光子盒研究院出品
近日，在刊登在《科学进展》杂志封面上的最新报告中，陈翰生(Chan Hans Hon Sang)和牛津大学的材料、化学和量子光子学研究小组生成了具有多达36个量子比特的精确仿真量子计算机，以探索节省资源的算法，并对具有单个、成对粒子的二维和三维原子建模。
化学建模是量子计算机的一个自然属性，尽管现有的方法对于开发近乎完美的量子比特是不切实际的。在这项工作中，量子化学家们探索了从基态制备、能量估计到电子的散射和电离动力学等一系列任务，以评估分裂操作模拟中的各种方法，以模拟几个感兴趣的分子的量子化学。
量子化学家设想量子计算机将成为化学预测和探索的变革性工具。虽然传统计算机对于探索量子分子动力学以预测反应结果和实验观测数据很有用，但硬件成本和时间长度会随着模拟粒子的数量呈指数级增长。在这项工作中，牛津大学陈翰生研究组在基于真实空间网格方法(real-space grid approach)的早期版本量子计算机上加速了化学动力学模拟的基本特征。
陈翰生
这些早期版本的量子计算机的纠错量子比特数量有限。研究小组在研究过程中对粒子对称性等特征进行了编码，为复杂和有趣的分子提供了最佳资源扩展(optimal resource scaling)。不过，大多数量子计算机是有噪音负担的，而且成本很高。因此，研究人员采取了不同的方法，部署经典计算资源来模拟小型但无噪音的量子计算机，从而在其中模拟量子分子动力学，直接考察成本和性能指标。虽然他们没有重提以前存在的经典网格技术来进行基于网格的模拟，但他们对真实的、无噪音的量子机器进行了模拟，以代替化学相关的量子动力学。
利用PITE技术制备2D氢的基态。该方法在1+2×10量子比特的量子计算机上进行了仿真模拟。
最终，研究人员发现，基于网格的方法表现异常出色，将应用于容错量子计算时代。
此次，由于成本受限，量子计算机模拟限制在36个量子比特的适度大小。具体来说，研究小组利用该实验装置探索了对单电子和双电子系统进行二维和三维模拟的几种信息方案。他们选择了化学中感兴趣的两个关键领域，并估计了必要的量子资源来模拟强外场的动力学、模拟粒子散射动力学的情况。在第一次实验中，研究小组突然施加了一个外场，由此产生了偶极子振荡和单个结合电子的电离。他们设想在这个方向的努力将包括光化学和激光激发等主题。物理学家和量子化学家认为小分子的相干量子调节是化学科学的 “圣杯 ”之一：例如，这个过程可以让科学家在氢原子清除的情况下研究氨，以探索其在现代农业中的潜力。在第二种情况下，该团队研究了与光谱学、天体化学和制造过程有关的电子-分子散射，因为碰撞和散射的过程是高度动态的，难以进行经典建模。
ASO(augmented split-operator)技术的性能。仿真的量子计算机有13=1+6×6个量子比特。
科学家们使用拆分算子量子傅里叶变换(split-operator quantum Fourier transform, SO-QFT)哈密顿模拟方法来进行波包操作，并提出了一系列结果，这些结果适用于使用单粒子和成对粒子的2-3D系统的基于网格的方法。数值结果通过开源工具（如QuEST、QuEST-link和pyQuEST）来实现仿真量子处理器。他们探索了量子比特的数量，估计了执行的时间，以实现给定精度的模拟，并研究了基于采样的方法来估计系统的能量的方案，事实证明，这对不完善的地方非常敏感。他们估计了伴随而来的量子资源成本，并指出了合适的量子计算机的硬件布局。
研究小组在量子计算机上进行了基于概率虚时演化(probabilistic imaginary time evolution, PITE)的准备实空间基态的替代方法，并模拟了二维氢的基态，同时详述了该方法的缺点。他们进行了两种情况下的量子动力学模拟，这些模拟依赖于两种情况：1）强外场的电离；2）对电子-电子散射的依赖。该团队接下来引入了增强型拆分算子(ASO)，通过向基本的拆分算子量子傅里叶变换循环提出额外的元素来优化模拟的保真度。使用该装置，研究团队模拟了一个氦原子的三维动态，并用薛定谔方程来近似氦原子的真实电子特征状态。量子化学家们研究了进行经典算法无法达到的量子建模的资源需求，并对适合这种表达的量子架构进行了调整。他们估计了为六氟乙烷(C2F6)和氨(NH3)分子建立感兴趣的量子方案所需的量子比特数量：基于网格的C2F6模拟需要大约2250个计算量子比特，而氨分子需要不到450个量子比特。
本工作中探讨的三种早期真实实空间化学的容错量子电路技术。仿真的时间成本也依赖于硬件的实现。因此，相对于深度算法和错误率，最容易理解的代码需要每一个逻辑量子比特的数百个物理量子比特，这一性能与当今最好的量子计算原型机相当。
最终，通过这种方式，陈翰生团队探索了拆分算子量子傅里叶变换(SO-QFT)方法来模拟精确的量子比特，并测试了真实空间量子化学模拟背后的技术。他们探索了几种已知的量子技术，并引入了一些其他的技术来表达量子模拟的关键方面。最终，科学家们表征了在早期容错量子计算机上实现数字实验的基础资源。这一结果可以通过用机器学习增强物理实验来加速化学发现的学习/预测循环。这些成果可以应用于量子技术的多样化领域，包括建立高能粒子模型的狭义相对论，以及在金融工程中发挥作用。每周一到周五，我们都将与光子盒的新老朋友相聚在微信视频号，不见不散！