1. 出发点:AI的电力需求与对量子计算机的期待

AI规模越大,计算消耗的电力也越多。据国际能源署(IEA)统计,2024年数据中心用电415太瓦时(TWh),约占全球电力消费的1.5%。预计到2030年,这一数字将增至约945TWh,增长一倍以上。IEA认为,这一增长的最大推动因素是AI。

在这种趋势下,“量子计算机将突破AI的局限”这类期待屡屡出现。然而,物理学家约翰·普雷斯基尔(John Preskill)在一篇讨论NISQ(含噪声中等规模量子)技术的2018年论文中写道,门的噪声会限制能够稳定运行的电路规模。他还写道,100量子比特级的量子计算机“不会立刻改变世界”。本文不谈期待,而是追踪论文和官方发布实际展示了什么。

量子计算机稀释制冷机的内部结构。它把超导量子比特冷却到接近绝对零度的极低温,以维持量子态
量子计算机稀释制冷机实物,它让超导量子处理器在约15毫开尔文(mK)的极低温环境下工作 · PhOtOnQuAnTiQuE from Earth France · CC BY-SA 2.0 · 维基共享资源

2. 量子优越性实验实际展示了什么

2019年,谷歌研究团队在Nature(Arute等)上发表论文。论文称,53量子比特超导处理器“悬铃木”(Sycamore)对一个随机量子电路采样100万次,用时约200秒。按照当时的基准测试,用最先进的经典超级计算机完成同一任务约需1万年。研究团队称,这是“针对这一特定计算任务”的量子优越性的实验实现。论文同时指出,模拟方法一直在稳步进步。论文预计,最终能实现比文中报告更低的模拟成本。不过论文也认为,更大规模量子处理器的硬件改进将继续领先于这一进步速度。

反驳很快就出现了。IBM研究团队在arXiv:1910.09534中分析认为,借助辅助存储,可以用橡树岭国家实验室的超级计算机“顶点”(Summit)模拟这类电路。这种模拟能在几天内完成,并且保真度很高。此后,Pan、Chen、Zhang在arXiv:2111.03011中报告了新结果。他们用512块GPU组成的集群,在约15小时内生成了100万个不相关样本。这些样本对应53量子比特、20周期的悬铃木电路。目标保真度约为0.0037。

中国科学技术大学(USTC)研究团队也开展了类似实验。超导处理器“祖冲之2.1”拥有66个量子比特。它用约4.2小时完成了60量子比特、24周期规模的随机电路采样。研究团队估计,用经典方法模拟同一任务约需4.8×10⁴年(Zhu等,arXiv:2109.03494)。这篇论文的摘要开篇就写道,量子硬件必须升级,才能“经受住与不断改进的经典算法和硬件的竞争”。同一研究组的光量子计算机“九章”做了高斯玻色取样实验。实验中观测到最多76个输出光子的探测信号(Zhong等,arXiv:2012.01625)。

总之,这些实验展示的是在特定采样任务上,量子设备与经典计算之间的竞争。它们并不是更快训练AI模型的成果。

深色背景下金属基板上的方形量子处理器芯片
谷歌“悬铃木”量子处理器芯片,取自谷歌视频(2019年) · Google ( https://www.youtube.com/channel/UCK8sQmJBp8GCxrOtXWBpyEA ) · CC BY 3.0 · 维基共享资源

3. 量子机器学习想做什么

量子机器学习的一个代表性起点,是2019年发表在Nature上的Havlíček研究团队的论文(arXiv:1804.11326)。研究团队指出,支持向量机(SVM)等核方法应用广泛。但当特征空间变大、计算核函数的成本升高时,这类方法就会遇到局限。他们还解释说,量子算法获得加速的关键,在于控制纠缠与干涉。这样才能利用指数级庞大的量子态空间。

这篇论文在超导处理器上提出并演示了两种方法。一种是“量子变分分类器”,用变分量子电路对训练数据进行分类。另一种是“量子核估计器”,先用量子计算机估计核函数,再用这些值优化分类器。两种方法都把量子态空间用作分类问题的特征空间。

关键在于措辞的分寸。论文写道,有些特征空间只有量子计算机才能高效访问,它们为通向量子优越性提供了一条“可能的路径”。论文提出的不是已经确立的优势,而是有待验证的方向。

由此可见,量子态空间很大,与分类效果更好,是两回事。看到“量子机器学习”一词时,需要把两者分开来读,原因就在这里。

4. 当前的代表性策略:变分量子算法(VQA)

Cerezo研究团队发表在Nature Reviews Physics上的综述(2021,arXiv:2012.09265)这样概括现状。复杂量子系统的模拟和大规模线性代数问题,对经典计算机来说极其困难。量子计算机有望提供解法,但容错量子计算机在近期内难以问世。现有设备的量子比特数量少,噪声也限制了可运行电路的深度。

应对这一限制的代表性策略是变分量子算法(VQA)。它用经典优化器训练含参数的量子电路。量子设备估计代价函数,经典计算机接收这个值,再更新电路参数。梯度也可以用“参数平移规则”来估计,也就是在量子硬件上额外运行电路求得。换言之,它的结构与常说的“量子计算机负责计算,GPU负责反向传播”并不相同。求分子基态能量的VQE、寻找组合优化问题近似解的QAOA,都属于这一框架。

这篇综述称,VQA看来是实现量子优越性的“最大希望”。但它也明确指出,可训练性、准确性和效率等问题依然存在。

可以看出,在VQA中,量子设备和经典计算机并不互相替代,而是在同一次计算中相互衔接。“最大希望”与遗留问题写在同一篇综述里,可以理解为这仍处于早期阶段。

5. 阻碍训练的壁垒:贫瘠高原

可训练性问题的典型例子是“贫瘠高原”(barren plateau)。McClean研究团队发表在Nature Communications上的论文(2018,arXiv:1803.11173)指出,人们常建议用随机电路作为参数化量子电路的初始值。但论文表明,由于希尔伯特空间的维数呈指数级,加上梯度估计的复杂度,这种做法不适用于超过几个量子比特的混合算法。

具体而言,对于很大一类参数化量子电路,梯度在一定精度下不为零的概率随量子比特数呈指数级减小。研究团队将这一现象与随机电路的2-design性质联系起来。他们的结论是:需要研究解决办法。这意味着,仅靠增加量子比特并不能改善训练。相反,如果不仔细设计初始化方式和电路结构,训练本身就可能受阻。

这说明,上一节综述提到的“可训练性”问题并非抽象的担忧。由此也可以看出,后文的硬件数据很难仅凭量子比特数来判断。

6. 硬件:三条路线与公开数据

超导方案是谷歌悬铃木和IBM采用的方案。根据IBM的硬件与路线图页面,IBM量子计算机包括133量子比特的Heron r1、156量子比特的Heron r2和r3,以及120量子比特的Nighthawk。Heron系列配有可调耦合器。IBM将Quantum System Two介绍为其主力系统,也是“以量子为中心的超级计算”的核心。

离子阱方案用电磁力囚禁离子,把离子当作量子比特。IonQ的技术介绍页面称,把离子与环境隔离,可以减少噪声和退相干。由于量子比特之间没有物理布线连接,所有量子比特都能直接相互作用。Quantinuum于2024年4月16日宣布,其商用系统H1-1在所有量子比特对上实现了99.914(3)%的双量子比特门保真度。需要注意的是,两者都是企业自己发布的信息。

中性原子方案把不带电的原子排成阵列,用作量子比特。Bluvstein研究团队(哈佛大学等)发表在Nature上的论文(2023年12月在线发表)报告了一台基于逻辑量子比特的处理器。它运行在可重新排列的中性原子阵列上,最多使用280个物理量子比特。研究团队把表面码距离从3提高到7,改进了双量子比特逻辑门。他们还以容错方式制备了逻辑GHZ态,并用最多48个逻辑量子比特实现了采样电路。

三种方案的数据衡量的是不同的东西:量子比特数、门保真度和逻辑量子比特数。280个物理量子比特与48个逻辑量子比特之间的差别也说明,这两个数字需要分开来读。

昏暗房间里玻璃立方体内的黑色圆柱形量子计算机
德国埃宁根的IBM Quantum System One(2021年) · IBM Research · CC BY 2.0 · 维基共享资源

7. 纠错,以及对化学模拟的期待

Bluvstein研究团队在论文第一句写道,抑制错误是实用量子计算的核心挑战,大规模计算需要量子纠错。他们还补充说,“逻辑量子比特”把信息分散存储在多个物理量子比特上,开销很大。这给大规模逻辑量子计算带来了相当大的挑战。前文的Cerezo综述认为容错量子计算机在近期内难以问世,两者是同样的思路。

分子与材料化学常被称为量子计算机的“杀手级应用”。然而,Lee研究团队的分析(arXiv:2208.02199)针对量子化学中最常见的任务——基态能量估计——收集了证据。他们的结论是,在整个化学空间中,尚未发现指数级量子优越性的证据。作者的立场是:量子计算机对量子化学或许仍然有用。但在这个问题上,不假定指数级加速普遍可行,才是审慎的做法。

纠错是设备层面的课题,而前面的分析针对的是基态能量估计这个问题本身。把两者分开看,才能冷静地看待“杀手级应用”这一期待。

8. 各国和机构在做什么

后量子密码。美国国家标准与技术研究院(NIST)于2024年8月13日正式发布了3项密码标准。这些标准旨在抵御量子计算机的攻击。它们分别是用于密钥封装的FIPS 203(ML-KEM),以及用于数字签名的FIPS 204(ML-DSA)和FIPS 205(SLH-DSA)。这是NIST后量子密码标准化项目最先完成的标准。

美国。国家量子计划(NQI)依据2018年《国家量子计划法》启动。此后,它经2022财年《国防授权法》(NDAA)和2022年《芯片与科学法》(CHIPS and Science Act)修订。该计划由联邦机构实施,包括14个国家量子信息科学(QIS)研究中心和量子产业联盟。

欧盟。量子技术旗舰计划继2016年《量子宣言》之后,于2018年启动。该计划在10年内投入约10亿欧元欧盟预算(预计),支持量子计算、量子模拟、量子通信、量子传感与计量。介绍中列出的初期代表性项目,有基于超导电路的OpenSuperQ和离子阱系统AQTION。

日本。理化学研究所(RIKEN)与富士通等合作,研制了一台64量子比特超导量子计算机。2023年3月底,它以云服务形式向研究人员开放(RIKEN)。同年10月5日起,RIKEN与富士通推出混合平台,结合了双方新开发的64量子比特量子计算机和富士通的40量子比特量子模拟器。该平台向联合研究的企业和机构提供(RIKEN)。

韩国。科学技术信息通信部于2023年6月27日发布了政府层面的首个《量子科学技术战略》。战略提出,到2035年投资3万亿韩元规模,使技术水平达到领先国家的85%。目标还包括培养核心人才2500人、全球量子产业份额达到10%、培育量子企业1200家(大韩民国政策简报)。韩国标准科学研究院(KRISS)计划把2024年开发的20量子比特量子计算系统,以云服务形式提供给产业界等。它还公布了开发50量子比特系统的计划。

放在一起看,各国的做法可分为几类:立法与研究中心、长期预算、云端开放、投资目标。密码标准已经确定,说明应对工作走在了设备完成之前。

9. 小结:不是替代,而是验证的时候

把“量子计算机将改变AI”这句话与原始资料对照,可以分成三点。第一,量子优越性实验确有其事,但仅限于特定采样任务,与经典计算的竞争仍在继续。第二,量子机器学习提出了有趣的方法,但实际优势仍停留在“可能的路径”。贫瘠高原等训练问题也已得到确认。第三,大规模计算所需的纠错,目前还处在逻辑量子比特实验阶段。

因此,现在有意义的问题不是“什么时候取代GPU”,而是“谁验证过它在什么问题上、什么条件下优于经典方法”。看到新的发布时,可以确认几点:任务是什么;作为比较对象的经典方法是不是最新的;数据出自论文还是企业发布。这样就能区分夸大与进展。