作者樊晓芳 李泽南

谷歌量子计算突破引爆学界,作者亲自回应质疑,国内专家点评

10 月 24 日,谷歌实现量子优越性的论文登上《自然》杂志封面,1 个月前已轰动业界的研究工作,再次成为科技圈关注的焦点。

当日,来自谷歌量子计算研究团队、量子优越性论文 77 名作者中的三位科学家——加州大学圣巴巴拉分校(UCSB)研究员 Andrew Dunsworth、谷歌量子计算硬件负责人 Yu Chen 与 Anthony Megrant——接受了媒体的采访,很多人们关心的问题在此得到了解答。

从左到右依次是 Anthony Megrant、Yu Chen 与 Andrew Dunsworth

谷歌论文作者正面回应 IBM 质疑

虽然谷歌的成果得到了很多同行的认可,但也有学者表示质疑。IBM 本月 21 日就在其博客上称谷歌「实现量子霸权」的实验存在缺陷。【引用链接】其主要认为,若使用 IBM 曾证明过的二级存储方法,在经典超级计算机上模拟谷歌的量子电路根本不需要一万年,2 天半就能做到,因此经典超级计算机的运算能力远比谷歌推算的更强。「按照其最严格的定义,(谷歌的研究)尚未达到目标。」

同时,IBM 杰出研究科学家 Edwin Pednault 等人表示:「正如我们之前讨论的,『量子霸权』尚未实现,总是使用该词会不可避免地误导公众。从根本上来讲,量子计算机永远不会相对传统计算机占据『统治地位』,每种计算机都有其独特的优势,他们会协同工作。」

对此,谷歌研究人员表示:「事实上,我们的研究专注于构建更好的量子计算硬件,推动整个研究方向向前发展。因此,我们很高兴可以看到这一研究在研究社区引起了很多反响。它甚至推动了经典计算机领域的发展——IBM 的团队取得了一个非常好的结果,发现了更快进行计算的可能性。」

谷歌已经将研究数据公开,并欢迎人们在目前的研究基础上不断提出更好的方法。

当被问到,这次公布的 54 量子比特 Sycamore 量子处理器相对谷歌在 2018 年 3 月推出的 72 量子比特量子处理器 Bristlecone 有什么性能上的优势,并且为何实现「量子优越性」的处理器是量子比特数量更少的 Sycamore 时,研究人员表示,两种处理器的控制方法有很大不同,而在研究中需要在硬件基础上构建完整的软件架构。

目前研究组还没有在 Bristlecone 上实现 Sycamore 效率的能力,即使在后者之上,由于有 1 个量子比特无法有效工作,处理器实际上只用到了 53 个量子比特。本次新工作最大的贡献在于在 Sycamore 的硬件基础上实现了先进的控制能力,几十个比特可以协同工作,运行算法,并保证较高的运算保真度。

「新的控制方法让我们在系统层面上取得了比以往好得多的优化水平,」Dunsworth 说道。「在这其中是数以百计的全新组件。」

再之,既然 Sycamore 在特定任务上跑赢了世界第一超算 Summit,它在能耗效率上是否具有优势?「这或许需要运行同一个 Benchmark 才能得到答案,」Megrant 说道。「它的能耗大概相当于一整层楼的电脑同时运行,主要来自于冷却系统。因此,即使我们在未来加入更多的量子比特,其能耗也不会有显著的提升。」

最后,研究人员也提到,在未来的发展中,量子计算机面临的主要挑战还是如何提升量子比特的数量,以及降低错误率。「在解决了这两个挑战之后,我们就可以将量子计算机应用于更多方面了,」Dunsworth 表示。「但很多应用方向是我们现在还无法想象的。」

不过,其认为量子比特数量扩展的过程需要解决的是连接性和效率的问题,目前的量子计算架构在理论上是可以支持扩展到上千,甚至更多量子比特数量的。

而在机器学习方面,谷歌研究人员正在进行的工作包括 NISQ 算法(Noisy Intermediate Scale Quantum),目前他们已经推出了 Cirq,一种可用于量子计算机和模拟器的 Python 库。

「不过因为目前我们对于量子机器学习的前景还不明了,这主要是因为量子计算机天生的错误率,」Megrant 表示。「最重要的是我们已经开始探索这些领域了,我们已经有了可用的芯片,剩下的就看它能做些什么了。」

业内专家:确实是里程碑工作

量子优越性的论文引来了业内人士的广泛关注,大多数同行肯定了新研究的重要意义,但各自认同的理由不一致。在研究发表后,机器之心联系到了多位国内量子计算研究者。

浙江大学物理系尹艺教授(博士后阶段师从谷歌 AI 量子计算负责人 John Martinis 教授)认为:「谷歌量子计算团队已经深耕超导量子芯片多年,这个实验代表了现阶段量子计算机发展的最高水平。他们通过在 Sycamore 处理器实现的复杂量子体系的演化,生成了一组随机序列,进行了随机电路采样的实验,完成了对量子优越性的实验展示,『里程碑式的突破』 也算是一种合理的说法。同时,我们也需要知道,这个工作仅仅完成了第一步,仅仅是展现了量子计算机强大的计算潜力,当下还未实现量子比特的纠错,真正实现量子计算机还需要持续的进一步工作。」

腾讯量子实验室负责人张胜誉同样认为这是一个很让人欣喜的结果,显示了谷歌团队在超导芯片方面的设计、制备和操控能力。

中国科学技术大学教授,中科院量子信息重点实验室副主任郭国平也从技术工程角度表示,「谷歌的新成果体现了在芯片设计、芯片制备、量子比特测量与控制技术等多方面的进展,是未来量子计算机走向实用化肯定需要克服的问题,因此毫无疑问是非常重大的研究进展。这种技术工程层面的进展不是国内擅长的,且往往是最容易被忽略的、不被物理学界科研人员所关注。」

新加坡科技设计大学物理学博士郭楚也表示,谷歌的工作无论从量子比特规模,还是门操作错误率方面,都可能作为重大的技术突破而写进量子计算的教材。「我们经常用『近期有噪声的中等规模量子计算』来描述当前量子计算硬件技术水平,个人认为这个工作标志着我们已经实现了有噪声的中等规模量子计算。」

同时,业界也对 IBM 质疑谷歌实验缺陷的论文工作和「直怼」行为发表了各自的看法。

UC Austin 教授、理论计算机学家 Scott Aaronson(同时也是《自然》杂志审稿人)第一时间撰文对该论文进行了解读。「IBM 主张可以通过超级计算机的硬盘存储量子状态向量,从而在 2.5 天内模拟 Sycamore 芯片……可以理解的是,IBM 团队尚未做到这一点,但是我几乎没有理由怀疑他们的分析基本上是正确的,」Aaronson 表示。「但这是否意味着『量子优越性』尚未达到?当然不是。无论如何,2 分 30 秒和 2.5 天相比仍然是 1200 倍的加速。」

不过,也有业内专家评论道,「Aaronson 至今都认为通过经典计算机很难有效模拟量子随机电路采样来实现量子霸权。谷歌的这一工作与 Aaronson 的方案高度相关。同时 Aaronson 也是这篇 Nature 封面论文的审稿人,可能会对谷歌的工作有些偏袒。」

郭楚则明确表示对 IBM 团队的反驳持保留态度,基于其在优化经典计算机算法提升可模拟量子计算规模这一方向多年研究经验,他认为,「谷歌的算法中使用了牺牲时间复杂度换取空间复杂度的方案,对于 Summit 这样计算速度极快的超级计算机,可能是一个比较好的方法。而 IBM 提出利用硬盘存储来解决存储量子态空间不足的办法,在实践中效果不一定比谷歌的算法更适合 Summit 这样的超算。其次,IBM 并没有真正作数值比较,在这种规模下,理论估算和具体实现方面,可能会存在巨大的差距。」

但郭国平教授认为,IBM 工作的意义主要还是在提高了量子计算机要超越经典计算机的门槛,或者提醒人们还没找到量子计算更擅长的任务。

尹艺教授则认为各竞争团队应以发展的态度理性看待领域的进步。「IBM 的经典模拟主要是利用了二级储存的方法来存储和处理量子态,结论是运行时间与量子电路的深度成线性关系。而谷歌团队使用的薛定谔-费曼算法以及进行的优化确实可能没有利用到目前超算运算能力的极限。但这不妨碍现有谷歌工作的重要意义。」

张胜誉认为应从硬件和软件两个层面来看。「我觉得更值得关注的是谷歌团队量子硬件方面的进展,毕竟我们最终是要用量子计算机硬件来运算实际问题的。至于经典算法需要花多少时间,这取决于在这个具体问题、这个输入大小上最好的经典算法。但可惜的是我们基本不会知道这个最好的经典算法是什么,以及可以做到多好,毕竟很多问题我们甚至不知道是不是多项式时间能解决(P vs NP)。所以这里有争议空间也很正常。『Quantum Supremacy』是一个 moving target,随着经典算法和算力的提升会有变动。不过硬件的踏实发展是真的,也是我们最终需要的。」

更合适的量子计算能力度量指标与基准

谷歌这次建议将对「Quantum Supremacy」的翻译由人们熟知的「量子霸权」改为「量子优越性」,当然意义没有改变——是指用量子计算机可以解决经典计算机实际上解决不了的问题。

量子计算机相比传统计算机具有优势的概念最早可以追溯到 1980 年代初,尤里·马宁和理查德·费曼提出的量子计算建议。2012 年,加州理工学院(Caltech)理论物理教授 John Preskill 在其论文《Quantum computing and the entanglement frontier》中创造了「量子优越性」一词。

但该概念在当初提出时就存在定义模糊的问题。John Preskill 认为,在量子计算进芯片达到 49 个量子比特时,人们即可实现量子优越性,这一数字只是基于当时条件的估算。近期,John Preskill 本人也在 Quanta 杂志上发表了一篇名为《What I Call It 『Quantum Supremacy』》的文章反思了业界对其的争议之处。

但其实业界更需要的是一套对量子计算能力更合适的度量指标与基准。

尹艺教授称,「经典计算机发展到现在,出现了多种多样的架构,开发者倾向于选择更适于自己架构的程序与竞争者做对比。对成熟的经典计算,业界约定了很多统一的度量基准(Benchmark),例如 SPECint 和 SPECfp 就是测试计算机整数运算和浮点运算能力的。现在量子计算机处于早期阶段,谷歌团队证明了量子计算机在量子电路采样方面是有优势的,但是量子计算的能力是否有用,在哪些事情上有用还需要进一步的研究,谈基准的设立还为时尚早。」

证明量子优越性的竞赛上还有其他赛道与挑战

在谷歌论文登上《自然》杂志封面的前几个小时,中国科学技术大学潘建伟、陆朝阳等人也发布了量子计算的阶段性新成果,其中提到使用 20 光子输入 60×60 模式的玻色采样(Boson Sampling),打破了光子数、模式数、量子态空间三项国际记录,宣称首次达到了百万亿级的输出量子态空间。

「量子计算多么令人激动的一天,」一直被业界誉为「孤傲的天才」的 Aaronson 在自己的博客中感叹。他认为,在量子优越性竞赛的目前阶段,很多人已经认为玻色采样的重要性已成历史,但潘建伟等人的新研究证明了该任务也类似谷歌的随机量子电路,是通往量子优越性的可行途径。同样,该工作也体现了量子计算工程技术上的进步。

「谷歌的阶段性实验绝不是终点,而是一个起点,」潘建伟在今年 9 月合肥新兴量子技术国际大会上表示。

会上,来自全球的 500 余名量子信息技术专家达成共识,发布了《量子信息和量子技术白皮书(合肥宣言)》。其中,与会专家认为,「除了要在基础研究领域做好操纵精度、可容错之外,规范化、实用性的量子计算可以沿如下路线开展:第一个阶段是实现『量子优越性』,即量子模拟机针对特定问题的计算能力超越经典超级计算机,这一阶段性目标将在近期实现;第二个阶段是实现具有应用价值的专用量子模拟系统,可在组合优化、量子化学、机器学习等方面发挥效用;第三个阶段是实现可编程的通用量子计算机,能在经典密码破解、大数据搜索、人工智能等方面发挥巨大作用。实现通用可编程量子计算机还需要全世界学术界的长期艰苦努力。」


参考内容:

https://www.scottaaronson.com/blog/?p=4372&from=timeline

潘建伟、陆朝阳等人的论文:

https://arxiv.org/abs/1910.09930

理论量子计算谷歌
相关数据
时间复杂度技术

在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况。例如,如果一个算法对于任何大小为 n (必须比 n0 大)的输入,它至多需要 5n3 + 3n 的时间运行完毕,那么它的渐近时间复杂度是 O(n3)。

规范化技术

规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0 到1.0 或0.0 到1.0。 通过将属性数据按比例缩放,使之落入一个小的特定区间,如0.0到1.0,对属性规范化。对于距离度量分类算法,如涉及神经网络或诸如最临近分类和聚类的分类算法,规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘,对于训练样本属性输入值规范化将有助于加快学习阶段的速度。对于基于距离的方法,规范化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属相相比,权重过大。有许多数据规范化的方法,包括最小-最大规范化、z-score规范化和按小数定标规范化。

量子机器学习技术

量子机器学习是量子物理学和机器学习交叉的一个新兴的交叉学科研究领域。人们可以区分四种不同的方式来结合这两个父类学科。量子机器学习算法可以利用量子计算的优势来改进经典的机器学习方法,例如通过在量子计算机上开发昂贵的经典算法的有效实现。 另一方面,可以应用经典的机器学习方法来分析量子系统。 一般来说,可以考虑学习装置和所研究的系统都是完全量子的情况。

机器之心机构

机器之心,成立于2014年,是国内最具影响力、最专业、唯一用于国际品牌的人工智能信息服务与产业服务平台。目前机器之心已经建立起涵盖媒体、数据、活动、研究及咨询、线下物理空间于一体的业务体系,为各类人工智能从业者提供综合信息服务和产业服务。

https://www.jiqizhixin.com/
推荐文章
暂无评论
暂无评论~