利用AI构建实用量子计算应用

在实践中构建实用量子计算机的难度极高，这需要大幅提高量子计算机的规模、保真度、速度、可靠性和可编程性，才能充分发挥其优势。另外，还需要功能强大的工具以解决许多阻碍实现实用量子计算的复杂物理挑战和工程难题。

AI 正在从根本上深入改变技术格局，重塑各行各业，并改变我们与数字世界的互动方式。获取数据和生成智能的能力为解决当今社会面临的一些极具挑战性的问题铺平了道路。从个性化医疗领域到自动驾驶汽车领域，AI 都处于技术变革的前沿，有望重新定义其未来，解决阻碍实用量子计算应用的诸多棘手问题。

量子计算机将与传统超级计算机集成，加速解决政府、学界和产业相关问题中的关键部分。NVIDIA 技术博客《量子加速超级计算介绍》中描述了这一关系。量子计算机与超级计算机集成所带来的优势是互惠的，这种紧密集成也将使 AI 能够帮助解决阻碍实用量子计算的最大挑战。

本文将探讨 AI 支持的量子计算的三个关键方面——处理器、纠错和算法，以及在构建使 AI 能够充分赋能量子计算的基础设施时需要考虑的一些实际因素。

改进量子处理器

量子处理器（QPU）堪称物理学和工程学的奇迹，这种处理器由许多经过微调的系统组成，用于保护和操纵量子比特（Qubit）。量子比特极其敏感，即便是最微小的噪声源都可能破坏计算。操作量子处理器的关键之一是实现最优控制，这可以确保对量子比特执行的所有必要操作都能最大程度地减少噪声。AI 是确定最优控制序列的重要工具，可使量子处理器产生最高质量的结果。

论文《基于图形处理单元的自动微分为量子最优控制提供的加速》中介绍的基础工作首次展示了 GPU 在加速量子最优控制自动微分方面的实用性。这项工作将使用 GPU 优化 10 量子比特 GHZ 状态的准备速度提高了 19 倍。这也促成了论文《利用强化学习的无模型量子控制》中所述的工作成果，这篇文章探讨了强化学习在量子最优控制问题中的应用。

AI 已被应用于许多其他量子设备运行的操作中，例如校准和量子比特读出，证明了 AI 能够在运行过程中同时减少来自多个来源的噪声。

纠正噪声量子比特引起的错误

即使是设计最好的量子硬件处理器，其量子比特噪声水平也达不到运行大多数算法所需的要求。理论上，量子纠错能够解决这一问题，因为它可以系统地消除量子计算中的错误，确保计算结果的可靠性。

量子纠错程序的步骤一般包括将量子信息编码成逻辑量子比特（由多个噪声物理量子比特组成）、对逻辑量子比特执行算法运算、解码发生了哪些错误（如有）以及纠正相应的错误。每个步骤都很复杂，需要高效执行才能在任何量子信息丢失或损坏之前纠正错误并完成计算。

研究人员认识到 AI 成为实现多个量子纠错工作步骤的绝佳工具，是因为其具备速度、可扩展性和复杂模式识别能力。例如，德国马克斯普朗克研究所（Max Planck Institutes）与埃尔朗根-纽伦堡大学（the Friedrich Alexander University）联合组建的一个团队利用强化学习发现了新的量子纠错码及其各自的编码器。详细信息请阅读论文《利用噪声感知强化学习智能体同时发现量子纠错码和编码器》。

AI 还非常有希望被用于解码步骤，比如谷歌最近研究了如何利用基于 Transformer 的递归神经网络来解码被称为表面代码的标准量子纠错码。如要了解更多信息，请查阅论文《使用递归的、基于变换器的神经网络解码表面代码的学习》。

图 1. 量子计算工作流，其中

通过 AI 实现的任务被标注为绿色

开发高效的量子算法

电路简化是量子工作流中的关键部分，可确保算法效率的最大化和所需资源的最小化。这项任务极其困难，通常情况下需要解决复杂的优化问题。而且在编译针对特定物理设备及其独特限制（如量子位拓扑结构）的算法时，复杂程度还会增加。

这个问题相当重要，以致于整个量子计算生态系统的主要参与者都在共同寻找通过 AI 实现的电路简化技术。例如谷歌 DeepMind、Quantinuum 和阿姆斯特丹大学最近联合开发了减少量子电路中资源密集型 T 门数量的 AI 方法。其研究结果表明，在量子电路通用基准集上，AI 能够显著改进最先进的 T 门减少技术。

量子算法设计的另一个问题是要找到某些子程序（如状态准备）的高效实现方法。理论上，一些已知的量子算法有望提供加速，但前提是这一经典问题已经被编码为量子态。状态准备本身可能就是一项极具挑战性的任务，所以不能想当然。

化学就是一个典型的例子，即在计算分子量子态能量之前，必须有具备分子量子态的近似值。圣犹达儿童研究医院、多伦多大学和 NVIDIA 合作开发了一种使用生成式预训练的 Transformer（GPT）模型进行分子状态准备的方法（图 2）。这是 GPT 在量子算法设计中的首次应用，可以推广到化学以外的应用领域。如要了解更多信息，参见《生成量子本征求解器（GQE）及其在基态搜索中的应用。

图 2. 生成式量子求解器方法

利用 GPT 为分子模拟准备电路

探索适用于量子计算的 AI

只有利用 AI 的力量，才能使实用量子加速超级计算为科学家、政府和企业带来价值。这一点的影响正变得日益明显，并且加强着 AI 与量子专家之间的合作。

为了将 AI 有效用于量子开发，就需要有新的工具，而且这些工具必须能够促进跨学科合作、针对每项量子计算任务进行高度优化，并充分利用量子加速的超级计算基础设施中可用的混合算力。

NVIDIA 正在开发软硬件工具，以使量子 AI 达到实现实用量子加速的超级计算规模所需。