「量子霸權」提出者展望 新時代下量子計算的11大應用

「我們正進入一個量子技術新時代，我稱其為『NISQ』。」加州理工學院理論物理學家、「量子霸權（Quantum Supremacy）」概念提出者 John Preskill 說道。在近期位於加州山景城 NASA Ames 研究中心舉辦的商用量子計算會議（Quantum Computing for Business）上，Preskill 認為，人類在即將實現 50-100 量子比特的中型量子計算機後，便可將其應用於探索更多現有經典計算機無法進行但更具開拓性的研究領域，也意為著人類即將進入一個量子技術發展的關鍵新時代，因此稱其為「NISQ（Noisy Intermediate-Scale Quantum，含雜訊的中型量子）」時代。Preskill 就該主題進行了主題報告，詳細介紹了近期量子技術的應用前景，並表示學術界、產業界、投資界都不能對量子計算有過高的期待。會後 Preskill 將其演講的內容整理成一篇論文並公布在 arXiv 上。機器之心重點編譯介紹了該論文的第 6 部分「量子加速」的內容，包含 11 個應用方向，希望幫助讀者了解在這個特殊的量子時代下量子計算即將創造怎樣的應用，又將如何影響這個世界。

論文：Quantum Computing in the NISQ era and beyond

論文地址：https://arxiv.org/pdf/1801.00862.pdf

摘要：不久的將來我們就能用上含雜訊的中型量子（NISQ）技術。具備 50-100 個量子比特的量子計算機也許就能執行超越當前經典數字計算機能力範圍的任務，但量子門中的雜訊會限制可被可靠執行的量子迴路的規模。使用 NISQ 技術的設備將成為探索多體量子物理學的有用工具，且可能還有其它更廣泛的應用，但具備 100 個量子比特的量子計算機並不會瞬間為世界帶來天翻地覆的變化——我們應該將其看作是向未來更強大的量子技術邁出的重要一步。量子技術學家應該繼續為更準確的量子門而努力，並最終實現完全容錯的量子計算。

6 量子加速

我想重點關注量子計算是否會有能被廣泛使用的應用，尤其是能在相對近期實現的應用。關鍵問題是：量子計算機將在何時具備比經典計算機更快的速度求解問題的能力，以及針對什麼樣的問題？

至少在近期內，量子計算機很可能仍是大多數用戶只能通過雲端進行訪問的專用設備。當我們談論量子加速時，我們通常指量子計算機求解問題的速度比經典計算機更快，即使該經典計算機使用了可用範圍內最好的硬體並且運行了可解決同一任務的最佳演算法。（但可以說，即使經典超級計算機的運行速度更快，只要有例如量子硬體具有低成本和低功耗等優勢，那麼人們可能還是更傾向於使用量子技術。）無論如何，我們都應該意識到經典計算機的計算能力還會繼續增長，預計未來幾年內就會出現可用的超大規模系統（速度超過 10^18 每秒浮點計算（FLOPS））。量子計算機追趕的是一個正在前進的目標，因為經典硬體和經典演算法也都在繼續變得更好。

幾年之前，我充滿激情地談到「量子霸權（Quantum Supremacy）」是人類文明即將迎來的里程碑 [20]。我建議使用這個術語來描述這個情況：量子設備可以執行任何已有的（或可預見的）經典設備都無法執行的計算任務，且不管這個任務是否具有任何用途。我曾經試圖重點強調現在是我們星球粗糙的技術史上一個非常特殊的時期，而且我不後悔這麼做過。但從商業角度看，我們顯然應該關注這些任務是否有用！量子霸權是一個值得追求的目標，但值得企業家和投資者關注的並不特別在於其本身的重要性，而是因為這是一個未來將近一步實現更有價值的應用的進展標誌。

我們也應該記住，由於 NISQ 時代的技術的不完美表現，我們可能難以驗證一台量子計算機給出的答案是否正確。對於物理學家尤其感興趣的量子模擬問題而言尤其如此。所以繼續尋找驗證量子計算機輸出的更好方法對於研究者而言是非常重要的。

6.1 量子優化器

我已經強調過，我們並不期望量子計算機能夠有效求解 NP-hard 問題（比如組合優化問題）的最糟糕情況；但仍然可以相信（雖然無法確保）量子設備能夠找到更優的近似解或更快地找到這樣的近似解。比如，我們可能在 n 個比特上指定 m 個約束，然後求解儘可能多地滿足這 m 個約束的 n 比特串。如果可以找到同時能被滿足的約束的最大數量 k，那麼也許可以說我們確實已經求解了這個優化問題；而且如果可以保證可滿足的約束的最大數量 k，至少滿足 k"（k"<k），那麼我們可得到一個近似解；近似率 k"/k 是衡量該近似解是否優質的方法。

對於某些優化問題，比如在近似率足夠接近於 1 [21] 的情況下求出一個近似解也是 NP-hard 問題，而且在這些情況下，我們預計量子計算機也無法有效地為該問題的困難實例找到近似解。但對於很多問題來說，在我們使用目前已知的最優經典演算法所得到的解的近似效果，距離解決 NP-hard 問題還存在很大的差距。所以不難發現：對於尋找近似解的任務而言，量子計算機相對於經典計算機而言存在優勢——更多使用者也許會認為這個優勢很有價值。

這個量子優勢是否真的存在目前還懸而未決，但我們很快就將有機會使用量子硬體用實驗方法來探索這一問題了。當然，就算在處理近似優化問題上量子優勢確實存在，NISQ 時代的量子技術可能也並不足夠用於展示這一優勢；儘管如此，嘗試一下，看看效果如何，也會很有意思。

使用近期的量子技術來求解優化問題已逐步形成趨勢，這一新興範式是一種量子與經典的混合演算法。在這種方案中，我們使用量子處理器來製備一個 n 個量子比特的量子態，然後再使用經典優化器來測量所有的量子比特以及處理測量結果；這個經典優化器可以指示量子處理器微調 n 個量子比特量子態的製備方式。這個過程將重複很多次，直到其收斂到一個可以提取出近似解的量子態。當被應用於經典組合優化問題時，這個流程被稱為量子近似優化演算法（QAOA：Quantum Approximate Optimization Algorithm）[22]。但該流程也可被應用於量子問題，比如尋找多粒子量子系統（比如大分子）的低能態。當被應用於量子問題時，這個量子與經典的混合流程被稱為可變數子本徵求解（VQE：Variation Quantum Eigensolver）[23]。

所以 NISQ 技術在有運行 QAOA 或 VQE 演算法下，能否超越尋找同樣問題的近似解的經典演算法？沒人知道，但我們正打算嘗試，然後看看我們能做到多好。這是個宏偉目標，因為我們用於求解這些問題的經典方法已經歷了數十年的打磨發展，效果已經相當好了。另一方面，即使早期 NISQ 時代的量子設備還無法與最好的經典計算機媲美，實驗結果也可能會激勵我們期待看到 QAOA 和/或 VQE 在未來超越經典方法，從而近一步推動技術發展。

6.2 量子硬體測試平台的意義

經典計算的發展歷史告訴我們：當硬體變得可用時，會刺激和加速新演算法的發展。有很多啟發式研究成果都是通過實驗發現的，這些效果反而更優於理論研究者最初可解釋的想法。我們可以預見，同樣的情況也會在量子計算機上發生。

比如說，理論研究者最終解釋了用於線性規劃的單純形法（simplex method）在實踐中效果良好的原因 [24]，但很久之前人們已經通過實驗發現它很有用。深度學習也是現今一個較具代表性的例子 [25]；對於深度學習效果良好的原因，我們目前還缺乏一個足夠好的理論解釋。在量子方面也是如此，實驗也許能夠驗證啟發式演算法的表現，而我們並不理解它們有效的原因。對於我們正計劃測試的量子優化演算法，這種情況尤其可能出現。

但我要再次強調，NISQ 系統中不完美的量子門會嚴重限制它們的計算能力，因為帶有許多量子門的迴路可能會有太多雜訊，以至於無法給出有用的結果。近期的實驗將會探索我們能用 100 個量子比特和少於 100 層迴路深度（即時間步驟的數量）的量子計算機做什麼，也許使用的量子比特位數更少、迴路深度更淺。量子演算法設計者和應用用戶之間的熱烈討論可能有助於指明有潛力的實驗方向；類似於這次會議的一大重要目標就是促進和激勵量子計算的商用前景。

6.3 量子退火

我一直都在強調：50 至 100 個量子比特是量子技術即將迎來的里程碑，但事實上我們現在已經有一種 2000 量子比特的量子設備了——D-Wave 2000Q。這個機器並非一種基於迴路的量子計算機，而是一種我們稱為量子退火機（quantum annealer）的設備，它使用了一種不同於量子迴路的運行方法來求解優化問題，而且通常能成功求解這些問題。

但就目前而言，我們還沒有令人信服的理論論證或可信的實驗證據來證明量子退火機確實能夠加速求解——相比於針對同樣問題的運行最優演算法的最優經典硬體算力 [26,27]。這個情況有些微妙。量子退火機是我們所說的絕熱量子計算的有雜訊版本（比如對於 D-Wave 機器，使用的也是質量相當差的量子比特）。對於無雜訊量子比特的情況，我們確實有一項理論論證表明絕熱量子計算和基於迴路的量子計算一樣強大 [29]。但是，這個論證表明，只有當絕熱方法以一種需要付出更多代價的方式，即需要在具有額外的物理量子比特的環境中執行時，絕熱量子計算和基於迴路的量子計算之間的等效性才會成立；這與當前量子退火機所使用的方法相當不同。無論如何，這個形式論證僅適用於無雜訊量子比特，而且（和基於迴路的量子計算不同），我們沒有很好的理論論證表明量子退火機是可擴展的。也就是說，在量子比特有雜訊的情況下，就算我們願意花費相當大的成本來增強有雜訊下量子計算機性能的穩健性，我們也不知道如何證明量子退火機在問題規模擴大時還能繼續成功地工作。

目前而言，量子退火機基本都應用於當退火過程處於 stoquastic 模式（哈密頓體系的一種，更常見於現實場景）的情況——也就意味著經典計算機能相對容易地模擬量子退火機所做的事情 [30]。非 stoquastic 模式下的量子退火機很快就將出現，這在實現相對於最優經典演算法的加速上可能有更大的潛力。

因為理論研究者仍未確定量子退火是否強大，所以還需要近一步的實驗。未來幾年使用量子退火機進行的實驗很可能將提供豐富的信息。特別要指出，除了量子退火機在經典優化問題上的應用之外，在量子模擬問題上的應用也應該得到探索 [31]。

6.4 抗噪量子迴路

我已經著重指出最終我們將使用量子糾錯（quantum error correction）來擴展使用有雜訊量子計算機可靠執行的計算規模。但由於量子糾錯機制具有很高的開銷成本，NISQ 設備在近期還不會使用它。不過，尋找減輕雜訊影響的方法可能是 NISQ 時代一個重要的研究方向。

人們可能會天真地認為，對於一個具有 G 個門的通用迴路，迴路中任何位置的單個錯誤都會導致計算失敗；如果真是這樣，那麼如果每個門的錯誤率遠大於 1/G 時，我們就不能可靠地執行這個迴路。但是，至少對於某些問題和演算法而言，這個結論可能過於悲觀了。

具體來說，對於物理學家感興趣的某些量子模擬演算法，僅在相對少數的迴路位置，錯誤門才會導致計算嚴重出錯。其原因是迴路的深度較淺，而且我們可以允許最終觀測結果中每個量子比特有一個恆定的錯誤概率；或者是因為早期在迴路中由某個錯誤導致的損害會在之後衰減。某些張量網路結構就具有這樣的抗噪能力，可以藉助這種結構使用 VQE 來求解量子優化問題 [32,33]。

未來幾年對於實驗主義者和理論研究者來說存在一個合作的重大機會，可以努力尋找實現量子迴路抗噪的更好方法，並由此增強 NISQ 技術的計算能力。但我們也應該審慎對待這樣一種潛在的權衡——讓量子迴路抗噪能力更強可能也會讓通過經典方式模擬它更容易。

6.5 量子深度學習

機器學習正在實現技術變革，而且也對科學有很大的影響，所以我們很自然就會思考機器學習與量子技術結合起來的潛力。量子機器學習（quantum machine learning）有一些不同的概念。這一主題的大多數文獻都是關於開發能夠加速線性代數及相關任務的量子演算法 [34，35]，我會在隨後的小節中指出這些應用。

但首先我想評價一下量子深度學習（quantum deep learning）[36] 的潛力。深度學習本身已經變成了一個寬泛的主題 [25]，但為了具體論述，讓我們思考一下受限玻爾茲曼機。這也許可以被看作是一個處於低溫但非零溫度條件下熱平衡環境的自旋系統，其中有很多分隔輸入和輸出的自旋隱藏層。（「受限」一詞意味著某個給定層內的自旋沒有耦合；只有相繼的層中的自旋是耦合的。）該系統可能具有數百萬個耦合參數，這些參數會在訓練階段得到優化，從而為輸入和輸出得到一個所需的聯合概率分布。這個訓練過程可能是監督式的（比如可能是教該網路學習識別有標籤的照片集），也可能是無監督式的（其目標是識別無標籤訓練數據集中的模式）。這種機器的量子模式可以具有相似的結構和功能，但這裡的自旋是量子比特而非經典比特。相比於經典的深度學習網路，量子深度學習網路可能具有優勢；比如它們針對某些目的的訓練可能更容易。但我們實際上並不真正清楚——這是另一個需要嘗試並了解結果的機會。

對於量子機器學習的潛力報以期待的一個可能原因在其被稱為 QRAM 的概念，即量子隨機存取存儲器（quantum random access memory）。通過使用 QRAM，我們可以將一個具有 N 個分量的向量編碼進僅僅 log N 個量子比特中，從而能以非常簡明的方式表示大量經典數據。但量子機器學習應用的典型提議都受嚴重的輸入/輸出瓶頸限制。對於使用大量經典數據集的應用，人們應該考慮將輸入數據編碼進 QRAM 中的成本，這會削弱其演算法的潛在優勢。此外，量子網路的輸出本身是一個量子態；為了得到有用的信息，我們需要對該狀態進行觀測，而在對 log N 個量子比特的單次觀測中，我們得到的信息不會超過 log N 個比特的經典信息。

當我們試圖訓練一個量子網路來學習經典數據中的相關性時，這些瓶頸就會出現。也許在輸入和輸出都是量子態的情境下思考量子機器學習要更為自然。因此，比如在控制複雜量子系統方面，我們也許可以預見量子網路比經典網路更優。更寬泛而言，在試圖學習量子糾纏具有重要影響的概率分布時，可以相信量子深度學習會比經典深度學習更強大。也就是說，量子深度學習網路可能非常適合量子任務，但對於我們目前廣泛研發的深度學習應用，還不確定量子網路是否具有優勢。

從積極的一面看，值得注意的是，量子深度學習機器並不非得是通用的基於迴路的量子計算機，也可能是一種專用設備——也許是不含太多雜訊的量子退火機。

6.6 量子矩陣求逆

QRAM 對量子演算法還有更近一步的影響。特別是量子技術能給矩陣求逆任務帶來指數級的加速，這可能具有很多應用。

我們稱為 HHL [37] 的演算法（得名於九年前第一次討論該演算法的三位作者）的輸入包含一個非常大的 N×N 矩陣 A 的簡明表示（該矩陣必須足夠稀疏且是良態的）和一個包含 N 個分量的向量 |b>（在 QRAM 中被編碼成 log N 個量子比特的量子態）。這個量子演算法的輸出是量子態

（帶有很小的誤差），這是將矩陣 A 的逆應用到輸入向量 |b> 上所得到的結果。該演算法的運行時間為 O(log N)，相比於經典的矩陣求逆實現了指數級的加速（對於固定的誤差與 A 的固定稀疏度和條件數）。

但是，除了矩陣 A 是稀疏的並且是良態的之外，還要注意輸入向量 |b> 和輸出向量

都是量子態。一旦我們有了輸出態，我們就可以執行觀測來了解輸出向量

的特徵；通過多次重複這一方案，我們可以了解到該輸出向量的更多細節。但如果我們試圖將該矩陣求逆演算法應用到經典的輸入數據上，我們就需要考慮將經典數據載入 QRAM 的潛在成本，這可能會抵消其指數級的加速。或者，通過在量子計算機上計算 |b>，而不是從資料庫導入，也許可以避免將經典數據載入 QRAM 的過程。

我們確實有很好的理由相信這種量子矩陣求逆演算法很強大，因為它能解決所謂的 BQP-complete 問題。也就是說，任何可以使用量子計算機有效解決的問題都可以被編碼成這種矩陣求逆問題的一個實例。而且人們已經提出了一些潛在有用的應用。比如說，我們可以使用這種矩陣求逆演算法來尋找經典的線性場方程 [38] 的近似解，在對空間格（spatial lattice）上的場進行離散化之後，再應用一個合適的預條件處理。這個過程可被用於，比如，求解在複雜三維幾何中的電磁學方程，從而可以優化天線的性能。

我預計 HHL 最終會有具重大影響的應用，但在 NISQ 時代恐怕無法實現。對於不使用糾錯機制的量子計算機來說，這個演算法成功執行的成本可能會非常高。

6.7 量子推薦系統

最近有研究者提出了另一個量子演算法 [39]，該演算法在做出高價值推薦的任務上能相比於當前已知的最優經典演算法實現指數級的加速。該任務的目標是：基於對某個客戶和其他客戶的偏好的理解有限的情況下，向該客戶推薦他可能會喜歡的產品。

我們將該問題的簡化版本形式化表示一下，假設有 m 個客戶和 n 件產品，設 P 為一個二值的 m×n 的偏好矩陣；如果客戶 a 喜歡產品 i，則

；如果客戶 a 不喜歡產品 i，則

。實際情況下，我們可能有 m≈10^8 個用戶和 n≈10^6 件產品，但該矩陣的秩 k 相對較小，也許為 k≈100。秩小說明客戶類型的數量有限；因此，一旦我們知道了一個新客戶的一些偏好，我們就可以準確地推薦該客戶會喜歡的其它產品。

推薦系統的演算法有兩個階段。第一個階段是離線執行，會構建偏好矩陣 P 的一個低秩近似。第二個階段是在線執行，新客戶會揭示出一些偏好，然後該系統輸出一個該客戶有很高概率會喜歡的推薦。量子能夠帶來加速的是在第二個階段（在線執行階段）。量子運行時間為 O(poly(k)polylog(mn))，而已知的最優經典演算法需要 poly(mn) 時間才能返回一個高價值的推薦。關鍵在於，與經典演算法不同，量子演算法不會嘗試重建完整的推薦矩陣，這樣做會花費太多時間。相反，量子演算法是從 P 的低秩近似上進行有效的採樣。

這能為真實世界的機器學習應用提供顯著的量子加速，能夠激勵人們發現其它類似的加速。但是，我們目前還沒有一個有說服力的理論論證表明由量子推薦系統所執行的任務（在 polylog(mn) 時間內返回一個高質量推薦）無法通過經典方法實現。進行這樣的論證有助於強化我們對量子計算機對機器學習會有重大影響的信心。但是，在 NISQ 時代，同樣因為該演算法的成本可能太高，從而無法得到讓人信服的驗證。

6.8 量子半定規劃

半定規劃（semidefinite programming）是指優化服從矩陣不等式約束的線性函數的任務。具體來說，給定輸入 m+1 個 N×N 埃爾米特矩陣（Hermitian Matrix）

和實數

，目標是找到一個半正定的 N×N 矩陣 X，使之能最大化滿足 m 個約束 (AiX) ≤bi 的 tr(CX)。這種類型的凸優化問題有廣泛的應用，使用經典方法可以在 poly(m,N) 時間內解決。

最近發現的一個量子演算法 [40,41] 能在 polylog(N) 時間內找到該問題的一個近似解，即能實現指數級的速度提升。在該量子演算法中，輸出是一個量子態，一個近似最優矩陣 X 的密度算符ρ。然後可以對這個量子態進行觀測，以提取出有關 X 的信息，而且可以對這個過程多次重複，從而得到有關 X 的更多細節。

但是，在分析量子演算法時，人們會假設存在某種特定形式的初始量子態——與一個哈密頓量關聯的熱吉布斯態（thermal Gibbs state），該哈密頓量是這個半定規劃的輸入矩陣的一種線性組合。這種指數級加速能否真正實現取決於能否使用量子計算機有效地製備出這個吉布斯態。

對於結構正確的半定規劃，吉布斯態的有效製備是可能的，因此指數級加速實際上是可以實現的。具體而言，如果該半定規劃的所有輸入矩陣都有低秩，或如果對應的哈密頓系統能快速熱化，那麼該量子演算法就能實現指數級加速。我們目前還不清楚在實踐中這些性質能在半定規划上應用到何種程度；搞清楚這一問題是未來的一個重要研究目標。

有趣的是，該量子演算法中的關鍵步驟是在非零溫度下製備一個熱態。這說明該演算法有一些固有的熱雜訊穩健性，或者該演算法的熱化階段可以通過量子退火來執行。可以相信，能夠通過 NISQ 技術實現半定規劃的量子求解器。

6.9 量子模擬

正如我已經強調過的，我們預計量子計算機非常適用於研究許多粒子構成的高度糾纏系統的性質。正如 Laughlin 和 Pines [8] 在我之前引述過的那項聲明中強調的那樣，我們認為模擬那種「強相關」物質是一個艱難的計算問題。因此，正如費曼指出的那樣 [9]，對高度糾纏的量子物質的模擬顯然是量子計算機相比於經典計算機有明顯優勢的領域。

長遠來看，使用量子計算機進行量子模擬有廣泛影響世界的巨大潛力 [42,43,44]。由量子計算助力實現的量子化學進展也許能夠促進新藥物的設計以及帶來提升固氮或碳捕獲效率的新型催化劑。由量子模擬得到的新材料有望帶來更高效的電力傳輸方式或改進太陽能的收集方法。我們可能難以想像更強大的量子模擬器所能帶來的最具變革力量的發現。但在 NISQ 時代，這個願景不太可能實現，因為在沒有糾錯的情況下，實現能成功準確模擬大分子和特殊材料的量子演算法的成本實在太高了。

在模擬量子動力學方面（即預測高度糾纏的量子態如何隨時間變化），經典計算機的能力是非常差的。量子計算機在這一任務上具有很大的優勢，而且物理學家希望能在相對近期使用 NISQ 技術了解有關量子動力學的有趣地方。有一個事件可做參考。上世紀 60 和 70 年代，在有可能使用經典計算機模擬混沌動力學系統之後，經典混沌理論（在經典動態系統中對初始條件極其敏感的性質，這讓我們沒有能力預測兩周之後的天氣）得到快速發展。我們可以預見，模擬混沌量子系統（在這樣的系統中，糾纏的傳播速度非常快）能力的出現將能促進我們對量子混沌的理解。使用具有 100 個量子比特的有雜訊設備也許就已經能搜集到有價值的信息了。

6.10 數字型量子模擬與模擬型量子模擬

我已經強調過模擬量子動力學的潛在價值，我還應該談談模擬型（analog）量子模擬和數字型（digital）量子模擬之間的差別。當我們談論模擬型量子模擬器時，指的是一種帶有很多量子比特的系統，其動力學類似於我們試圖研究和理解的模型系統的動力學。相對而言，數字型量子模擬器是一種基於門的通用量子計算機，當被合適地程序化後，該系統可以用來模擬任何相關的物理系統，而且也可被用於其它目的。

近 15 年以來，模擬型量子模擬一直都是一個非常活躍的研究領域，而使用通用目的的基於迴路的量子計算機的數字量子模擬才剛剛起步。但囚禁離子和超導電路等實驗平台在這兩方面都可應用。值得注意的是，模擬型量子模擬器明顯變得越來越複雜了，而且也已經在超出經典模擬器能力範圍的量子動力學研究領域得到了應用 [45,46]。但模擬型量子模擬因為不能完美地控制而受到了阻礙——實驗室中的實際量子系統只能粗略地與相關模型系統近似。由於這個原因，模擬型量子模擬器最適用於研究物理學家所說「廣義」特性，即在引入少量誤差源時能保持相對穩健的特性。使用模擬型量子模擬器進行研究的一個主要挑戰是確定量子系統對誤差穩健同時又難以通過經典方法模擬的可用特性。

我們可以預見，模擬型量子模擬器最終將會過時。因為它們難以控制，所以未來某天它們會被可使用量子糾錯機制可靠地控制的數字型量子模擬器超越。但因為量子糾錯具有極大的開銷成本，所以模擬型量子模擬器的主導地位可能還會持續很多年。因此，在探尋量子技術的近期應用時，我們不應該忽視模擬型量子模擬器的潛在力量。

6.11 量子遊戲

經典計算的進步帶來了一個電子遊戲新世界，觸及了數百萬人的生活，創造了數十億美元的收入。量子計算機也能做到這一點嗎？

物理學家常說量子世界是反直覺的，因為它與常規經驗相差太大了。就現在而言，這是實情，但未來可能會不一樣吧？玩量子遊戲長大的孩子也許會具備我們這一代人缺乏的對量子現象的深刻理解。此外，量子遊戲可以為量子機器學習方法開闢一個新場地，這些方法可能會抓住機會在量子糾纏扮演重要角色的場景中提升遊戲玩法。

8 總結

現在讓我總結一下我試圖傳達的主要觀點。

現在是科學技術史上的一個特殊時期，我們正見證著 NISQ 時代的啟幕（NISQ=含雜訊中型量子技術）。我們很快就將有機會使用 NISQ 技術進行實驗，看看它們能做到什麼。也許在不久的將來，NISQ 能讓我們加速求解人們廣泛關注的問題，但我們並不知道這是否將會發生。

我們有一些想要嘗試的特定想法，比如用量子-經典混合演算法求解優化問題，這種演算法既是經典的，也是量子的。

可以預見，一旦我們有了可以進行實驗的量子計算機，量子演算法的發展就會加速。也許人們會發現用於求解有用問題的新的啟發式方法，儘管我們可能無法很好地解釋這些啟發式方法的工作方式——至少不能很快解釋。

儘管我們可能無法使用充分的量子糾錯來保護 NISQ 時代的設備免受雜訊干擾，但在近期我們在設計量子演算法時應該將抗噪考慮進來。精妙的抗噪演算法設計可以提升 NISQ 設備的計算能力。

經典計算機模擬高度糾纏的多粒子量子系統的能力非常差；因此量子動力學是一個尤其有前景的領域，量子計算機在這一領域可以有超越經典計算機的重大優勢。

我們應該繼續重點開發具有更低門錯誤率的量子硬體。量子門準確度的提升能夠降低最終實現時量子糾錯的開銷成本。在更近期，更準確的門讓我們可以執行更大規模的量子迴路，進而提升 NISQ 技術的能力。

只有 NISQ 本身可能無法改變這個世界。相反，量子平台近期的主要目標應該是為更大的回報奠定基礎——這些回報將會由未來更先進的量子設備實現。

未來真正變革性的量子技術可能必須具備容錯能力，而由於量子糾錯具有極其高的開銷成本，所以容錯型量子計算的時代可能仍然還相當遙遠。沒人知道我們還要多久才能到達這一時代。在量子社區急切地想要抓住機會實驗即將到來的 NISQ 設備的同時，我們也不能忽視至關重要的更長期目標：加速容錯時代的到來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！