EPFL教授Giuseppe Carleo 和哥倫比亞大學及紐約Flatiron研究所的研究生Matija Medvidovi?日前在《Nature Quantum Information 》發(fā)表一篇論文，他們發(fā)現了一種不是在量子計算機上執(zhí)行，而是在傳統計算機上執(zhí)行復雜量子計算算法的方法。

他們考慮的“量子軟件”被稱為量子近似優(yōu)化算法（QAOA），用于解決數學中的經典優(yōu)化問題，它本質上是一種從一組可能的解決方案中挑選出最佳解決方案的方法。“人們對量子計算機可以有效解決哪些問題很感興趣，而QAOA 是其中一個比較突出的候選者。”Giuseppe Carleo表示。

QAOA 最終目的旨在幫助我們實現所謂的“量子加速”，即我們可以使用量子計算機而不是傳統計算機實現處理速度的提升?？梢岳斫獬桑琎AOA 有許多包括谷歌在內的支持者，他們已經將其目光投向了未來量子技術和計算：在2019 年，他們創(chuàng)建了53量子比特量子處理器Sycamore，并使用其在200秒內實現了目前最先進的經典計算機耗時1萬年才能完成的計算任務。

Carleo和Medvidovi?的研究解決了該領域的一個重要的懸而未決的問題：在當前和近期量子計算機上運行的算法能否為具有實際意義的任務提供比經典算法更顯著的優(yōu)勢？“如果要回答這個問題，我們首先需要了解經典計算在模擬量子系統方面的局限性，”Giuseppe Carleo表示，“這一點尤其重要，因為當前的量子處理器在運行量子“軟件”時會出錯，因此只能運行復雜度有限的算法。”

兩位研究人員利用傳統計算機開發(fā)了一種方法，可以近似模擬一類稱為變分量子算法的特殊算法的行為，這些算法是計算量子系統最低能態(tài)或“基態(tài)”的方法。QAOA是此類量子算法家族的一個重要示例，研究人員認為，QAOA是近期量子計算機中“量子優(yōu)勢”最有希望的候選者之一。

該方法基于現代機器學習工具的理念，例如用于學習如圍棋游戲這樣的復雜游戲的工具以及可用于學習和模擬量子計算機的內部工作原理。這些模擬的關鍵工具是神經網絡量子態(tài)，這是Carleo于2016年與Matthias Troyer共同開發(fā)的人工神經網絡，現在首次用于模擬QAOA。這一結果被認為是量子計算的領域，為量子硬件的未來發(fā)展樹立了新的標桿。

“我們的研究表明，可以在當前和近期量子計算機上運行的QAOA ，也可以在經典計算機上以良好的精度進行模擬，”Carleo表示，“然而，這并不意味著可以在近期量子處理器上運行的所有有用的量子算法可以被經典地模擬。事實上，我們希望我們的方法將作為一種設計新的量子算法的指南，這些算法對經典計算機既有用又難以模擬。”