編輯 | 蘿蔔皮
目錄
- 變分量子演算法中噪聲引起的貧瘠高原
- 具有廣泛適用性的人工智慧增強型量子化學方法
- 用於無受控時間演化的全配置互動計算的量子演算法
- 學習時間量子斷層掃描
變分量子演算法中噪聲引起的貧瘠高原
變分量子演算法（VQA）可能是在嘈雜的中級量子（NISQ）計算機上獲得量子優勢的途徑。一個自然的問題是 NISQ 裝置上的噪聲是否對 VQA 效能造成了根本性的限制。
洛斯阿拉莫斯國家實驗室的研究人員，證明了噪聲 VQA 的嚴重限制，因為噪聲會導致訓練環境出現貧瘠的高原（即梯度消失）。具體來說，對於考慮的區域性泡利噪聲，研究人員證明如果 ansatz 的深度隨 n 線性增長，則梯度隨量子位元數 n 呈指數消失。
這些噪聲引起的貧瘠高原（NIBP）在概念上不同於無噪聲貧瘠高原，後者與隨機引數初始化有關。該研究的結果是為通用 ansatz 制定的，其中包括作為特殊情況的 Quantum Alternating Operator Ansatz 和 Unitary Coupled Cluster Ansatz 等。對於前者，該團隊的數值啟發式方法展示了真實硬體噪聲模型的 NIBP 現象。
該研究以「Noise-induced barren plateaus in variational quantum algorithms」為題，於 2021 年 11 月 29 日釋出在《Nature Communications》。
論文連結：https://www.nature.com/articles/s41467-021-27045-6
具有廣泛適用性的人工智慧增強型量子化學方法
高階量子力學（QM）計算對於在原子水平上準確解釋自然現象是必不可少的。然而，它們驚人的計算成本帶來了很大的限制，幸運的是，可以透過利用人工智慧（AI）的進步在很大程度上消除這些限制。
這裡廈門大學的研究人員介紹了一種通用的、高度可轉移的人工智慧-量子力學方法——AIQM1。它接近金標準耦合簇 QM 方法的準確性，並且具有近似低階半經驗 QM 方法的高計算速度，用於基態中性、閉殼物質。AIQM1 可以為各種有機化合物以及幾何形狀提供準確的基態能量，即使是具有挑戰性的系統，例如接近實驗的大型共軛化合物（富勒烯 C60）。
正如透過確定聚炔分子的幾何形狀所證明的那樣，這為以以前無法達到的速度和準確性研究化合物提供了機會——這對實驗和理論來說都是困難的任務。值得注意的是，該方法對離子和激發態特性的準確性也很好，儘管 AIQM1 的神經網路部分從未適合這些特性。
該研究以「Artificial intelligence-enhanced quantum chemical method with broad applicability」為題，於 2021 年 12 月 2 日釋出在《Nature Communications》。
論文連結：https://www.nature.com/articles/s41467-021-27340-2
用於無受控時間演化的全配置互動計算的量子演算法
量子相位估計算法允許我們在量子計算機上執行全配置互動（full-CI）計算，其中多項式成本與所研究的系統大小有關，但它需要對以輔助量子位為條件的波函式時間演化進行量子模擬，這使得演算法在真實量子裝置上的實現變得困難。
在這裡，大阪市立大學的研究人員討論了貝葉斯相位差估計算法在全 CI 計算中的應用，該演算法不受受控時間演化操作的影響。
該研究以「Quantum Algorithm for Full Configuration Interaction Calculations without Controlled Time Evolutions」為題，於 2021 年 11 月 8 日釋出在《The Journal of Physical Chemistry Letters》。
論文連結：https://pubs.acs.org/doi/10.1021/acs.jpclett.1c03214
相關報道：https://www.eurekalert.org/news-releases/936260
學習時間量子斷層掃描
在不久的將來，利用新型量子力學行為的技術可能會變得司空見慣。這些可能包括使用量子資訊作為輸入和輸出資料的裝置，由於固有的不確定性，這些裝置需要仔細驗證。當輸出取決於過去的輸入時，如果裝置是時間相關的，則驗證更具挑戰性。
使用機器學習的研究人員首次透過結合這些系統中存在的某種記憶效應，顯著提高了時間相關量子裝置的驗證效率。量子計算機成為科學媒體的頭條新聞，但大多數專家認為這些機器仍處於起步階段。然而，量子網際網路可能更接近現在。與當前的網際網路相比，這將提供顯著的安全優勢……
但即便如此，這也將依賴於實驗室外尚未見曙光的技術。雖然可以建立量子網際網路的裝置的許多基礎知識可能已經制定出來，但要實現這些作為產品，還有許多工程挑戰。但是，正在進行大量研究以建立用於設計量子裝置的工具。
量化和驗證準備量子態的控制水平是構建量子裝置的核心挑戰。量子態的特徵在於實驗測量，使用稱為斷層掃描的程式，這需要大量資源。然而，與標準斷層掃描根本不同的具有時間處理的量子裝置的斷層掃描尚未制定。
針對這種有趣的情況，東京大學的研究人員使用迴圈機器學習框架，開發了一種實用且近似的斷層掃描方法。該方法基於稱為量子庫的系統與量子態流之間的重複量子相互作用。來自水庫的測量資料連線到線性讀數，以訓練應用於輸入流的量子通道之間的迴圈關係。
這項研究中，研究人員展示了用於代表性量子學習任務的演算法，然後提出了量子儲存容量來評估近期量子裝置的時間處理能力。
該研究以「Learning Temporal Quantum Tomography」為題，於 2021 年 12 月 22 日釋出在《PHYSICAL REVIEW LETTERS》。
論文連結：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.260401
相關報道：https://phys.org/news/2021-12-algorithm-efficient-accurate-verification-quantum.html
