使用可编程3050光子高斯玻色子采样的稳健量子计算优势

Robust quantum computational advantage with programmable

3050-photon Gaussian boson sampling

使用可编程3050光子高斯玻色子采样的稳健量子计算优势

https://arxiv.org/pdf/2508.09092v1

创建大规模、高保真度的量子计算机不仅是一项基础科学研究，还为量子计算优势（QCA）提供了越来越有力的证明，尤其是在不可避免的噪声存在以及与经典算法改进的动态竞争中。为了克服基于光子的QCA实验中最大的挑战——光子损耗，我们报告了新的高斯玻色采样（GBS）实验，将1024个高效率压缩态注入到一个混合空间-时间编码的、8176模式的可编程光量子处理器“九章4.0”中，该处理器最多可产生3050个光子探测事件。我们的实验结果超越了所有经典欺骗算法，特别是最近提出的利用光子损耗来降低GBS经典模拟复杂度的矩阵乘积态（MPS）方法。使用最先进的MPS算法在最强大的超级计算机“埃尔卡皮坦”上，构建所需的张量网络进行模拟将需要超过10⁴²年，而我们的九章4.0量子计算机仅需25.6微秒就能产生一个样本。这项工作开辟了QCA的新前沿，并为容错光量子计算硬件铺平了道路。

量子计算最有趣的一点是它有潜力在解决特定问题时相比经典计算机实现指数级加速。近期在控制高保真度、大规模量子系统方面的实验进展[1–9]为量子计算优势（QCA）[10, 11]提供了越来越多的证据。这些QCA实验反过来又引发了量子硬件与经典模拟算法[12–23]之间的激烈竞争。例如，开创性的随机电路采样实验[1]在GPU上被高效模拟，仅需要原始计算时间的2.9%和“悬铃木”处理器功耗的6.7%[13, 16]。这种量子-经典竞争不断重新定义QCA的边界，并推动更高保真度、更大规模量子计算机的发展——这是一项基础性的努力。

高斯玻色采样（GBS）[24, 25] 是一个强大的框架，用于利用线性光学展示量子计算优势（QCA），并且在许多实际领域[26–35]中有应用，也是通用量子计算的一个构建模块[36, 37]。之前的GBS实验检测到了76、113、219和255个光子事件[2, 4–6]，其结果通过当时的经典欺骗算法[17–22]进行了验证。然而，所有光学量子计算实验的一个主要挑战是光子损耗。例如，以前的GBS实验在空间编码[4]中实现了0.54的总效率，在时间-分箱编码[5]中实现了0.32的总效率。

长期以来，人们一直假设光子损耗可能会降低GBS的计算复杂度[38]。但直到最近，基于矩阵乘积态（MPS）的算法[23]才定量评估了光子损耗对GBS的影响。该算法将损耗性GBS的输出协方差矩阵分解为一个量子组分（由有效压缩光子数定义）和一个计算上可处理的经典组分。因此，光子损耗会减少有效压缩光子数，从而降低GBS的计算复杂度。

我们报告了一种新的光量子处理器“九章4.0”，它实现了可编程的玻色采样，最多有1024个输入压缩态和8176个输出量子模式。该装置的示意图如图1a所示。它由三个主要部分组成：压缩光光源、可编程空间-时间混合编码电路以及单光子探测和符合系统。

单模压缩态（SMSSs）是由四个光学参量振荡器（OPOs）产生的，这些振荡器由中心波长为775.7纳米、持续时间为1.6纳秒的激光脉冲泵浦（图S1-S4）。为了滤除非简并光谱模式，我们使用了三个级联的不平衡马赫-曾德尔干涉仪，其特点是接近单位的传输效率（99.8%）和>40分贝的消光比（图S5）。凭借这样的设计，我们的压缩光光源的系统效率达到了92%，显著高于[5]中报告的70%。

通过改变泵浦强度，生成了从0.9到1.8的不同压缩参数，以进行实验。实验校准的光子不可区分性显示出理论上预期的与压缩参数r的函数关系（图S6-S8），在r=1.8时达到98.4%。将真实情况建模为损耗性和部分可区分的GBS，使得实验观测与理论模型之间能够更好地吻合（见补充材料文本）。

然后，将SMSSs送入空间-时间混合编码电路，该电路旨在同时实现高连通性、可扩展性和可编程性。该电路由三个级联的全连接16模式干涉仪组成，这些干涉仪通过两个延迟环阵列相互连接。第一个较短的延迟环阵列范围为[t, t+τ, ..., t+15τ]，第二个较长的阵列范围为[t, t+16τ, ..., t+15×16τ]。我们将时间间隔τ设置为50纳秒，以匹配单光子探测通道的恢复时间。

图1b追踪了电路内光子数的演化。我们的级联架构利用了空间和时间干涉，因此，编码在一个自由度中的信息可以在光子传播过程中通过另一个自由度进行转换。第一步：经过U1后，光子在所有16个空间模式上被去局域化。第二步：随后的延迟环阵列L1导致光子占据最近的16个时间分箱。第二个干涉仪U2然后将光子重新分布在所有16×16个空间-时间模式上。第三步：第二个延迟环阵列L2通过每16个时间分箱延迟光子，开辟了一个新的时间维度，最后，第三个干涉仪U3再次混合所有16×16×16个空间-时间模式。

我们的电路的连通性呈立方增长，而物理资源（即干涉仪大小、压缩光光源、延迟线和探测器）仅呈线性增长。这种有利的扩展规律使得我们能够进行前所未有的超大规模高斯玻色采样实验，涉及数千个高度连通的输入和输出量子模式。

我们的系统具有高度可编程性。输入SMSS脉冲的序列由声光开关控制。通过热控制、压电陶瓷电子设备和高速声光调制，我们实现了所有三个干涉仪的可重构性以及电路所有相位参数的近似通用可编程性（更多细节见图S10）。我们在实验前设置了这些可编程参数的值，并在数据采集期间固定参数状态。

输出光子由16个超导纳米线单光子探测器记录，平均探测效率为93%，恢复时间为43纳秒。包括探测在内的整个系统效率被测量为51%。从生成SMSSs到干涉仪的GBS装置的相位被稳定在1550纳米处的约λ/200（图S16）。

为了表征我们的量子处理器的性能，在不同的电路深度和输入规模下收集了多组数据（图S17）：S64组有64个输入SMSSs和4336个输出量子模式；M256组有256个输入SMSSs和5104个输出量子模式；L1024组有1024个输入SMSSs和8176个输出量子模式。这三组仅在输入规模上有所不同，而共享相同的电路。

图2a绘制了L1024组的光子数分布，我们在最大实验中观察到了多达3050个光子的符合事件，这显著超过了以前的所有结果，超过了一个数量级以上。

首先，我们将实验光子数分布与真实情况的理论预测以及模拟模型进行比较，这传达了整体的全局信息。如图2b所示，实验分布与真实情况重合得很好，而与所有经典模拟模型强烈偏离。

然后，我们继续进行贝叶斯检验，这是一种强大的统计工具，可以根据生成实验样本的可能性来区分对手假设的理论模型与真实情况。贝叶斯检验分数∆H定义为在一组n光子点击样本上，真实模型H0和经典对手模型H1之间的差异[6]。贝叶斯检验分数∆H>0意味着实验样本更有可能来自真实GBS，而不是模拟模型，更高的分数表示更高的置信度。

我们测试了在光子损耗下可以最大程度近似实验量子光源的经典模拟态：压缩态[5, 6]。我们从较少输出玻色模式的子系统开始，并逐渐增加子系统的大小[4]。图2c中的结果显示，不仅所有贝叶斯分数都高于零，这表明实验样本更有可能来自真实分布，而且随着子系统大小的增加，还呈现出明显的上升趋势，因为测试中包含了整个系统的更多信息。从这样的观察中，我们可以明确推断，即使不能直接评估，对于整个系统也预期会有更高的贝叶斯置信度。

图2d显示了我们的实验样本与文献[18]中提出的所谓贪婪采样器的模拟样本之间的三阶相关性比较，该采样器旨在通过再现低阶边缘来欺骗GBS样本。模拟未能捕捉到更高阶的相关性，因此被排除在外。同样，图2e排除了独立对和单光子（IPS）采样器[20]，该采样器旨在模拟有限量子干涉的实验。

文献[21]中提出的树宽采样器利用GBS电路的局部连通性来执行近似模拟，其计算复杂度随着所选树宽参数指数增长。对于最大的实验，我们将树宽设置为801（一个超出实际实现范围的值），以检查其在相关函数方面的近似性能。图2f显示了与真实情况的显著偏差，这表明该算法无法模拟我们的实验。

针对理想的真实分布。通过将MPS算法的目标固定为理想的真实分布，我们评估了随着实验规模增加，MPS模拟的截断误差和输出统计误差。我们表明，对于我们最大规模的实验，计算资源显著超过了超级计算机的能力，远在MPS误差可以降低到实验水平之前。

针对具有可追踪的修改分布接近真实分布。作为替代调查，我们针对MPS算法，以较少的有效光子数近似真实分布，保持截断误差足够低，运行时间合理。我们发现采样器的输出统计数据与理想分布严重偏离，并且未能通过标准验证测试。

针对理想的真实分布。通过将MPS算法的目标固定为理想的真实分布，我们评估了随着实验规模增加，MPS模拟器的截断误差和输出统计误差。我们表明，对于我们最大规模的实验，计算资源显著超过了超级计算机的能力，远在MPS误差可以降低到实验水平之前。

针对具有可处理的的修改分布来近似真实分布。作为另一种调查，我们针对MPS算法，以较少的有效光子数来近似真实分布，保持截断误差足够低且运行时间可控。我们发现采样器的输出统计数据与理想分布严重偏离，并且未能通过标准验证测试。

我们首先详细说明我们的第一个方法，通过研究在不同实验规模下截断误差的增长，以及MPS模拟器的统计数据如何恶化。一个有用的参考是压缩态模型，通过用真空替换量子部分获得，这代表了最接近我们真实分布的经典状态模拟器，即MPS必须改进的基线。

原文链接：https://arxiv.org/pdf/2508.09092v1