法到应用
（2）专注于专业知识
这种策略的一种变体是更具体地关注应用领域的专业知识。这样一种策略的好处是，可以磨练内部、行业特定的应用程序/算法技能，这可能是未来差异化的关键。在传统的软件世界中，这是一条很常见的道路。这也为量子启发的应用提供了一个更容易获得早期收益的途径。
Multiverse Computing专注于金融服务。他们的Singularity工具包强调在安全意识强的银行环境中运行的能力，并提供量子启发和量子解决方案。同时提供Python和Excel前端集成，这是客户端工作流意识的一个标志。Multiverse一直处于金融领域概念验证应用示范的最前沿。
Qu&Co以量子化学为重点，开始了他们的发展。他们的QUBEC软件平台现在处于测试阶段。一个显著的特点是与Schrödinger公司领先的传统量子化学软件包的Maestro化学建模接口集成。Qu&Co也有能力扩大这一基础，最近凭借其开创性的偏微分方程量子算法赢得了宝马量子计算挑战。目前Qu&Co已被Pasqal收购。
Phasecraft专注于材料科学，将其作为量子优势最快实现的领域。其重点是在NISQ设备上以有用的规模运行算法的基本智能（必要时达到脉冲级）。这并不是说该团队没有能力解决其他问题。只是他们认为首先解决这个问题是现实的。他们正受益于UKRI（英国研究与创新）为电池材料设计项目提供的资金。
（3）打包算法
许多玩家正在将特定的经验构建到算法库中。为了推动采用，这些软件通常都是在开源的基础上开发的，但是它们仍然有望成为为其赞助商建立重要价值链影响力的一种方式。事实上，有两个突出的例子说明了如何利用该领域的活动来补充公司的长期战略。
Xanadu的PennyLane是一个量子机器学习库，其影响力已经远远超出了其母公司自身硬件的范围。最初的构想是作为量子机器学习的工具，提供机器学习社区熟悉的NumPy接口。这种格式已被证明适用于支持多种VQA，因此PennyLane也在其他潜在的NISQ应用领域（如量子化学）中得到了应用。这是一个很好的方法，可以应对任何威胁，即其母公司天生独特的软件堆栈可能会与更广泛的社区“分离”。
Quantinuum的Lambeq致力于开发面向量子自然语言处理（QNLP）应用的量子开发者的新生态系统；量子计算在这个领域有着引人入胜的、相对来说尚未开发的潜力。就好比，当你可以和其他人一起进行水电项目时，为什么还要控制一个小池塘呢？
（4）让改变发生
基础更广泛的咨询公司也将在这个市场上发挥重要作用。既有Reply等技术专家（赢得空客2020量子计算挑战赛），也有更广泛的参与者：埃森哲（也是宝马QC挑战赛的获胜者）、波士顿咨询公司、德勤和麦肯锡都非常积极地建立自己的量子业务。主流咨询公司在将新想法转化为商业变革方面有着丰富的经验。他们还拥有推动实际项目所需的行业技能和国内资源。
值得一提的是，IBM也是商业服务领域的一个强有力的参与者。随着价值创造的重点在这一领域的建立，它正朝着IBM相对于其他科技巨头的优势领域发展。IBM已经推出量子加速器，开始利用这一点。
3、更好的量子工具
一个互补的策略是提供量子软件开发者自己想要在近期、中期和长期使用的工具。然而，软件界对开源工具有强烈的偏好。面临的挑战是如何设计一种与此相适应的商业模式。
（1）社区门户
一种选择是寻求提供比别处更好的平台体验。这与培养量子新手兴趣的机会，以及真正认真避免与任何单一云供应商锁定的参与者结合得很好。Strangeworks在开发平台的战略上一直处于领先地位，但我们也看到了其他领域的活动。
Strangeworks QC提供了一个硬件无关的开发前端，它是新手最容易建立和运行的。关键它还提供了对尖端工具的访问，例如TKET编译器和IBM Qiskit运行时。社区库功能是一个很好的学习工具（跨多个框架），它将吸引那些理解这种思维方式给传统软件带来的价值的人。
Strangeworks EQ（企业量子）将后端访问添加到各种各样（且不断增长）的量子后端列表中。最近宣布的Quantinuum的Quantum Origin服务的集成是一个自然的选择。
Qapitan是一家新成立的公司，有着建立量子API市场的有趣计划。目前处于私人测试阶段，这为开发者提供了一条简单的途径来交付和商业化SaaS产品，同时允许最终用户在市场发展过程中对替代产品进行基准测试和升级。
这类企业面临的一个中期挑战是，在客户更好地了解自己的需求和市场成熟之后，如何避免客户转移到其他地方，并使服务非中介化。这些平台将需要专注于它们所创造的真正可持续价值。
（2）扩展算法创作
一些公司正在瞄准解决量子算法设计挑战的工具。目前已知只有三种量子原语可以提供量子加速。然而，这些可以组合成算法来解决各种问题类。这些需要进一步调整，以便在更广泛的业务应用中使用。为了解决实际感兴趣的问题，这些算法最终需要在很多很多量子比特的规模上实现。大多数专家设想，量子优势至少需要100个量子比特（要么是保真度比现在高得多的物理量子比特，要么是应用量子纠错后的逻辑量子比特）。
Classiq试图在为具有更大数量量子比特的设备设计量子电路的问题上走在前面。正如我们不在门层编程传统设备一样，Classiq通过实现可重用的模块化块结构简化了这一过程。它的聪明之处在于，相对于系统范围的约束，它自动化了优化多个独立块的过程，并允许程序员进行关键的权衡（如总体量子比特数或电路深度）。输出代码兼容所有主流平台。当使用今天的小型设备时，这似乎是一个概念性的开销，但类似的东西在未来可能是必不可少的。Classiq相信它的方法将使复杂的电路更容易调试和维护。这可能是一个关键的证据。
Horizon Quantum Computing正在追求一个特别大胆的愿景。它的目的是让用户只需使用高级经典语言编写代码，然后就可以从传统或量子执行中获益，而无需任何量子计算方面的特殊知识。一个关键的观点是，加速的机会不仅来自抽象的问题类，还来自常见的程序结构，如循环和数组操作。总的来说，Horizon设想了一个编译链，它可以在多个细节层次上解包。许多量子算法面临的挑战是如何有效地实现从加减到求幂等常见函数。Horizon已经在这一领域展示了概念验证方面的改进。Horizon的愿景是大多数用户希望社区到达的目的地。然而，全面实现其承诺需要实现FTQC、QRAM和更快的量子体系结构等技术。
高级创作解决方案面临的一个短期挑战是当今量子硬件的能力有限。领先于开发游戏并探索未来的资源需求是一种有效的策略，但是客户对真正的量子执行的时间线的期望将不得不被管理。
（3）优化的低级编译
在堆栈的底层，优化量子编译器必须处理一系列额外的独特量子挑战（本机门集映射、量子位放置和路由、电路优化、错误缓解）。从技术上讲，我们实际上经常谈论一个编译（transpiling）操作，因为编译器链的多个部分都在发挥各自的作用。
三个独立的低级量子编译器脱颖而出。每一个都展示了在这个市场上取得成功所必需的专有技术的独特方面。
TKET——这款旗舰版NISQ编译器能够在各种独特的量子框架之间高效传输，从而提供无与伦比的跨硬件能力。它为量子比特的放置和路由提供了有效的启发式方法。制作一个成功的量子优化编译器有一个强大的数学维度，在TKET的例子中，它利用了量子力学ZX演算公式中的概念。最近，Qermit模块的添加简化了对常见错误缓解协议的支持。TKET已被广泛用于各种前沿研究工作。TKET现在是开源的，Quantinuum希望在量子生态系统的核心建立自己的角色。
True-Q——Quantum Benchmark公司在描述和缓解量子错误方面有着很强的传统。True-Q采用随机编译技术，最初开发该技术是为了克服系统控制错误。现在，以多量子比特过程中的保真度为目标的周期基准测试技术增强了这一点。True-Q在2021年的学术工作中因错误抑制和/或错误诊断获得了许多引用（包括谷歌QAI、LBNL的高级量子试验台、NASA、ORNL、NCSU，包括Qiskit、Cirq和Quil在内的各种框架，以及AQT的离子阱设备）。Quantum Benchmark已于2021年被Keysight Technologies（是德科技）收购。这是趋势的一部分，它将为量子堆栈提供一系列新的可能性。
Fire Opal——2022年初向终端用户发布，这是低级编译器的新成员。它已经显示出令人印象深刻的初步成果。Q-Ctrl在脉冲级“鲁棒”量子比特控制协议方面有着良好的记录。Fire Opal作为一个物理门和脉冲级编译器，能够补充更高层级的优化编译器，如TKET。2021年，随着Rigetti和Quantum Machines加入IBM，向第三方开放他们的硬件脉冲电平控制，市场已经转向Q-Ctrl的优势。Q-Ctrl提供了与这些玩家的集成。它现在也在积极寻求利用其技术在量子传感应用。
图24 量子工具
随着这一领域的不断发展，公开地比较编译器性能的能力将变得越来越重要。我们希望看到更多基准工作，例如编译器对QV和CLOPS的影响，以及整个QED-C基准测试套件。
在编译器领域，学术发展仍然非常重要。一个重要的主题是如何利用形式化方法的传统计算机科学技术。它们正在寻求一种数学上严格的方法来验证程序的正确性。在高度数学化但难以调试的量子电路编译世界中，这些技术可能比经典编程更有意义。
VOQC的突出之处不仅在于其性能可与领先的编译器（如Qiskit或Tket）媲美，还在于其电路优化在Coq proof assistant中被证明是正确的。
PyZX是一款基于ZX演算的著名研究编译器。
六、建立低层控制
在传统计算中，门操作的低层控制早已转移到微体系结构和固件领域。然而，关键的挑战仍然存在于量子堆栈的这一层。量子比特从根本上说是模拟系统，它加剧了噪声和串扰的挑战，但也为智能优化控制和校准技术开辟了可能性。量子纠错可能需要在扩展的代码补丁之间的紧密同步的读出和反馈。
一些参与者在专业控制电子领域拥有核心基础。这本身就是好东西。然而，我们需要明白，这些参与者中的许多人的雄心壮志并不仅仅停留在最底层。如果实现NISQ量子优势依赖于高度优化的低层性能，尤其是在这个将特定于应用的量子计算机推向前沿的世界中，这样的公司有望大放异彩。这可能会为他们创造一个获取更多价值的机会。
Quantum Machines在为商业和学术量子计算工作提供控制系统方面有强大的全球影响力。该公司的量子编排平台（Quantum Orchestration Platform，QOP）专为规模化设计，并提供动态中间电路测量和前馈等重要功能。QOP将经典和量子处理与QUA脉冲级语言和定制设计的脉冲处理器紧密结合，它将经典处理一直带到实时控制硬件。这是为了跨量子比特平台类型支持各种各样的量子用例而设计的。该公司认为，这种架构为HPC和云基础结构中异构量子计算的全面架构奠定了基础。
苏黎世仪器是一家成熟的科学仪器供应商。它的核心优势在于其硬件性能（尤其是锁定放大器）。目前它构建了一个完整的、专门的QC控制堆栈。这已经支持多种量子比特类型和低延迟测量反馈。苏黎世仪器最近被Rohde&Schwarz收购。它在量子控制中的强势地位是这一举措的关键部分，预计它将进一步加速这一进程。
Qblox是从荷兰QuTech生态系统中衍生出来的公司（因此受益于多种量子比特硬件类型的直接体验）。它目前服务于25个学术和工业实验室。它提供了一个完全集成的控制和读出模块化解决方案，注重可扩展性。Qblox赢得了瑞典查尔姆斯理工大学20Q解决方案的公开招标。核心优势在于其硬件（SYNQ协议）的稳定性和时间同步性，以及低延迟反馈/控制流（LINQ协议）。通过与另一家QuTech衍生公司OrangeQS合作，它在软件堆栈中的地位正在提升：它们共同维护开源的Quantify自动校准和表征软件。
随着Keysight Technologies（是德科技）收购Quantum Benchmark，将继续加强其现有的量子产品套件——目前包括Signadyne的硬件和Labber Quantum的软件。我们预计，这些功能将结合到量子堆栈基础上的强大产品中。
除此之外，中国的中微达信、国盾量子、本源量子、国仪量子也是量子计算控制领域的核心参与者。
软件初创公司也被吸引到这一领域。
Riverlane正在开发Deltaflow.OS量子计算操作系统，并获得由UKRI的拨款支持。这旨在为量子比特硬件开发者提供一个快速、可扩展的关键功能解决方案：低延迟、可扩展控制；自动校准和调整；在量子资源和经典资源之间协调运行时任务；纠错解码。这利用了分布式而非分层的节点网络。它已经用Artiq（一种流行的离子阱控制系统）演示了试点集成。QHAL硬件抽象层已经承诺兼容涉及四种量子比特技术的六种硬件。另一个由UKRI资助的项目AutoQT正在将机器学习领域的领先见解引入这项工作。
操作系统的一个问题是没有将量子堆栈的工作方式纳入一个模型中。它可以支持但确实需要传统的电路模型。它承诺将把最好的可用资源集中在困难的解码问题上，但它没有明确说明应该如何集成。
其他量子计算操作系统包括中国本源量子的本源司南、奥地利量子计算公司ParityQC的ParityOS。
图25 建立低层控制
在更广泛的背景下，OpenQASM 3.0（仍是一个“实时规范”）的定义明确地在之前在架构层表达的门概念和经典控制概念以及通常在控制层表达的脉冲和定时概念之间建立了一座桥梁。量子栈将会进化。量子堆栈即将进化。
七、量子教育
IBM早期成功的一个重要方面是它强调让IBM Quantum成为一个非常有用的教育工具。
Qiskit和IBM量子挑战赛——Qiskit教科书和教程资源被广泛认为是量子计算的重要入门资源。这些已经被成功的IBM量子系列挑战赛所补充。这些半辅导半竞赛的活动已经成为量子季的固定活动，对于有编程兴趣的个人来说，这是培养他们的量子技能的一个很好的方式。
Black Opal——Q-Ctrl专注于量子比特的最佳控制。他们的内部可视化也是向量子新手教授量子比特和量子计算机的一种很好的方式。Black Opal在线学习平台填补了市场上的巨大空白。它涵盖从波等基本物理原理，一直到使用自定义界面和电路可视化工具编程量子算法。Black Opal对于量子新手来说是一个理想的起点，即使他们计划通过更高级的特定于框架的课程继续进步。
Quantum Network Explorer——QuTech之前进军教育领域的尝试是Quantum Inspire。这继续提供了一个很好的学习环境，在一个已经由IBM Quantum主导的细分市场中追赶上来了。另一方面，它的Quantum Network Explorer将受益于率先进入更广阔的空间：如何通过网络处理量子比特。这引入了它自己的一系列新资源和概念，许多人认为这些资源和概念有朝一日将构成量子互联网的基础。
SpinQ（量旋科技）利用基于NMR量子比特的独特“桌面”量子计算机加速量子教育。2Q双子座和3Q三角座使学生能够学习量子概念，并在真正的桌面设备上运行实验。量旋科技已经在他们的系统的基础上成功举办了一场高中量子计算竞赛，并为课堂提供了教材。接下来计划推出更紧凑的设备。
量子国际象棋——AWS的Aleksander Kubica在Q2B量子国际象棋锦标赛上捍卫了自己的王冠，击败了来自Zapata、D-Wave、Nvidia、谷歌、Quantinuum、Horizon和QC Ware的对手。有时玩游戏是激发学生热情的最好方式。
教育是一种社会福利，同时也是一个很好的策略。它与那些有朝一日将推动量子革命向前发展的个人建立了密切的关系。这也为真正的收入机会打开了大门。
八、当前的研究主题——房间里的大象
目前，量子软件领域的许多实际焦点都集中在研究错误缓解技术上，这些技术旨在帮助我们在有限的NISQ设备上运行有用的算法。这些通常是增量的，在许多情况下，它们最终将无缝集成到堆栈中。然而，一些突出的挑战可能更具破坏性。
量子纠错是一个关键的量子计算概念，正迅速进入实用议程。对于许多硬件厂商来说，其开发是其硬件路线图的中心主题。越来越多的人指出，它不是一种全有或全无的开销，而是指它精心定制的应用程序如何通过量子优势线获得其他无法获得的算法。那么，为什么我们没有听到更多关于它在软件堆栈中的位置呢？
本报告的简化模型名义上将其置于架构层。然而，这不是既定的共识。一些从控制层建立起来的参与者会把它视为自己的自然领地。一些早期的算法参与者会希望密切监督它在早期应用中是如何使用的。对许多人来说，这里的数学将是一个挑战。
QEC 2021——正如纠错变得越来越实际，由于疫情的旅行限制，关于量子纠错的两年一度的前沿会议没有在2021年举行，希望我们不必等到2023年才能举行。
诸如线性时间联合查找解码器、改进的晶格手术协议、量子LDPC码和容错3D块等创新表明，这个领域仍然大有可为。
图26 当前研究主题
用户最终不会关心量子纠错在哪里以及如何实现，只关心他们看到的量子比特是他们需要的质量。但量子堆栈的投资者现在需要关注这个问题。
我们很可能会面对这样一个世界：广泛的量子优势要求至少在某种程度上应用量子纠错。电路模型可以使物理量子比特和逻辑量子比特实现看起来非常相似。然而，这种转变可能会更加混乱。随着软件市场开始争论堆栈必须如何适应，预计会出现动荡。
九、展望2022
超越经典——还没有可云访问的量子处理器展示“超越经典”的计算。2022年这种情况会改变吗？
生产使用——哪个平台将率先在日常生产使用中托管量子应用？
中性原子——希望看到Pasqal软件团队探测这些系统的特殊能力，比如模拟量子模拟。ColdQuanta的Hilbert云系统会鼓励其他人效仿吗？
光子学——既然PsiQ已经退出了隐身模式，我们会听到更多关于其FBQC将如何插入软件堆栈的信息吗？
云指标——只有IBM发布了有关其量子云使用情况的数据。其他人会效仿吗？注意竞争正在升温的迹象。
云基准——QED -C在2021年产生了基于算法的优秀基准。我们会看到捕捉在量子云平台上运行的端到端体验的用户基准吗？
模拟器——如果你是认真的，你需要一个认真的模拟器。注意优化的模拟器性能，这是高端产品的一大优势。
商业模式——看看公司能否创造出适合自己的商业模式。很多人乐意做顾问，但谁能创造出专业知识呢？
SaaS——Quantum Origin等早期产品会引起什么兴趣？2022年我们还会看到多少类似的服务？
编译器——注意特性、支持和开源策略的组合正在竞相推动编译器链的发展。标准度量和基准能够使性能对比更清晰吗？
量子OS（操作系统）——低层控制系统能否进一步证明它们能够突破学术中心地带，成为商用量子计算机的真正独立操作系统？
参与和教育——IBM Quantum在用户参与方面仍然保持着巨大的优势。我们会看到其他人正在迎头赶上的迹象吗？
量子国际象棋——Aleksander Kubica是否会第三次蝉联量子象棋桂冠？我们会看到Quantum Chess 2.0的商业版吗？
量子纠错——它在堆栈中的位置如何？