机器之心报道，编辑：张倩、杜伟。
去年 10 月，谷歌宣布实现「量子优越性」的论文登上了《自然》杂志封面，成为科技领域关注的焦点。时隔不到一年，谷歌量子计算又登上了《Science》封面。这一次，他们用量子计算机进行了一次化学模拟，这是迄今为止人类用量子计算机进行的最大规模化学模拟，揭示了通往量子化学系统逼真模拟的路径。
根据支配化学过程的量子力学定律对该过程进行精确的计算预测是一种进行化学领域前沿探索的工具。但遗憾的是，由于量子变量的数量和统计数据的指数式增长，除了最小的系统之外，所有量子化学方程的精确解仍然无法用现代经典计算机得到。
然而，通过使用量子计算机，利用其独特的量子力学特性来处理经典计算机难以处理的计算，可以实现对复杂化学过程的模拟。虽然如今的量子计算机已经足够强大，在某些任务中显露出明显的计算优势，但这样的设备能否用于加速目前的量子化学模拟技术仍是一个悬而未决的问题。
在最新一期的《Science》期刊中，Google AI 量子团队探索了这个复杂的问题，相关研究登上了 Science 封面。
- 论文链接：https://science.sciencemag.org/content/369/6507/1084
- arXiv 链接：https://arxiv.org/pdf/2004.04174.pdf
- 实验代码：https://github.com/quantumlib/ReCirq/tree/master/recirq/hfvqe
他们用量子计算机进行了迄今为止最大规模的化学模拟，而这台量子计算机的处理器正是谷歌上次实现「量子优越性」所使用的那台 Sycamore 处理器。在实验中，研究者使用噪声鲁棒的变分量子特征值求解算法（variational quantum eigensolver，VQE），通过量子算法直接模拟化学机制。
VQE 算法混合了传统计算与量子计算，特别适用于在当前量子设备上运行，并且可以扩展计算多个量子比特上的更复杂问题。此外，这种量子算法在保证量子态相干性的同时计算结果还能达到化学精度。
具体来说。研究者模拟了由两个氮原子和两个氢原子组成的二氮烯分子，在发生的反应中，氢原子进入到了围绕氮原子的不同能级中。他们用量子模拟得到的结果与在传统计算机上运行的模拟保持一致，从而验证了他们的研究。
谷歌在官方博客中表示，虽然计算集中在对真实化学系统的哈特里-福克近似（Hartree-Fock approximation）上，但这次的计算量是之前用量子计算机进行化学计算的两倍，量子门操作是之前的十倍。
但美国达特茅斯学院的量子计算专家 James D. Whitfield 和南加州大学博士生 Sahil Gulania 在一封邮件中写道：「谷歌的这项研究只是硬件的非凡展示，与传统计算机相比，并没有显示出对哈特里-福克计算的任何益处。」
谷歌的化学家 Ryan Babbush 对此表示赞同。但他认为这项研究有助于计算机科学家学习如何处理量子计算误差，这也将有助于他们在未来执行更复杂的计算。
Ryan Babbush 还表示，虽然这一反应比较基础，而且也没有必要使用量子计算机来模拟。但是，这项研究对于量子计算来说依然是一大进步。
最重要的是，这项研究验证了针对当前可用的量子计算机开发的算法可以达到实验预测所需的精度，揭示了通往量子化学系统逼真模拟的路径。
「我们现在在一个完全不同的尺度上进行化学领域的量子计算，」Ryan Babbush 说道，「之前的工作包含你基本上可以用纸笔完成的计算，但现在的这份工作你必须用计算机才能完成。」
将这个算法扩展到更复杂反应的模拟也很简单， Babbush 表示，模拟更大分子的反应只需要更多的量子比特和对计算的微调。他说，有一天，我们甚至可能利用量子模拟开发新的化学物质。
为化学领域开发一个误差鲁棒的量子算法
有很多种方法可以使用量子计算机来模拟分子体系的基态能量。谷歌这项研究聚焦一种名为「building block」的量子算法（也叫 circuit primitive），并通过 VQE 算法来完善其性能。在经典设置中，circuit primitive 等同于 Hartree-Fock 模型，是谷歌之前为最佳化学模拟所开发算法的重要电路元件。这使得研究者可以专注于扩大规模，而不会产生指数级的模拟成本。因此，当扩展到「超越经典（beyond classical）」状态时，该组件上的鲁棒误差抑制对于精确模拟至关重要。
量子计算中的误差源于量子电路与环境的交互，这些交互造成错误的逻辑运算，甚至微小的温度波动也能导致量子比特误差。目前量子设备上模拟化学的算法必须对这些低开销误差做出解释，这可以从量子比特数量和额外量子资源两方面说明，比如实现量子纠错码。
解释误差的最流行方法是 VQE，该研究也用到了这种方法。研究者在实验中选择了他们几年前开发的 VQE，将量子处理器看作一个神经网络，并试图优化量子电路的参数，从而通过最小化代价函数来解释噪声量子逻辑（noisy quantum logic）。
正如经典神经网络通过优化来容忍数据缺陷一样，VQE 能够动态地调整量子电路参数，以解释量子计算过程中出现的误差。
利用 Sycamore 处理器实现高准确率
该研究所用的设备是去年谷歌证明量子优越性的 Sycamore 处理器。尽管实验需要更少的量子比特，但解决化学键合问题需要更高的量子门保真度。因此，研究人员开发出了有针对性的新型校准技术，这些技术以最佳的方式放大误差，然后进行检测和修正。
量子计算中的误差可能是由量子硬件堆栈中的多种来源造成的。Sycamore 处理器具有 54 个量子比特，并且由 140 多个单独可调谐的元素组成，每个元素由高速模拟电脉冲控制。实现整个设备的精准控制需要对 2000 多个控制参数进行微调，并且这些参数中的小误差可能很快地在整体计算中累积导致大误差。
所以，为了准确地控制设备，研究者使用了一个自动化框架，该框架将控制问题映射到一个具有数千节点的图上，每个节点表示一个用于确定单个未知参数的物理实验。遍历该图可以使我们从设备的基础先验转移到高保真度量子处理器上，并且这一过程只需不到一天的时间即可完成。
最终，这些技术和算法误差抑制使误差实现了数量级的降低。
未来展望
研究者希望该实验可以为如何在量子处理器上运行化学计算提供蓝图，并作为发挥物理模拟优势之路的起点。一个令人振奋的前景是，我们已经知道了如何以一种简单的方式来修正实验中用到的量子电路，使之无法再进行高效的模拟，这将为改进量子算法和应用确立新的方向。研究者还希望更广泛的研究社区可以利用这些实验结果来探索相关机制。
参考链接：
http://ai.googleblog.com/2020/08/scaling-up-fundamental-quantum.html