超导量子退火处理器：突破经典计算局限，开启量子模拟新时代

为探究量子计算优势，研究人员用超导量子退火（QA）处理器模拟横向场伊辛模型，发现其可快速生成接近薛定谔方程解的样本，具有重要意义。

　　《超导量子退火处理器：突破经典计算局限，开启量子模拟新时代》

在科技飞速发展的当下，量子计算成为了科学界的热门话题。长久以来，量子计算理论就预示着在某些特定任务上，它将比经典算法拥有巨大的速度优势。近年来，各类量子处理单元（QPUs）不断涌现，如光子、中性原子、超导体系等，它们在计算速度上超越了复杂的经典方法。然而，要真正证明量子计算的优越性，尤其是在解决有实际意义的问题上，仍然面临诸多挑战。

目前，多数展示量子计算超越经典计算的尝试都围绕随机数生成展开，像 boson sampling 或 random - circuit sampling 等。虽然经典模拟方法在复制理想量子电路演化时，通常需要随问题规模呈指数增长的时间和内存资源，但在模拟有噪声的量子处理器输出方面却有了显著进展，这使得量子计算的优势受到了一定质疑。此外，在实际感兴趣的问题上，量子计算的优势也尚未得到确凿证实。例如，之前在离散化动力学的 kicked Ising 模型研究中，关于量子计算超越经典计算的说法就很快受到了质疑。因此，寻找更具说服力的量子计算优势证据，成为了科研人员亟待解决的问题。

为了攻克这些难题，来自国外研究机构的研究人员开展了一项极具意义的研究。他们使用超导量子退火（QA）处理器模拟横向场伊辛模型（TFIM）的连续时间量子动力学。这一研究成果发表在《SCIENCE》上，为量子计算领域带来了新的突破。

在研究过程中，研究人员运用了多种关键技术方法。他们采用两种不同设计的 QPUs（Advantage 系统（ADV1）和 Advantage2 系统（ADV2））进行实验。同时，使用了基于张量网络的矩阵乘积态（MPS）、投影纠缠对态（PEPS）以及神经量子态（NQS）等经典模拟技术，与 QPU 的结果进行对比分析。

下面让我们详细了解一下研究结果：

1. 淬火量子自旋玻璃：研究人员考虑了一个随时间变化的哈密顿量，它在驱动哈密顿量HD?和经典伊辛问题哈密顿量HP?之间进行插值。通过控制横向场Γ和伊辛能量尺度J随时间的变化，模拟量子自旋玻璃从顺磁相到自旋玻璃相的淬火过程。在这个过程中，两个相被量子相变（QPT）分隔开，而 QPT 的普遍行为由编程的伊辛模型拓扑决定。
2. 经典模拟技术：研究人员将 QPU 结果与基于张量网络和神经网络的经典算法进行比较。MPS 方法利用纠缠熵的面积定律，通过控制最大 MPS 键维度χ来平衡近似质量和计算成本，在模拟中具有一定优势。然而，PEPS 虽然在编码高维状态时理论上有优势，但由于其精确收缩是一个 #P - complete 问题，在时间演化中容易受到截断误差的影响，且计算成本高昂。NQS 在计算基态方面有一定成果，但在模拟无序系统的时间演化时，难以在短时间尺度和小模型之外产生可接受精度的结果。
3. 二维系统：研究人员以二维自旋玻璃为研究对象，在圆柱形L×L方形晶格上进行研究。通过计算自旋玻璃序参数?q2?和剩余能量Eres?等统计量，将 QPU 结果与基于 MPS 的精确解进行比较。结果发现，QPU 数据与精确解在近三个数量级的ta?范围内都非常吻合。在评估估计样本与精确解的差异时，研究人员主要基于自旋 - 自旋相关性来定义相关误差?c?，同时使用经典保真度F进行辅助验证。研究还发现，MPS 在较小系统规模下能够产生与 QPU 质量相当甚至更好的结果，但 PEPS 和 NQS 在较慢淬火（ta?=20ns）时表现较差。
4. 高维系统：研究人员将研究扩展到更复杂的拓扑结构，如立方、菱形和双团晶格。对于这些高维系统，QPU 的误差在立方和菱形晶格上几乎保持恒定，在双团晶格上虽随系统大小增加，但通过计算χQ?进行了修正。研究发现，所有这些高维拓扑结构中，MPS 达到与 QPU 模拟质量匹配所需的键维度χQ?都与二分面积呈指数关系，这与纠缠熵的面积定律缩放一致。此外，研究人员还通过动态有限尺寸缩放分析验证了量子力学在大尺寸系统中的正确性，发现 QPU 能够捕捉到普遍的量子临界缩放以及非普遍塌缩函数的定量细节。通过对资源需求的外推，研究人员发现 MPS 要准确重现 QPU 测量结果，需要不可行的计算资源，如在最大问题上，MPS 在 Frontier 超级计算机上每个输入需要数百万年的计算时间，且内存和电力需求远超实际可提供的资源。

研究结论和讨论部分表明，QPU 能够准确地从各种随机模型中进行采样，在没有先验精确解知识的情况下，正确预测微观、宏观和缩放统计量。这一成果不仅为量子模拟领域开辟了新的方向，还有望激发新的数值技术。同时，该研究中所涉及的非平衡量子动力学在优化方面相较于经典动力学具有缩放优势，这为量子计算在优化和人工智能领域的应用打开了大门，使得解决一些经典计算无法回答的科学问题和实现经典计算难以达成的应用成为可能。总之，这项研究成果在量子计算领域具有重要的理论和实践意义，为未来的研究和应用奠定了坚实的基础。