劍橋量子科學家所做的研究工作使量子計算機更接近於成為解決現實世界問題的實用裝置。
Cambridge Quantum繼續推動將量子計算機引入主流用途的研究，這次發表了兩項研究，旨在使當前階段的量子計算機能夠解決難題和複雜的計算。
在 LinkedIn 上的一份宣告中，該公司報告稱這些論文是在預印本伺服器 arXiv 上發表的。一項研究是關於量子蒙特卡羅積分 (QMCI)，另一項是關於量子幅度估計 (QAE)。
據該公司稱，這項研究代表了實現實用量子計算的重要步驟。
研究人員表示，QAE 研究表明，量子演算法在存在噪聲的情況下仍然可以很好地工作，這是噪聲中級量子（或 NISQ）時代的一個重要問題。
他們寫道：“CQ 表明，當所討論的演算法是取樣估計算法時，答案是肯定的‘是’——事實上，在經典訊號處理中，他們已經這樣做了幾十年。我們透過使用 QAE 中使用的量子電路的結構來推匯出定製的噪聲模型，然後在 NISQ 裝置上執行時將其用於擴充套件 QAE 的範圍，從而證明 QAE 是這種方法的理想候選者。”
該團隊包括高階研究科學家史蒂文·赫伯特（Steven Herbert）；研究軟體開發人員 Roland Guichard 和 Cambridge Quantum 的 Darren Ng。
為了確認該方法的有效性，研究人員在IBM和霍尼韋爾的量子計算機上進行了實驗。
這項工作填補了兩個重大空白，這兩篇論文代表了將 QMCI 應用於現實世界問題的重要一步。
“我們進一步展示了我們提出的噪聲模型如何用於為 QAE 的設計提供資訊，並改進 QAE 中的引數估計——產生了關於如何實現噪聲感知 QAE 的第一個建議，”該團隊總結道。
第二篇論文對 QAE 研究進行了補充，介紹了 Q 邊際並演示了從經典對應物構建量子取樣電路。Q-marginals 是量子狀態編碼一些機率分佈，可以在量子蒙特卡羅積分 (QMCI) 中使用，這是一種透過平均樣本數值估計機率分佈的平均值的方法，可用於幫助金融研究人員管理風險和製藥公司找到治療疾病的藥物
該研究的作者赫伯特解釋說，這項工作很重要，因為蒙特卡洛積分中的量子優勢表現為相對於樣本數量，編碼機率分佈（在 QMCI 中）的量子態的使用次數減少這在經典 MCI 中是必需的。因此，如果準備這種對機率分佈進行編碼的量子態所需的操作次數與生成經典樣本所需的操作次數相當，它只會轉化為計算優勢。
劍橋量子和霍尼韋爾最近宣佈合併，合併兩家量子研究巨頭。
