预测性替代模型可将量子计算测量开销削减超过99.97%

量子计算机是一种借助量子力学效应来处理信息的系统，在某些任务上有可能超越经典计算机。尽管潜力巨大，但由于成本高昂，加上其他挑战至今阻碍了其大规模制造，这些系统的实际应用仍然非常有限。

河南量子信息与密码学重点实验室和南洋理工大学的研究人员开发了预测性代理模型，这是一种能够学习并复现量子处理器输出的新型计算模型。

这些模型在发表于《自然通讯》的一篇论文中介绍，可用于从量子计算机中获取有用信息，并在可验证的保障下更高效地执行计算，即使使用者无法直接使用先进且昂贵的量子计算硬件。

“近年来量子处理器进步迅速，这增强了它们能帮助解决基础科学、化学、材料科学等领域重要问题的可能性，”论文资深作者黄合良告诉Phys.org。“然而，两大障碍仍然阻碍着它们的实际应用。第一是获取渠道。第二是速度。”

现有量子计算机的一个关键限制是，制造它们并确保其长期可靠运行极其昂贵。因此，全球仅有少数几台这样的计算机。因此，很少有研究人员能直接在量子处理器上测试他们开发的量子算法。

除了稀缺且昂贵之外，大多数现有量子处理器处理数据的速度仍然很慢。这部分是因为可靠运行量子模拟算法和其他量子算法需要采集大量重复测量结果，以及进行精确的电路评估。

“一个不太起眼但同样关键的问题是，量子处理器本身的运行速度并不特别快，”黄教授表示。“以超导系统为例，整个量子电路的重复频率往往只有千赫兹级别。当一项任务需要数百万次重复时，这很快就会成为实际应用中的一大瓶颈。”

再现量子处理器行为的新型经典学习模型

黄教授和他的同事们希望解决量子计算机一些众所周知的局限性。为此，他们尝试开发经典的机器学习模型，以学习特定量子处理器的典型行为，从而能精准预测该处理器的输出结果。

“我们开发了一个名为预测代理模型的新框架，”黄教授解释道。“该框架的一个关键特点是它具备严谨的理论保障。一旦在从量子处理器收集的相对少量数据上进行训练，预测代理模型就能完全依靠经典计算预测许多未来计算的结果。”

“通过这种方式，它们通过省去反复的硬件调用和测量开销，提供了一条实现量子实用性的实际途径，同时让更广泛的人群也能用上先进的量子处理器。”

预测代理模型，即该研究团队开发的算法，基本上可以看作是量子处理器的“数字分身”。通过分析从量子处理器收集的小型数据集，这些算法学习处理器接收的经典输入与对应测量结果或输出之间的关联。

“一旦训练完成，代理模型就能完全依靠经典计算预测许多新量子计算的结果，”黄教授说。“主要优势在于效率。在量子处理器上跑实用级应用，往往得耗费大量实验时间和测量资源。预测代理模型可以通过用快速的经典预测来取代成本高昂的硬件评估，大大减轻这一负担。”

预测代理模型的另一个优势在于，它们并非黑箱机器学习模型。这实际上说明，它们的预测过程并非不可知，因为研究团队严格界定了导致预测误差的因素，例如经典输入的维度或系统中的噪声。

重要的是，预测代理模型的性能对量子系统的规模不敏感，这表明它们有潜力处理包含数千量子比特的大规模量子处理器。

预测代理模型的初步评估

为了评估其提出算法的潜力，黄及其同事使用从一台最多支持42个可编程量子比特的真实超导量子处理器收集的数据对模型进行了训练。这是一种利用超导体（即在特定临界温度下电阻为零的材料）制造的量子计算芯片。

“然后我们将它们应用于两个代表性任务：加速变分量子本征求解器的优化，以及识别物质的非平衡量子相，”黄解释说。“在这两种情况下，代理模型都实现了高预测精度，同时将测量开销减少了99.97%以上。”

值得注意的是，研究人员还验证了有效训练预测代理模型所需的量子数据量并不会随着处理器规模的增大而急剧增加。这很让人振奋，因为它表明这些算法能够准确预测较小规模和大规模处理器的结果。

“传统上，每次新的计算都必须直接在量子硬件上完整执行，”黄说。“我们的结果表明，对于许多实际重要的任务，而是可以学习处理器的预测模型，然后在未来的计算中反复使用这个模型。”

黄及其同事进行的初步测试表明，预测性替代模型可以将执行量子计算的成本降低几个数量级。在某些任务上，这些算法还胜过以前那些需要更频繁直接操作量子硬件的方法。

“更广泛地说，我们相信这项工作为让更多人用上先进量子硬件开辟了道路，”黄表示。“随着量子处理器越做越大，预测性替代模型可以让更多研究人员、工程师和科学家受益于强大的量子设备，而无需持续直接访问它们。”

未来可能性与下一步研究

这项研究很快就能让更多研究人员在解决物理、化学、材料科学及其他学科中的各种问题时，利用量子计算机的计算能力。此外，该团队的算法还可用于模拟不同规模的量子系统，或为复杂问题寻找最优解。

“预测性替代模型可以帮助研究人员减少昂贵的硬件评估和重复测量，同时让更多人用上先进量子设备的强大功能，”黄表示。

“我们觉得这算是AI助力量子科学这个大方向的第一步，并计划从理论和实验两个角度继续推进这一方向。”

黄及其同事计划继续改进和评估他们的算法。此外，部分团队成员将开展理论研究，想搞清楚预测性替代模型到底是怎么起作用的。

“首先，我们想从学习理论的角度更深入地搞懂预测性替代模型，搞清楚为啥它们能做到经典模拟费劲才能搞定的事，以及它们的表现跟量子资源理论里的那些概念有啥关联，”论文合著者杜宇轩补充道。

“第二，我们想把这套框架从标准的量子比特计算扩展到其他重要平台上，比如连续变量系统和费米子系统。第三，我们想让这些替代模型更给力、用处更广，能撑起更多实用的大规模量子任务，同时还不丢理论上的硬保障。”

从实验的角度说，研究人员想试试看能不能用类似的计算技术去搞容错量子计算机和大型量子网络。他们的长远目标是让量子计算更好上手、能扩展，并且在解决各种科学问题上更管用。