利用AI構建實用量子計算應用

在實踐中構建實用量子計算機的難度極高，這需要大幅提高量子計算機的規(guī)模、保真度、速度、可靠性和可編程性，才能充分發(fā)揮其優(yōu)勢。另外，還需要功能強大的工具以解決許多阻礙實現(xiàn)實用量子計算的復雜物理挑戰(zhàn)和工程難題。

AI 正在從根本上深入改變技術格局，重塑各行各業(yè)，并改變我們與數(shù)字世界的互動方式。獲取數(shù)據(jù)和生成智能的能力為解決當今社會面臨的一些極具挑戰(zhàn)性的問題鋪平了道路。從個性化醫(yī)療領域到自動駕駛汽車領域，AI 都處于技術變革的前沿，有望重新定義其未來，解決阻礙實用量子計算應用的諸多棘手問題。

量子計算機將與傳統(tǒng)超級計算機集成，加速解決政府、學界和產(chǎn)業(yè)相關問題中的關鍵部分。NVIDIA 技術博客《量子加速超級計算介紹》中描述了這一關系。量子計算機與超級計算機集成所帶來的優(yōu)勢是互惠的，這種緊密集成也將使 AI 能夠幫助解決阻礙實用量子計算的最大挑戰(zhàn)。

本文將探討 AI 支持的量子計算的三個關鍵方面——處理器、糾錯和算法，以及在構建使 AI 能夠充分賦能量子計算的基礎設施時需要考慮的一些實際因素。

改進量子處理器

量子處理器（QPU）堪稱物理學和工程學的奇跡，這種處理器由許多經(jīng)過微調的系統(tǒng)組成，用于保護和操縱量子比特（Qubit）。量子比特極其敏感，即便是最微小的噪聲源都可能破壞計算。操作量子處理器的關鍵之一是實現(xiàn)最優(yōu)控制，這可以確保對量子比特執(zhí)行的所有必要操作都能最大程度地減少噪聲。AI 是確定最優(yōu)控制序列的重要工具，可使量子處理器產(chǎn)生最高質量的結果。

論文《基于圖形處理單元的自動微分為量子最優(yōu)控制提供的加速》中介紹的基礎工作首次展示了 GPU 在加速量子最優(yōu)控制自動微分方面的實用性。這項工作將使用 GPU 優(yōu)化 10 量子比特 GHZ 狀態(tài)的準備速度提高了 19 倍。這也促成了論文《利用強化學習的無模型量子控制》中所述的工作成果，這篇文章探討了強化學習在量子最優(yōu)控制問題中的應用。

AI 已被應用于許多其他量子設備運行的操作中，例如校準和量子比特讀出，證明了 AI 能夠在運行過程中同時減少來自多個來源的噪聲。

糾正噪聲量子比特引起的錯誤

即使是設計最好的量子硬件處理器，其量子比特噪聲水平也達不到運行大多數(shù)算法所需的要求。理論上，量子糾錯能夠解決這一問題，因為它可以系統(tǒng)地消除量子計算中的錯誤，確保計算結果的可靠性。

量子糾錯程序的步驟一般包括將量子信息編碼成邏輯量子比特（由多個噪聲物理量子比特組成）、對邏輯量子比特執(zhí)行算法運算、解碼發(fā)生了哪些錯誤（如有）以及糾正相應的錯誤。每個步驟都很復雜，需要高效執(zhí)行才能在任何量子信息丟失或損壞之前糾正錯誤并完成計算。

研究人員認識到 AI 成為實現(xiàn)多個量子糾錯工作步驟的絕佳工具，是因為其具備速度、可擴展性和復雜模式識別能力。例如，德國馬克斯普朗克研究所（Max Planck Institutes）與埃爾朗根-紐倫堡大學（the Friedrich Alexander University）聯(lián)合組建的一個團隊利用強化學習發(fā)現(xiàn)了新的量子糾錯碼及其各自的編碼器。詳細信息請閱讀論文《利用噪聲感知強化學習智能體同時發(fā)現(xiàn)量子糾錯碼和編碼器》。

AI 還非常有希望被用于解碼步驟，比如谷歌最近研究了如何利用基于 Transformer 的遞歸神經(jīng)網(wǎng)絡來解碼被稱為表面代碼的標準量子糾錯碼。如要了解更多信息，請查閱論文《使用遞歸的、基于變換器的神經(jīng)網(wǎng)絡解碼表面代碼的學習》。

圖 1. 量子計算工作流，其中

通過 AI 實現(xiàn)的任務被標注為綠色

開發(fā)高效的量子算法

電路簡化是量子工作流中的關鍵部分，可確保算法效率的最大化和所需資源的最小化。這項任務極其困難，通常情況下需要解決復雜的優(yōu)化問題。而且在編譯針對特定物理設備及其獨特限制（如量子位拓撲結構）的算法時，復雜程度還會增加。

這個問題相當重要，以致于整個量子計算生態(tài)系統(tǒng)的主要參與者都在共同尋找通過 AI 實現(xiàn)的電路簡化技術。例如谷歌 DeepMind、Quantinuum 和阿姆斯特丹大學最近聯(lián)合開發(fā)了減少量子電路中資源密集型 T 門數(shù)量的 AI 方法。其研究結果表明，在量子電路通用基準集上，AI 能夠顯著改進最先進的 T 門減少技術。

量子算法設計的另一個問題是要找到某些子程序（如狀態(tài)準備）的高效實現(xiàn)方法。理論上，一些已知的量子算法有望提供加速，但前提是這一經(jīng)典問題已經(jīng)被編碼為量子態(tài)。狀態(tài)準備本身可能就是一項極具挑戰(zhàn)性的任務，所以不能想當然。

化學就是一個典型的例子，即在計算分子量子態(tài)能量之前，必須有具備分子量子態(tài)的近似值。圣猶達兒童研究醫(yī)院、多倫多大學和 NVIDIA 合作開發(fā)了一種使用生成式預訓練的 Transformer（GPT）模型進行分子狀態(tài)準備的方法（圖 2）。這是 GPT 在量子算法設計中的首次應用，可以推廣到化學以外的應用領域。如要了解更多信息，參見《生成量子本征求解器（GQE）及其在基態(tài)搜索中的應用。

圖 2. 生成式量子求解器方法

利用 GPT 為分子模擬準備電路

探索適用于量子計算的 AI

只有利用 AI 的力量，才能使實用量子加速超級計算為科學家、政府和企業(yè)帶來價值。這一點的影響正變得日益明顯，并且加強著 AI 與量子專家之間的合作。

為了將 AI 有效用于量子開發(fā)，就需要有新的工具，而且這些工具必須能夠促進跨學科合作、針對每項量子計算任務進行高度優(yōu)化，并充分利用量子加速的超級計算基礎設施中可用的混合算力。

NVIDIA 正在開發(fā)軟硬件工具，以使量子 AI 達到實現(xiàn)實用量子加速的超級計算規(guī)模所需。