量子计算可能是标志着科技界最大的变革之一,其利用量子力学机制来加速计算机运算速度。研究人员希望最终能利用它破解网络加密或建立全新的分子模型。
通用的量子计算机还需要数年时间才能完成,但是第一个基本的系统将数以十计的量子比特(或量子位元qubits)连接在一起,供研究人员和开发人员使用。除了在“经典”计算机上运行的量子模拟,这给了软件开发人员第一次使用这项技术的机会。
微软和谷歌也准备在量子计算机的发展上宣布突破。尽管这项技术预计要花上几十年才能完全成熟,但量子计算的第一个好处已经开始慢慢显现。
John Sarrao是美国洛斯阿拉莫斯实验室(the Los Alamos National Laboratory)理论、模拟和计算的副主任,也是致力于研究如何投资这项技术的科学家之一。该组织以其在核武器方面的工作而闻名,其从国家安全的角度对量子计算进行了长期的观察。然而,根据Sarrao先生的说法,量子计算在短期内也会有收益。
洛斯阿拉莫斯是第一个商用量子计算机的最早客户之一,该商用量子计算机由DWave Systems制造。这家加拿大公司使用一种被称为量子退火(quantum annealing)的技术,这种方法最适合处理复杂的优化问题。Sarrao先生说这个量子计算机已经被应用于处理现实世界的问题,比如分析材料的电子结构。一台超级计算机已经可以完成这样的任务,但是人们期望有一天,当这个行业达到所谓的“量子叠加(quantum superiority)”时,量子计算机将能够更快地完成这项工作。
“我们基本上是在进行劳动力投资,”他在谈到DWave时说。洛斯阿拉莫斯已经向其任何想要尝试这项技术的开发者开放了这个系统。让开发人员自由学习新的编程技术已经产生获益。Sarrao先生说:“我们最好的DWave用户也是那些深入参与大规模经典模拟的人。”他说,他们对量子编程的新技术“绝对兴奋”,并一直在使用他们在实验工作中获得的常规工作思路。
获益之一:改进经典计算
这是投资量子计算的最直接获益之一:它有助于塑造开发者的想法,改进传统计算机的编程方式,为最终迁移到全量子计算机奠定基础。
微软量子编程主管Krysta Svore称这些为“量子激发(quantum-inspired)”算法。她说:“我们学习了所有这些新技术,我们可以在经典计算中使用它们。”
“这些方案现在就可以加速解决你的问题。”其中一个例子是微软开发了一种算法来训练深度神经网络。通过应用更适合于量子计算机的技术(比如大规模并行处理),Svore女士和同事减少了训练神经网络的时间,并提高了其性能的质量。
获益之二:混合算法(Hybrid algorithms)
另一个近期优势在于混合算法,它同时使用量子和经典计算资源。像这样的算法将充分利用经典计算机处理大部分的工作,在必要的时候将部分计算交给量子硬件。
美国量子计算初创公司Rigetti Computing去年底发表了一份据称是迄今为止设计的最复杂的混合量子算法结果。该软件被用于非监督学习,这是一种机器学习,它涉及到识别数据中的模式,而不需要通常与机器学习相关联的训练。
Rigetti公司的首席运营官Madhav Thattai说:“这种混合算法将会带来量子优势(quantum advantage)的第一个例子”,这是一个量子计算机带来真正商业利益的时刻,而这是传统计算机无法实现的。
以上的想法可能有助于引出量子时代的益处。然而,企业当下投资这项技术是为了在量子计算机全面到来时确保其领先地位。
洛斯阿拉莫斯的Sarrao先生说,当这种情况发生时,依赖于两件事:硬件进步会带来更好的量子位质量,而更优的软件则需要更少的量子位来解决复杂的问题。
今天的量子比特,或者说量子位,只能在几毫秒内维持一个量子态,在外界干扰导致它们“退化(decohere)”后,其所处理的信息就丢失了。如果没有更强大的量子位,仅仅纠正量子系统中的错误就会消耗掉大部分系统的资源。
Sarrao先生说:“一方面,我们看到了更好的算法效率的融合,另一方面是更好的量子位。”他补充说,这种融合将会有多快仍然无法预测。
回顾历史:量子梦正接近现实
1982年,物理学家Richard Feynman提出了量子计算的概念。
1994年,数学家Peter Shor展示了如何利用量子计算机破解加密技术。
2011年,加拿大DWave公司推出了第一款商用量子计算机,尽管它能解决的问题是有限的,而且量子效应的程度也受到了质疑。
2016年5月,IBM允许用户试用其第一个量子计算机,一个5量子位(5-qubit)系统。
2017年4月,谷歌公布其“量子霸主”计划,计划在年底前实现对经典计算机的超越。
2017年11月,IBM宣布成为第一家研制出50量子位(50-qubit)处理器的公司。
来源:网易科技
转自 http://www.oschina.net/news/93342/quantum-near-to-reality