物理学家介绍了一种使用传统计算机模拟量子近似优化算法的方法。新方法不是在高级量子处理器上运行算法，而是使用一种经典的机器学习算法，该算法密切模仿近期量子计算机的行为。

在《自然量子信息》上发表的一篇论文中，EPFL 教授 Giuseppe Carleo 和哥伦比亚大学和纽约熨斗研究所的研究生 Matija Medvidovi? 找到了一种在传统计算机上执行复杂量子计算算法的方法，而不是量子那些。

他们正在考虑的特定“量子软件”被称为量子近似优化算法（QAOA），用于解决数学中的经典优化问题；它本质上是一种从一组可能的解决方案中挑选出问题的最佳解决方案的方法。“人们对了解量子计算机可以有效解决哪些问题很感兴趣，而 QAOA 是比较突出的候选者之一，”Carleo 说。

最终，QAOA 旨在帮助我们实现著名的“量子加速”，即我们可以使用量子计算机而不是传统计算机实现的预测处理速度提升。可以理解的是，QAOA 有许多支持者，包括谷歌，他们在不久的将来将目光投向了量子技术和计算：2019 年，他们创建了 53 量子比特的量子处理器 Sycamore，并用它来运行它估计的任务一台最先进的经典超级计算机大约需要 10,000 年才能完成。Sycamore 在 200 秒内完成了相同的任务。

“但‘量子加速’的障碍几乎是刚性的，它正在被新的研究不断重塑，这也要归功于更高效的经典算法的发展，”Carleo 说。

在他们的研究中，Carleo 和 Medvidovi? 解决该领域的一个关键悬而未决的问题：在当前和近期的量子计算机上运行的算法能否为实际感兴趣的任务提供优于经典算法的显着优势？“如果我们要回答这个问题，我们首先需要了解经典计算在模拟量子系统中的局限性，”Carleo 说。这一点尤为重要，因为当前一代的量子处理器在运行量子“软件”时会出错，因此只能运行复杂度有限的算法。

使用传统计算机，两位研究人员开发了一种方法，可以近似模拟一类称为变分量子算法的特殊算法的行为，这些算法是计算量子系统最低能量状态或“基态”的方法。QAOA 是此类量子算法家族的一个重要例子，研究人员认为它是近期量子计算机中“量子优势”的最有希望的候选者之一。

该方法基于现代机器学习工具（例如用于学习围棋等复杂游戏的工具）也可用于学习和模拟量子计算机的内部工作原理的理念。这些模拟的关键工具是神经网络量子态，这是 Carleo 与 Matthias Troyer 于 2016 年开发的人工神经网络，现在首次用于模拟 QAOA。该成果被视为量子计算领域，为未来量子硬件的发展树立了新的标杆。

“我们的工作表明，你可以在当前和近期的量子计算机上运行的 QAOA 也可以在经典计算机上以很高的精度进行模拟，”Carleo 说。“然而，这并不意味着可以经典地模拟可以在近期量子处理器上运行的有用的量子算法。事实上，我们希望我们的方法将作为设计新的量子算法的指南，这些算法既有用又难模拟经典计算机。”

智程网络科技_智能营销笔记本软件开发_大数据营销笔记本系统定制_营销软件-曲阜市智程网络科技有限公司