新聞 
量子計算機太貴,科學家用普通電腦訓練出替身
量子計算機太貴,科學家用普通電腦訓練出替身量子計算機太貴,科學家用普通電腦訓練出替身
最近，來自河南省量子信息與量子密碼重點實驗室的黃合良團隊和合作者想到了壹個方法：使用量子計算機先跑壹點數據，接著訓練壹個經典模型當它的替身，將大部分計算任務搬到普通電腦上，最終這個替身在 42 個比特的任務上，將量子計算機的調用次數降低了叁個數量級。
量子計算的基本單元叫做量子比特，普通電腦的比特只能夠存 0 或 1，量子比特則可以同時是 0 和 1 的疊加。這就意味著當幾個量子比特糾纏在壹起，算力會呈現指數級的增長。但是量子比特非常脆弱，哪怕是環境裡的微小擾動也能讓它們失去量子態。
因此，量子計算機要放在接近絕對零度的“大冰箱”裡運行，然而壹套制冷系統也造價不菲。按照當前超導量子計算的主流路線，全世界能接觸真實量子處理器的人非常有限，即使勉強能跑起來也有壹個更麻煩的問題，那就是量子計算機的重復頻率太低。每次運行完畢壹組指令，系統就需要重新初始化、再運行。整套流程下來非常耗時，類似於變分量子算法這類需要反復迭代更新的任務，由於每次迭代都要測量很多次，因此效率會非常低。
為了攻克這個問題，該研究團隊設計了兩套代理模型：壹套叫做 h_cs，專門處理那些參數之間相互獨立的量子電路；另壹套叫做 h_qs，專門處理參數之間有相關性。
其實這兩個模型的思路是壹樣的，就先用少量量子實驗數據做訓練，隨後讓經典模型學會預測量子計算機的輸出。訓練完成之後，多數任務可以在普通電腦上完成，無需反復地調用量子計算機。為了驗證方案的可行性，他們最多使用了 42 個超導比特進行了測試，讓代理模型做了兩個任務。壹個任務是預訓練變分量子求解器找基態能量，另壹個任務是識別 Floquet 對稱保護拓撲相（壹種非平衡物質態）。
在第壹個任務裡，針對的變分量子求解器是壹種非常常用的量子算法，但是它需要反復的迭代，每壹次迭代都要使用量子計算機做大量測量。他們先用量子計算機跑了壹些數據，以此訓練代理模型。隨後，使用這個經典替身去預訓練求解器，借此找到近似最優的參數。
測試的結果顯示，代理模型僅用了傳統方法 0.023%的測量次數，就找到了那些接近基態能量的參數。而傳統方法跑了 100 步優化之後誤差在 0.21 左右，代理模型預訓練之後誤差更是直接降到了 0.09，再在量子計算機上微調壹下竟然降到了 0.07。這就相當於少花了將近 99.98%的量子測量次數，但卻得到了更好的結果。與此同時，這個代理模型在 8 到 42 個比特的規模上都保持穩定的表現，證明它的效果不隨比特數增加而明顯下降。
在第贰個任務裡，他們識別了 Floquet 對稱保護拓撲相，這也是 2017 年諾貝爾物理學獎得主鄧肯·霍爾丹的研究方向之壹，屬於量子多體物理的前沿課題之壹。他們用壹個 20 比特的壹維鏈模擬了周期驅動的量子系統。在改變驅動參數之後，讓系統可以處在不同的相，既有拓撲相、也有熱化相。而識別這兩種相需要測量很多不同參數下的物理量，所以在量子計算機上直接做非常耗時。
為此，他們讓訓練的代理模型分別預測不同參數下的磁化強度，接著用來判斷相變點。最終，代理模型成功捕捉到了拓撲相的特征，邊緣比特的磁化強度穩定地以半個驅動頻率進行振蕩，而體比特的磁化強度則快速衰減到零。另外，熱化相裡邊緣和體比特的磁化強度都出現快速衰減。研究中，他們還在整個參數空間裡掃出了相變點的大致位置，結果發現跟理論預測基本壹致。
據了解，該工作源於團隊長期積累。2021 年，黃合良作為當時中國超算應用團隊的成員，憑借“超大規模量子隨機電路實時模擬”斬獲戈登貝爾獎（被譽為‘“超算領域的諾貝爾獎”）。在此基礎上，團隊後續與合作者拓展至代理模型研究，相關論文發在Nature Communications。
當前研究主要沿兩個維度展開：在理論層面，深挖代理模型的內在機理，並構建更具普適性的高效理論框架；在實驗層面，則聚焦於向更大規模系統的拓展。鑒於現有量子計算平台已實現百比特量級，且代理模型已在 42 比特體系上證實了可擴展性，將其推廣至更大規模系統已成為後續研究的必然趨勢。
但需要說明的是，量子計算距離大規模應用還有壹定距離，但是代理模型提供了壹個思路，那就是使用量子計算機產出的數據來訓練經典模型，反過來去輔助量子計算，借此讓有限的量子資源用在最需要它的地方。也就是說，給普通電腦加壹個訓練好的模型，就可以提前壹步知道量子計算機大概會給出什麼結果。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 |
推薦: