其他
三大工业用例，「谷歌」开辟纠错量子计算机物理模拟之路
在大多数情况下，这些说法都是基于当问题规模接近无穷大时算法的渐进缩放的论点，但这对我们了解量子计算机在有限规模问题上的实际性能帮助甚微。
我们希望更加具体：量子计算机究竟比经典计算机更适合处理哪些问题，我们究竟可以运行哪些量子算法来解决这些问题？一旦设计出算法，我们就可以超越基于渐近缩放的分析，确定在量子计算机上编译和运行算法所需的实际资源，以及与经典计算的比较。
在过去几年中，谷歌量子人工智能公司与业界和学术界的合作伙伴合作，评估量子模拟革新特定技术的前景，并对资源需求进行具体分析。2022年，谷歌开发了量子算法，用于分析名为细胞色素P450的重要酶家族的化学性质；在今年（2023年）秋天发表的论文中，谷歌展示了如何利用量子计算机研究锂离子电池中使用的钴的可持续替代品。
论文链接：https://journals.aps.org/prxquantum/abstract/10.1103/PRXQuantum.4.040303
论文链接：https://arxiv.org/abs/2308.12352v1
最近，谷歌在一篇题为《Quantum computation of stopping power for inertial fusion target design》的预印本中报告说，发现了惯性约束核聚变实验中材料特性建模的新应用，例如劳伦斯-利弗莫尔国家实验室的国家点火装置（NIF）——该装置最近因核聚变方面的突破而成为头条新闻。
在最近发布的一篇博文中，谷歌团队介了绍利用量子计算机进行模拟的三种与工业相关的应用。“虽然运行这些算法将需要一台纠错量子计算机，而这还需要数年时间，但现在就着手进行这项工作，将确保在这样一台量子计算机建成时，我们已经准备好了高效的量子算法。”
谷歌团队表示：“正如我们过去所报告的，我们的工作已经大大降低了编译和运行算法的成本。这一工作对于展示量子计算的潜力至关重要，同时也为我们的硬件团队提供了未来运行有用量子算法所需的量子比特数和时间的目标规格。”
制药业经常被吹捧为利用量子计算机进行发现的成熟领域。但这种潜在应用的具体实例却少之又少。
谷歌与制药公司勃林格殷格翰（Boehringer Ingelheim）的合作者、初创公司QSimulate的合作伙伴以及哥伦比亚大学的学术同事合作，在 2022 年《美国国家科学院院刊》（PNAS）发表的文章“在当今的经典计算机和未来的量子计算机上可靠地评估细胞色素P450的电子结构”（Reliably assessing the electronic structure of cytochrome P450 on today’s classical computers and tomorrow’s quantum computers）中探讨了一个实例。
论文链接：
https://www.pnas.org/doi/10.1073/pnas.2203533119
细胞色素P450是人类体内天然存在的酶家族，帮助我们代谢药物。它的工作非常出色：70%以上的药物代谢都是由P450家族的酶完成的。这些酶通过氧化药物来发挥作用：这一过程依赖于电子之间复杂的相互关系；由于相互作用的细节过于复杂，科学家无法预先知道酶对特定药物的作用效果。
谷歌团队在论文中展示了量子计算机如何解决这一问题。CYP450代谢过程是一连串复杂的反应，整个过程中酶的电子结构会发生许多中间变化；谷歌团队首先使用最先进的经典方法来确定在经典计算机上模拟这一问题所需的资源。
然后，团队设想在表面码误差校正量子计算机上实施相位估计算法：计算整个反应链中相关电子构型的基态能量需要这种算法。
有了量子计算机，就能以更高的精度和更少的资源跟踪电子结构的变化链。事实上，谷歌发现量子计算机所提供的更高精度是正确解析该系统中的化学反应所必需的，因此量子计算机不仅会更好，而且是必要的。随着系统规模的增大，即模拟中包含的量子能级越多，量子计算机就越能战胜经典计算机。最终，谷歌团队证明，在这个问题上，需要几百万个物理量子比特才能达到量子优势。
锂离子电池依靠两种含锂材料之间的电化学电位差。钴酸锂是目前用于锂离子电池阴极的一种材料。遗憾的是，从制造角度来看，这种材料存在缺点：钴矿开采成本高昂、破坏环境，而且经常使用不安全或虐待性的劳动方法。
因此，该领域的许多人都对用于锂离子阴极的钴的替代品感兴趣。
20世纪90年代，研究人员发现镍可以替代钴，形成用于阴极的LiNiO2（称为“锂镍氧化物”或“LNO”）。虽然发现纯LNO在生产过程中不稳定，但如今汽车行业使用的许多阴极材料都含有大量镍，因此与LNO相似。尽管LNO被应用于工业领域，但人们对它的化学性质并不完全了解，甚至对其基态的性质也存在争议。
在谷歌最近发表的论文“使用布洛赫轨道对材料进行容错量子模拟”（Fault tolerant quantum simulation of materials using Bloch orbitals）中，谷歌团队与化学公司巴斯夫、分子建模初创公司QSimulate以及澳大利亚麦考瑞大学的合作者共同开发了对具有周期性、规则间隔原子结构的系统（如 LNO）进行量子模拟的技术。
然后，应用这些技术设计算法，谷歌团队研究了LNO的几种不同候选结构的相对能量。在经典计算机上，量子波函数的高精度模拟被认为过于昂贵，难以执行。在工作中，团队发现量子计算机需要数千万物理比特才能计算出四种候选基态LNO结构中每种结构的能量：这已经超出了第一台纠错量子计算机的能力范围，但谷歌团队预计，随着未来算法的改进，这个数字会有所下降。
在第三个也是最新的例子中，谷歌团队与桑迪亚国家实验室（Sandia National Laboratories）的理论家以及麦考瑞大学（Macquarie University）的合作者合作，将假想的量子计算机用于模拟带电粒子在惯性约束聚变（ICF）实验（如国家点火装置的实验）典型极端条件下的动力学。
在这些实验中，高强度激光被聚焦到一个金属空腔（hohlraum）中，该空腔容纳着一个靶舱，靶舱由一个围绕氘氚燃料的烧蚀器组成。当激光加热霍尔姆腔内部时，其内壁会放射出压缩胶囊的X射线，将内部的氘和氚加热到数千万开尔文。这样，燃料中的核子就能克服相互间的静电排斥力，开始融合成氦核，也称为α粒子。
这些实验的模拟计算要求很高，并且依赖于本身就不确定的材料特性模型。即使使用类似量子化学的方法来测试这些模型，计算成本也极其昂贵；在某些情况下，此类测试计算消耗的CPU时数大于1亿小时。
模拟中最昂贵、最不精确的一个方面是持续聚变阶段（>10s of millions of Kelvin）之前的等离子体动力学，此时舱体和燃料的部分温度为 100k Kelvin。在这种“温稠密物质”（warm dense matter）状态下，量子关联在系统行为中的作用要大于发生持续聚变的“热稠密物质”状态。
在谷歌新的预发表论文“用于惯性核聚变目标设计的停止功率量子计算”（Quantum computation of stopping power for inertial fusion target design）中，团队提出了一种量子算法，用于计算核聚变实验中所谓的温稠密物质的“停止功率”（stopping power）——停止功率是高能量阿尔法粒子与周围等离子体发生库仑相互作用而减慢的速度。
了解系统的停止功率对于优化反应堆的效率至关重要。当α粒子被周围的等离子体减速时，它会将能量传递给等离子体，使其升温。这种自加热过程是聚变反应维持等离子体燃烧的机制。对这一过程的详细建模将有助于为未来的反应堆设计提供依据。
实验团队估计，计算停止功率所需的量子算法需要的资源介于P450应用和电池应用之间。但由于这是第一原理动力学（或有限温度下的任何应用）方面的首个案例研究，这种估算只是一个起点，团队再次期待在未来找到算法改进来降低成本。
尽管存在这种不确定性，但它仍然肯定优于经典的替代方法；因为对于这些模拟来说，唯一可行的方法是均值场方法。虽然这些方法在描述这些系统的物理特性时会产生未知的系统误差，但它们是目前进行此类模拟的唯一有意义的方法。
上述例子只是未来纠错量子计算机在模拟物理系统方面大量且日益增多的具体应用中的三个。
这一研究方向有助于我们了解最能受益于量子计算能力的问题类别。特别是，最后一个例子与其他两个例子不同，它模拟的是一个动态系统；其他问题的重点是寻找量子系统的最低能量、静态基态，而量子动力学则关注量子系统如何随时间变化。
由于量子计算机本身就是动态的（量子比特状态随着每次操作的进行而演化和变化），因此特别适合解决这类问题。在谷歌量子人工智能实验室与哥伦比亚大学、哈佛大学、桑迪亚国家实验室和澳大利亚麦考瑞大学的合作者一起，最近在《自然·通讯》上发表的论文中，联合团队证明了模拟电子动力学的量子算法甚至比近似的“均场”经典计算更有效，同时精度也更高。
论文链接：https://www.nature.com/articles/s41467-023-39024-0
今天开发和改进算法，为我们在最终实现纠错量子计算机时充分利用这些算法做好了准备。正如在经典计算中一样，我们期待量子计算堆栈的每一级都能有所改进，从而进一步降低资源需求。
但这些第一步，有助于将夸大其词与真正适合量子计算提速的应用区分开来。
|qu|cryovac>