使用105量子比特的“祖冲之3.0”处理器建立量子计算优势的新基准

使用105量子比特的“祖冲之3.0”处理器建立量子计算优势的新基准

Establishing a New Benchmark in Quantum Computational Advantage with 105-qubit Zuchongzhi 3.0 Processor

https://physics.aps.org/featured-article-pdf/10.1103/PhysRevLett.134.090601

在对量子计算优势的不懈追求中，我们通过开发“祖冲之3.0”取得了重大进展。这台超导量子计算机原型由105个量子比特组成，实现了高操作保真度，单量子比特门、双量子比特门和读出保真度分别达到99.90%、99.62%和99.13%。我们在“祖冲之3.0”上进行的83量子比特、32周期随机电路采样实验突显了其卓越的性能，仅用几百秒就实现了100万个样本。这项任务在最强大的经典超级计算机Frontier上被认为是不可行的，后者需要大约5.9 × 10^9年才能复制该任务。这种处理能力的飞跃使得经典模拟成本比谷歌的SYC-67和SYC-70实验高出6个数量级[Morvan等人，Nature 634, 328 (2024)]，牢固地确立了量子计算优势的新基准。我们的工作不仅推进了量子计算的前沿，而且为量子处理器在解决复杂现实世界挑战中发挥重要作用的新时代奠定了基础。

引言——

量子计算优势的追求一直是量子计算领域的中心驱动力。这个术语捕捉了量子计算机能够执行即使是最先进的经典计算机也无法企及的计算的关键时刻[1–9]。2019年，谷歌团队开发了一个名为Sycamore的53量子比特超导量子处理器[2]来实现随机电路采样（RCS）[10–12]，他们声称这将需要最好的经典超级计算机10000年。使用一种称为高斯玻色采样[13,14]的不同方法，在2020年，光子被用来展示量子计算优势，最初使用了76个光子[6]，后来增加到255个光子[7–9]。然而，由于经典算法的快速发展[15–17]，文献[2]中的RCS任务现在已经能够在GPU上以初始时间成本的2.9%和Sycamore所需功耗的6.7%高效完成[16,17]。这一事实表明，量子计算优势并不是在一次性实验中确立的，而是在更快的经典模拟和改进的量子设备之间的持续竞争中逐步建立的。持续的努力[3–5]致力于开发更大尺寸和更高保真度的超导量子处理器（见表I），推动量子技术可实现的边界。迄今为止，文献中报道的最大规模的RCS是67个量子比特在32周期（SYC-67）和70个量子比特在24周期（SYC-70）[5]。

在本文中，我们旨在挑战这一记录，并在量子计算优势中建立一个新的基准。我们开发了“祖冲之3.0”，一个更强大的超导量子计算机原型，配备了105个量子比特和异常高保真的操控能力。单量子比特门、双量子比特门和读出保真度分别为99.90%、99.62%和99.13%。利用这个原型，我们的实验利用了一个显著更大的量子电路，83个量子比特在32周期，从而推动了当前量子硬件能力的极限。在我们的“祖冲之3.0”上，获取100万个样本的任务仅在几百秒内完成。这与今天最强大的超级计算机Frontier复制这一采样任务所需的估计5.9 × 10^9年形成了鲜明对比。与谷歌的最新实验SYC-67和SYC-70[5]相比，我们83个量子比特、32周期实验的经典模拟成本高出了6个数量级。通过这一成就，我们确立了量子计算优势的新基准，这对于充分发挥量子计算的潜力至关重要。除此之外，我们的工作为研究量子比特数量和电路复杂性的增加如何提高解决现实世界问题的效率开辟了途径。“祖冲之3.0”量子处理器——“祖冲之3.0”量子处理器从其前身“祖冲之2.0”显著升级，量子比特的数量和质量都有显著增加。它现在拥有105个传输子量子比特，排列在15行7列中，形成一个如图1所示的二维矩形晶格。我们进行了最多83个量子比特的实验，这些量子比特是从处理器中选择的。

“祖冲之3.0”量子处理器最显著的进步之一是相干时间的增强。这一改进是通过几个关键策略实现的。首先，我们优化了量子比特的电路参数，包括电容和约瑟夫森电感，以减少对电荷和磁通噪声的敏感性。其次，我们通过修改量子比特电容器垫的形状来优化电场分布，这最小化了表面介电损耗。第三，线路中的衰减器配置得到了升级，以减轻室温电子设备的噪声，显著提高了退相干时间。最后，我们更新了芯片制造过程，通过光刻定义了顶部蓝宝石基板上的钽基组件和底部蓝宝石基板上的铝基组件，然后使用铟凸点倒装技术将它们粘合在一起。这种方法减少了界面污染并增强了量子比特的弛豫时间。结果，我们将弛豫时间（T1）提高到72微秒，退相干时间（T2；CPMG）提高到58微秒，其中CPMG代表Carr-Purcell-Meiboom-Gill序列。

单量子比特门和类似ISwap门的校准过程与“祖冲之2.0”中采用的类似。由于相干时间的进步，当所有门同时应用时，单量子比特门（e1）和类似ISwap门（e2）的平均Pauli误差分别降低到0.10%和0.38%[如图2(a)和2(b)所示]。

读出性能是“祖冲之3.0”的另一个重要进步。为了实现快速且高保真的读出，我们将量子比特和读出谐振器之间的耦合强度增加到大约130 MHz，并将读出谐振器的线宽调到大约10 MHz。然而，增加的耦合强度和线宽导致弛豫时间减少。为了解决这个问题，我们优化了用于色散量子比特测量的带通滤波器设计，保护量子比特免受Purcell效应的影响。此外，我们采用行波参数放大器来放大读出信号，从而实现卓越的读出性能。

此外，在每次采样任务之前，我们进行三轮测量，并应用相应的单量子比特门将量子比特重置为状态|0⟩。这种方法减少了热噪声对状态制备的影响，并缩短了每次采样的持续时间。经过这些优化后，83个量子比特的平均读出误差被抑制到0.87%[如图2(c)所示]。

大规模随机电路采样——在初始校准之后，我们继续进行随机量子电路采样，以评估量子处理器的整体性能。随机量子电路是根据文献[27]中概述的方法设计的，以扩大量子计算和经典模拟之间的性能差距。值得注意的是，每层双量子比特门中的类似ISwap门按照特定模式A、B、C和D应用，如图3(a)所示，并在每个周期中以ABCD-CDAB的顺序执行。每个周期中的单量子比特门是从集合{√X, √Y, √W}中随机选择的。

验证完整随机量子电路的保真度是具有挑战性的，因为无法在经典上模拟其理想输出。为了解决这个问题，我们利用补丁电路来验证大规模随机量子电路。这些补丁电路是通过选择性地移除补丁之间的部分双量子比特门来制作的。整个电路可以被分成两个独立的部分，称为两个补丁，或者分成四个部分，称为四个补丁。划分越多，模拟越可行；然而，由于执行的双量子比特门数量减少，预期的保真度略有增加。我们实现了两个补丁、四个补丁和完整版本的电路，从12个周期到32个周期，每个周期有31个量子比特，并计算了相应输出比特串的线性XEB保真度FXEB。实验结果，如图3(b)所示（两个补丁的结果在补充材料[18]的图S7中显示），揭示了四个补丁电路与完整电路保真度的平均保真度比为1.05。这种高度的对应性表明验证电路在确保量子计算保真度方面的有效性。

这样出色的量子处理器使我们能够以前所未有的规模运行随机电路采样。如图3(c)所示，我们已经实现了83个量子比特电路的12-32周期的随机电路采样。对于具有83个量子比特和32周期的最大完整电路，我们总共收集了大约个比特串。为了评估其保真度，我们还从四补丁电路中收集了相应的比特串，这些电路表现出0.030%的实验保真度，而估计保真度为0.033%。这种高度的一致性表明，即使在大规模的量子比特和高电路深度下，使用离散误差模型来估计保真度仍然非常可靠。因此，我们可以估计具有83个量子比特和32周期的完整电路的保真度为0.023%。

计算成本估算——模拟随机量子电路的当前最先进的经典算法是张量网络算法[16,17,28–35]。我们采用这种方法来评估我们最困难电路的经典计算成本，该电路具有83个量子比特和32周期。考虑到内存限制，我们使用一种先进的方法[16,17]检查了以下两种情况。

第一种情况涉及将内存限制在9.2拍字节（PB），这是当前最强大的超级计算机Frontier的内存大小。估计使用经典计算机从83个量子比特、32周期的随机电路生成一百万不相关的比特串所需的浮点运算次数为。相比之下，谷歌的最新量子计算优势实验[5]，SYC-67，估计经典模拟复杂度为，以复制相同数量的比特串，其保真度与其实验相匹配。因此，模拟我们最具挑战性的随机量子电路的经典成本比SYC-67高出6个数量级。随机电路采样的进展在图4中系统总结。对于我们的估计，我们利用了Frontier超级计算机的规格，它拥有1.685 × 单精度浮点运算每秒（FLOPS）的理论峰值性能。我们假设20%的FLOP效率，并考虑到模拟的低目标保真度在计算成本中。每个单精度复数FLOP需要八个机器FLOP。在这些条件下，使用当前最强大的超级计算机Frontier对最具挑战性的随机量子电路进行经典模拟的预计时间为年。

张量网络算法的复杂度受内存限制影响，我们进一步设想了近乎无限内存的情景作为采样成本的估算下界——尽管该情景本身已不现实。将内存上限设为超过762.2 PB（含Frontier的内存与总存储），我们估算生成一百万条同等保真度无关联比特串所需的浮点运算次数仍高达6.9×10³¹。相应地，经典模拟时间预估为惊人的5.2×10⁷年，凸显了我们的量子优势之稳健。

结论：“祖冲之3.0”是一款先进的超导量子计算机原型，拥有105个量子比特和卓越的操作保真度，不仅在量子比特数量上更进一步，也提升了量子操控精度。这一双重进步是扩展量子计算能力的关键。基于这一稳健平台，我们成功实现了比谷歌此前成果更大规模的随机电路采样，进一步拉大了经典与量子计算的能力差距。本工作通过提供实证证据推进了量子计算讨论，彰显了该技术变革计算任务的潜力，既是量子硬件进展的见证，也为优化、机器学习和药物发现等实际应用奠定了基础。

原文链接：https://physics.aps.org/featured-article-pdf/10.1103/PhysRevLett.134.090601