IBM：量子计算将在NISQ时代实现实际应用
量子计算技术发展如此之快，以至于这一领域外的人们很难跟上潮流。为了呈现不断发展的量子产业的实时写照，近日，来自两家量子计算公司的高管——IBM Quantum的副总裁Jay Gambetta和Zapata Computing首席执行官Timothy Hirzel谈论了对近期进展/挑战的看法[1]。
尽管他们立场不同，但都表达了同一个观点：量子计算将在NISQ（含噪声中等规模量子）时代实现一定程度的实际应用。
左：IBM Quantum的副总裁Jay Gambetta；右：Zapata Computing首席执行官Timothy Hirzel
经光子盒整理，访谈全文如下：
主要有以下三点。
1）生成式建模（generative modeling）中的量子优势。最近的工作，如《用离子阱量子计算机生成高分辨率的手写数字》，《通过量子相关性增强生成模型》和《评估量子和经典生成模型的泛化》，从实验和理论上为建立量子计算机改善机器学习算法的近期潜力奠定了基础。
2）使用早期容错量子计算机的方法。越来越多的研究关注于开发适合早期容错量子计算机，或具有有限量子纠错能力的量子计算机的算法和资源估计。早期的容错量子计算将需要平衡功率和错误稳健性。最近的工作为设计量子算法奠定了基础，使我们能够调整这种平衡。这与错误鲁棒性（robust）过低的方法（设计容错量子计算机的算法）和错误鲁棒性过高但能力不足的方法（开发昂贵的错误缓解技术）有所不同。
3）Xanadu量子优越性实验。与其他的量子演示一样，这是一个重要的里程碑，表明我们现在已经进入了工程量子系统的时代，可以表现出超越经典计算机的计算能力。
Q：关于算法的发展。我们听到很多关于Shor算法、Grover算法和VQE求解器的信息。量子计算需要的最重要的缺失算法/应用是什么，我们离开发这些算法有多远？
就像在经典计算中，人们通常认为高性能编程需要13个主题，但在我看来，我们不需要找到太多的算法。缺少的一步是我们如何对这些进行编程，并将噪声的影响降到最低。从长远来看，纠错是解决方案，但是否有可能实现具有错误缓解功能的核心量子电路，并显示出一条连续的纠错路径。这是最重要的问题。我相信我们有一些想法显示这个路径可以是连续的。但如果我们能利用错误缓解技术的进展来推进量子应用，硬件的改进将在量子技术中产生更直接的影响。从这些核心的量子电路中，我预计会有许多类似于HPC中的情况的应用，最有可能的领域是模拟自然（高能物理、材料科学、化学、药物设计），有结构的数据（量子机器学习、排名、检测信号），和非指数应用，如搜索和优化。
主要有以下两点。
2）利用早期容错量子器件能力的算法。一个相关的例子是鲁棒振幅估计（RAE），它来自于一系列的工作。在振幅估计的基础上，我们可以进一步改进混合量子-经典方案，如VQE以及状态属性估计的算法。这些方法在量子化学、优化、金融和其他领域都有应用。
Q：量子比特技术。哪种技术最不可能作为基础量子比特技术取得成功，为什么？哪种技术最不可能成功？
一项技术要想成功，它需要有一个途径来扩展QPU，提高QPU上运行的量子电路的质量，并加快QPU上量子电路的运行速度。目前在我看来，并不是所有的量子比特技术都能做到这三点，有些技术在物理上不可能改善其中的一个或多个部分。我更喜欢超导量子比特，因为它们在针对所有这三点进行优化时提供了最佳的发展途径。
现在说这些还为时过早。我们预计量子比特技术是不是最好将取决于问题：不同的问题类型将在不同的量子比特方法中发挥最佳效果，而这将继续发展一段时间。
我们已经在超导和离子阱设备上取得了很好的结果，并对探索量子光子学感到兴奋。答案取决于人们所考虑的时间尺度和成功的含义。如果没有纠错，使用离子阱做实验可能会得到更好的结果；另一方面，当量子比特的数量增加时，离子阱可能面临限制：一个陷阱只能容纳一定数量的离子，所以不同的陷阱需要以某种方式进行纠缠，以达到更大数量的量子比特。在这个领域还没有太多的实验工作，所以目前还不清楚这种设置的效果如何，以及做QEC有多容易。CPU和QPU上的不同离子阱之间的反馈将增加一层复杂性，主要是在延迟时间方面。
光子方法面临不同的机会和挑战。由于其可扩展但寿命短的量子比特，它们更多的是为了实现容错架构。但是我们可以想象，一些超导平台可能会将所有的量子比特放在一个“模块”上。换句话说，人们不是在一个巨型芯片中组合不同的芯片：与离子阱相比，这将减少延迟问题。
对于中性原子平台来说，扩展到更多数量的量子比特应该比超导和离子阱更容易，因为不同量子比特之间不需要的相互作用会很小，但出于同样的原因，制作“门”的难度也很大，因为这需要量子比特之间的相互作用。
有两个潜在的平台有可能比其他所有平台更有吸引力，即：拓扑量子比特（不需要QEC，但目前还没有创建）和使用猫态构建的量子比特（这个平台对比特翻转错误有固有的指数级抑制，人们只需要纠正相位翻转错误，从而大大减少了QEC的开销，但这是一个全新的平台）。
Q：重大的挑战。你认为今天量子计算和量子信息科学（QIS）面临的三大挑战是什么？
也许我们可以把首要的挑战总结为：1）扩大量子系统的规模；同时2）使其噪声更小，速度更快；以及3）识别和开发错误缓解技术，以便从量子电路中获得无噪声的输出结果。
有以下三点。
1）人才短缺。量子人才库相对较小，而且正在快速减少。根据我们最近关于企业量子计算采用情况的报告，已经开始走上量子采用之路的企业中，有51%已经开始物色人才和建立团队。如果企业等到技术成熟再发展量子，那所有最好的人才都已经在为别人工作了。
2）将量子技术与现有IT技术整合的复杂性。对于任何采用人工智能和机器学习的企业来说，这是一个熟悉的挑战。企业不能只是淘汰和替换，需要将量子计算与现有的技术堆栈整合起来。任何量子加速都很容易被一个繁琐的量子工作流程所否定，这包括将数据移动到计算中，反之亦然。
3）时间和紧迫性。量子计算正在快速发展，许多企业对升级他们的基础设施和建立有价值的量子应用需要多少时间不甚了解。那些等到硬件成熟的企业将花费很长的时间来追赶那些早期开始的同行。
Q：纠错。你对实现量子纠错所需的量子比特冗余度有什么看法？换句话说，实现一个逻辑量子比特需要多少个物理量子比特。基于许多因素（保真度、速度、底层量子比特技术），这有哪些不同？
在我看来，未来的道路是问我们是否可以通过使用错误抑制、错误缓解、错误缓解+错误纠正等想法来实现量子电路，并在未来建立具有长距离耦合的系统，以允许更高的速率的量子LDPC码。我相信这条道路会在短期内找到价值，并随着硬件的改进显示出更多价值的连续轨迹，而不是等到我们可以建立一个具有魔法态注入的100多万量子比特系统。我也相信科学是关于未被发现的东西，我对新的量子LDPC码在纠错方面发生的革命感到非常兴奋。我们需要最大限度地提高硬件和理论之间的共同设计，以最小化我们需要建立的系统的规模，为我们的用户带来价值。
在目前的量子纠错理论下，门错误（gate error）的每一个数量级的改进（例如，1%的错误率与10%的错误率）都需要物理量子比特数量的恒定乘数。
值得一提的是，"量子比特冗余"并不是唯一的相关指标。例如，纠错周期率和架构的可扩展性（即使它以高量子比特冗余为代价）可能同样重要。我们最近获得了DARPA的资助，通过该资助，我们正在建立工具来进行容错的资源估算。
Q：目前的工作。请用一两段话描述你目前的首要项目和优先事项。
当我们走向未来时，有两个大的挑战需要我们在未来几年内解决。第一是通过接受模块化的概念来推动规模。整个系统的模块化是至关重要的，从QPU到低温组件、控制的电子元件，甚至整个低温环境。我们正从多个方面考虑这个问题，详见我们的扩展开发路线图。为了更有效地使用QPU，我们将在经典控制和多个QPU的经典链接方面引入模块化。这使得某些处理错误的技术被称为错误缓解，并使更大的电路得以探索，通过电路编织与经典计算紧密结合。模块化的第二个策略是通过高速的芯片到芯片的量子链路来打破对越来越大的单个处理器芯片的需求。这些链路扩展了量子计算结构，然而，这也还不够，因为其余的部件如连接器甚至冷却都可能成为瓶颈，因此还需要一个稍长距离的模块化。为此，我们设想在QPU之间建立一米长的微波低温链路，尽管比直接的芯片对芯片的链路慢，但仍能提供一个量子通信链路。在我们的路线图中，Heron、Crossbill和Flamingo都反映了这些扩展的策略。
第二个（挑战）是HPC+量子整合，这不是简单的经典+量子整合，而是真正的HPC和量子整合到工作流程中，更多的经典和量子将在许多方面一起工作。在最底层，我们需要动态电路，将并发的经典计算带到量子电路，允许简单的计算在相干性（100纳秒）内发生，在下一个层次，我们将需要经典计算来执行运行时编译、错误抑制、错误缓解，以及最终的错误纠正。这需要低延迟，而且必须接近QPU。在这个层次之上，我对电路编织感到非常兴奋，这是一个表明我们如何通过增加经典计算来扩展量子的计算范围的想法。例如，通过结合线性代数技术和量子电路，我们可以有效地模拟一个更大的量子电路。为了建立这一层，我们需要开发一些想法，在几毫秒内可以在经典计算机（可以是GPU）上进行计算，然后运行量子电路并获得输出。
我们不能分享我们所有的项目，但有几个项目是突出的。我们的QML（量子机器学习）套件现在可以通过我们的量子工作流协调平台Orquestra提供给我们的企业客户。QML套件是一个即插即用、用户定义的工作流程工具箱，用于构建量子机器学习应用。这个新产品体现了我们帮助客户从量子计算机产生近期价值的承诺。我们对产生式建模作为QML的一个近期应用感到特别兴奋，它可以用于优化问题和创建合成数据，以训练小样本量情况下的模型，如金融危机和大流行病。
我们现在参与最多的公开客户项目之一是我们与Andretti Autosport车队的合作，以升级他们的数据分析基础设施，使其为量子化做好准备。没有多少人知道这一点，但INDYCAR赛车是一项非常重分析的运动：每辆赛车在一场比赛中产生约1TB的数据。我们正在帮助Andretti建立先进的机器学习模型，以帮助确定进站的最佳时间、减少燃料消耗的方法以及其他比赛策略决策。
最后，网络安全已成为我们的首要任务。已经有高级CIO/CISO级别的客户与我们联系，要求我们帮助评估他们的后量子漏洞。人们认为像肖尔算法这样的加密破坏算法还有几十年的时间，但这种威胁可能更早出现。事实上，它已经以“先保存，后解密”（SNDL）攻击的形式出现了。作为变分量子因子（Variational Quantum Factoring，该算法大大减少了2048位RSA数字因子所需的量子比特）的发明者，我们对量子漏洞的时间表有独特的看法。Orquestra还使我们有能力大规模地评估整个生态系统的威胁，并在多个云的所有数据工作流程中提供可替换的PQC（后量子密码）基础设施升级。