利用人工智能实现量子计算

转载自：利用人工智能实现量子计算 2024年 5月 12日 By Mark Wolf
https://developer.nvidia.com/zh-cn/blog/enabling-quantum-computing-with-ai/

文章目录

- 一、概述
- 二、改进量子处理器
- 三、校正噪声量子位的误差
- 四、开发高效的量子算法
- 五、探索量子计算的人工智能

一、概述

在实践中构建一台有用的量子计算机极具挑战性。
需要在量子计算机的规模、保真度、速度、可靠性和可编程性方面进行重大改进，以充分实现其优势。
需要强大的工具来帮助解决许多复杂的物理和工程挑战，这些挑战阻碍了有用的量子计算。

人工智能 (AI) 正在从根本上改变技术格局，重塑行业，改变我们与数字世界的互动方式。
获取数据和生成情报的能力为解决当今社会面临的一些最具挑战性的问题铺平了道路。
从个性化医疗到自动驾驶汽车，人工智能正处于一场有望重新定义未来的技术革命的前沿，其中包括许多阻碍有用量子计算的挑战性问题。

量子计算机将与传统超级计算机集成，加速解决与政府、学术界和工业相关的挑战性问题的关键部分。
如量子加速超级计算导论所述，这种关系将带来双赢的优势。
将量子计算机与超级计算机集成不仅能够加速解决复杂问题，还将使人工智能能够帮助解决阻碍有用量子计算的最重要挑战。

这篇文章探讨了人工智能支持的量子计算的三个关键方面——处理器、纠错和算法。
它还探讨了构建人工智能可以最有效地实现量子计算的基础设施的一些实际考虑因素。

二、改进量子处理器

量子处理器，或 QPUs，是由许多用于保护和操纵量子比特（量子位）的微调系统组成的物理和工程奇迹。
由于量子位非常敏感，最轻微的噪声源都会破坏计算，因此最优控制是操作量子处理器的一个关键方面。
它确保以最小化任何噪声的方式对量子位执行所有必要的操作。
人工智能是确定最佳控制序列的重要工具，可以从量子处理器中产生尽可能高质量的结果。

基础工作介绍于基于图形处理单元的自动微分加速量子最优控制首先展示了 GPU 在加速量子最优控制的自动微分方面的实用性。
这项工作使用 GPU 优化了 10 量子比特 GHZ 状态的制备，实现了 19 倍的加速。
随后，这项工作的成果被应用于具有强化学习的无模型量子控制，探讨了强化学习在量子最优控制问题中的应用。

人工智能已经应用于量子器件操作的许多其他方面，如 calibration 和量子位读出，这些应用证明了人工智能在操作过程中减少来自多个来源的噪声的实用性。

三、校正噪声量子位的误差

即使是设计最好的量子硬件处理器，其量子比特噪声水平也低于运行大多数算法所需的要求。
对此的理论解决方案是量子纠错，这是一种系统地从量子计算中消除误差并确保可靠结果的过程。

量子纠错程序的一般步骤包括将量子信息编码为逻辑量子位（由多个有噪声的物理量子位组成），对逻辑量子位数执行算法操作，解码发生的错误（如果有的话），并纠正适当的错误。
每个步骤都很复杂，需要有效地执行，以便在任何量子信息丢失或以其他方式损坏之前纠正错误并完成计算。

研究人员认识到，速度、可扩展性和复杂模式识别的能力使人工智能成为实现量子纠错工作流程许多部分的绝佳工具。
例如，德国马克斯·普朗克研究所和弗里德里希·亚历山大大学的一个团队通过强化学习发现了新的量子纠错码及其各自的编码器。
有关详细信息，请参阅利用噪声感知强化学习代理同时发现量子纠错码和编码器。

解码步骤是人工智能的另一个有希望的目标，例如谷歌最近的工作，该工作探索了如何使用递归的、基于变换器的神经网络来解码标准量子纠错码，即表面代码。
欲了解详细信息，请参阅使用递归的、基于变换器的神经网络解码表面代码的学习。

General depiction of a quantum workflow and the tasks where AI could support. 图 1。带有绿色标签的人工智能任务的量子计算工作流

四、开发高效的量子算法

电路缩减是量子工作流程的关键部分，确保算法尽可能高效，并需要最少的资源。
这项任务极其困难，通常需要解决复杂的优化问题。
当为特定物理设备及其独特约束（如量子位拓扑）编译算法时，复杂性会增加。

这个问题极其重要，以至于量子计算生态系统的主要参与者正在合作寻找人工智能电路简化技术。
例如，谷歌 DeepMind、Quantinuum 和阿姆斯特丹大学最近合作开发了一种人工智能方法，以减少量子电路中资源密集型 T 门数量他们的研究结果表明，在一组通用的量子电路基准上，人工智能可以显著改进最先进的 T 门减少技术。

量子算法设计的另一个问题是找到某些子程序的有效实现，如状态准备。
有一些已知的量子算法承诺理论上的加速，但假设经典问题已经被编码为量子态。
国家准备本身可能是一项极具挑战性的任务，不能想当然。

化学是一个很好的例子，在计算分子量子态的能量之前，必须对其进行良好的近似。
多伦多大学圣犹达儿童研究医院和 NVIDIA 合作开发了一种使用生成预训练变换器（GPT）模型进行分子状态制备的方法（图 2）。
这是 GPT 在量子算法设计中的首次应用，可以推广到化学以外的应用。
要了解更多信息，请参阅生成量子本征求解器及其在基态搜索中的应用。

The image shows a generative model, which is a type of machine learning model that can be used to generate new data. The model is trained on a dataset of existing data, and then it can be used to generate new data that is similar to the training data. 图 2: 生成量子特征解算器方法利用 GPT 为分子模拟准备电路