史丹佛、柏克萊新研究推翻Google「量子霸權」!理論上很美,其實沒戲
量子霸權,這個字已經誕生了近4年了。
2019年,Google的物理學家宣布成功用一台53量子位元的機器實現了量子霸權,這是一個具有重大象徵的里程碑。
在Nature上發表的論文中稱,該量子系統只用了200秒完成一個計算,而同樣的計算用當時最強大的超級計算機Summit執行,需要約10000年。
什麼是量子霸權?
所謂「量子霸權」,或稱為「量子優勢」(以下稱為「量子霸權」)是指,量子電腦能完成的任務超出了任何可行經典演算法的範圍。
這些任務即使放在最先進的傳統超級電腦上,運算時間之長(往往是成千上萬年)也會讓演算法失去實用意義。
有趣的是,在2019年Google的成果中,只說了實現了量子霸權,沒有說明在哪些具體實例下,量子電腦超過了經典電腦。
這是一個很難回答的問題,因為目前量子電腦受到錯誤頻率的困擾,這些錯誤會累積,破壞量子運算的效能和穩定性。
實際上,與量子霸權的實現領域相比,科學家更想知道的是另一個問題:隨著量子電腦越來越大,經典演算法是否能夠跟上腳步。
德州大學奧斯汀分校的電腦科學家Scott Aaronson說:「我們希望最終量子一方會完全拉開距離,徹底結束這場競爭。」
大多數研究人員推測,答案是否定的。
即經典演算法總有一天會徹底跟不上量子運算的腳步,但一直無法準確全面地證明這一點。要確定證明這個推論,一個途徑是找到量子計算能夠獲得相對於傳統計算「持久優勢」的條件。
現在,這個問題似乎有了初步答案:
#省流:量子運算是會產生錯誤的,如果糾錯跟不上,這種錯誤就會打破理想狀態下的「量子霸權」,讓經典演算法跟上量子演算法的腳步。
最近,在一篇Arxiv上發表的預印本論文中,由哈佛大學、加州大學柏克萊分校、以色列希伯來大學的聯合團隊朝著證實這個結論邁出了一大步。
他們證明了,目標錯誤修正是隨機電路取樣中持久量子霸權的必要條件,為幾年前Google的研究結論提供了支撐。在目前的量子糾錯水準下,量子霸權其實是並不存在的。
再無量子霸權「黃金地帶」
研究人員開發了一種經典演算法,可以模擬有錯誤時的隨機電路取樣實驗來證明這個結論。
從一個量子位元陣列開始,用被稱為「量子閘」的操作隨機操縱這些量子位元。有些量子閘會使成對的量子位元處於糾纏態,即意味著彼此共享一個量子態,不能被單獨描述。
在多層電路中重複設定這些量子閘門,可以讓量子位元進入更複雜的糾纏態。
左圖為理想狀態下的隨機電路取樣,右圖為包含幹擾的隨機電路取樣
為了了解這種量子態,研究人員測量了陣列中的所有量子位元。這個行為會導致所有量子位元的集體量子態坍縮為一串隨機的普通位元,即0和1。
可能的結果數量隨著陣列中的量子位元數量的增加而迅速增長。在Google2019年的實驗中,53個量子位元下包含近10兆個的結果。
而且,這種方法需要從隨機電路中多次重複測量,建立一個關於結果的機率分佈圖。
關於量子霸權的問題是,用一個不使用任何糾纏的經典演算法,來模仿這種機率分佈,是否很難甚至不可能?
2019年,Google研究人員證明,對於無誤差、不會產生錯誤的量子電路來說,這個目標是困難的。在沒有錯誤的情況下,確實很難用經典演算法模擬一個隨機電路取樣實驗。
從計算複雜度的角度看,當量子位元數量增加時,傳統分類演算法的計算複雜度是呈指數增加的,而量子演算法是呈現多項式增加的。
當n增加到夠大時,一個在n中呈指數級的演算法,要遠遠落後於任何在n中呈多項式的演算法。
當我們談到一個對經典電腦來說很難,但對量子電腦來說很容易的問題時,指的就是這種區別。最好的經典演算法需要指數時間,而量子電腦可以在多項式時間內解決問題。
不過,2019年的那篇論文沒有考慮不完善的量子閘門造成錯誤的影響,研究結論其實留了個口子,也就是說,沒有糾錯的隨機電路取樣,是否還能實現量子霸權?
實際上,如果考慮量子糾纏中產生的、可以累積的錯誤,那麼用經典演算法模擬隨機電路取樣實驗的難度就會大大降低。而如果經典演算法模擬的計算複雜度,降低到與量子演算法相同的多項式級別,量子霸權就將不復存在。
這篇新論文表明,假設保持電路深度不變,比如說很淺的3層,隨著量子位元數量的增加,不會有太多的量子糾纏,輸出仍然可以進行經典模擬。
另一方面,如果增加電路深度,跟上不斷增加的量子位元數量,那麼由量子閘門錯誤累積的效應將沖淡糾纏產生的複雜程度,用經典演算法模擬輸出仍然會變得更加容易。
在這兩者之間有一個「黃金地帶」,即量子霸權得以繼續存活的窗口,即傳統演算法模擬跟不上量子糾纏的範圍。
在這篇論文發表之前,即使隨著量子位元數的增加,當量子位元數量達到某個中間範圍時,量子霸權是仍然存在的。
在這種電路深度下,即使輸出會因量子演算法錯誤而穩定地退化,但在每一步都難以進行經典演算法模擬。
這篇新論文把這個「黃金地帶」幾乎消滅了。
論文中推導出一種模擬隨機電路取樣的經典演算法,並證明了其運行時間是運行相應量子實驗所需時間的多項式函數,而非指數函數。
這一結果在隨機電路取樣的經典方法和量子方法的速度之間建立了緊密的理論聯繫,即宣告了在理論上已經實現的量子霸權,在實際上幾乎並不存在。
之所以說“幾乎”,是因為新演算法的基本假設對某些較淺的電路是無效的,留下了一個未知的「小缺口」。
不過,很少有研究人員也對在這個缺口中實現量子霸權抱持希望。連2019年Google那篇論文的作者之一、芝加哥大學的電腦科學家比爾‧費弗曼(Bill Fefferman)也表示:「我看這個幾率相當小」。
可以這麼說,依照計算複雜度理論的嚴格標準,隨機電路取樣已經不會產生量子霸權了。
另外,面對這個結論,所有研究人員都同意,量子糾錯對於量子運算的長期成功將是多麼關鍵。 Fefferman說:「我們研究到最後都發現,量子糾錯才是解決方案。」
以上是史丹佛、柏克萊新研究推翻Google「量子霸權」!理論上很美,其實沒戲的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

大規模語言模型(LLMs)在許多重要任務中展現了引人注目的能力,包括自然語言理解、語言生成和複雜推理,並對社會產生了深遠的影響。然而,這些出色的能力卻需要大量的訓練資源(如左圖)和較長的推理時間(如右圖)。因此,研究人員需要開發有效的技術手段來解決它們的效率問題。此外,從圖的右邊還可以看出,一些高效率的LLMs(LanguageModels)如Mistral-7B,已經成功應用於LLMs的設計和部署中。這些高效的LLMs在保持與LLaMA1-33B相近的準確性的同時,能夠大大減少推理內存

近年來,多模態學習受到重視,特別是文字 - 圖像合成和圖像 - 文字對比學習兩個方向。一些 AI 模型因在創意圖像生成、編輯方面的應用引起了公眾的廣泛關注,例如 OpenAI 先後推出的文本圖像模型 DALL・E 和 DALL-E 2,以及英偉達的 GauGAN 和 GauGAN2。谷歌也不甘落後,在 5 月底發布了自己的文字到圖像模型 Imagen,看起來進一步拓展了字幕條件(caption-conditional)圖像生成的邊界。僅僅給出一個場景的描述,Imagen 就能產生高品質、高解析度

多模態大模型最全綜述來了!由微軟7位華人研究員撰寫,足足119頁——它從目前已經完善的和還處於最前沿的兩類多模態大模型研究方向出發,全面總結了五個具體研究主題:視覺理解視覺生成統一視覺模型LLM加持的多模態大模型多模態agent並專注於一個現象:多模態基礎模型已經從專用走向通用。 Ps.這也是為什麼論文開頭作者就直接畫了一個哆啦A夢的形象。誰適合閱讀這份綜述(報告)?用微軟的原話來說:只要你有興趣學習多模態基礎模型的基礎知識和最新進展,無論你是專業研究員還是在校學生,這個內容都非常適合你一起來

3奈米製程,性能超越H100!最近,根據外媒DigiTimes爆料,英偉達正在開發下一代GPU,代號為「Blackwell」的B100據稱,作為面向人工智慧(AI)和高性能計算(HPC)應用的產品,B100將採用台積電的3nm工藝過程,以及更為複雜的多晶片模組(MCM)設計,並將於2024年第四季現身。對於壟斷了人工智慧GPU市場80%以上份額的英偉達來說,則可以藉著B100趁熱打鐵,在這波AI部署的熱潮中進一步狙擊AMD、英特爾等挑戰者。根據英偉達的估計,到2027年,該領域的產值預計將達到約

EfficientSAM這篇工作以5/5/5滿分收錄於CVPR2024!作者在某社群媒體上分享了這個結果,如下圖所示:LeCun圖靈獎得主也強烈推薦了這份工作!在近期的研究中,Meta研究者提出了一種新的改進方法,即使用SAM的遮罩影像預訓練(SAMI)。此方法結合了MAE預訓練技術和SAM模型,旨在實現高品質的預訓練ViT編碼器。透過SAMI,研究者試圖提高模型的表現和效率,為視覺任務提供更好的解決方案。這項方法的提出為進一步探索和發展電腦視覺和深度學習領域帶來了新的思路和機會。透過結合不同的

時隔四個月,ByteDanceResearch與北京大學物理學院陳基課題組又一合作工作登上國際頂級刊物NatureCommunications:論文《TowardsthegroundstateofmoleculesviadiffusionMonteCarloonneuralnetworks》將神經網絡與蒙特卡洛方法結合,大幅提升神經網絡方法在量子化學相關任務上的運算精度、效率、體系規模,成為最新SOTA。論文連結:https://www.nature.com

影像到影片生成(I2V)任務是電腦視覺領域的一項挑戰,旨在將靜態影像轉化為動態影片。這個任務的困難在於從單張影像中提取並產生時間維度的動態訊息,同時保持影像內容的真實性和視覺上的連貫性。現有的I2V方法通常需要複雜的模型架構和大量的訓練資料來實現這一目標。近期,快手主導的一項新研究成果《I2V-Adapter:AGeneralImage-to-VideoAdapterforVideoDiffusionModels》發布。該研究引入了一種創新的圖像到視頻轉換方法,提出了一種輕量級適配器模組,即I

兩位獲得2022年玻爾茲曼獎的科學家已經公佈,這個獎項由IUPAP統計物理委員會(C3)設立,旨在表彰在統計物理學領域取得傑出成就的研究者。獲獎者必須是之前沒有獲得玻爾茲曼獎或諾貝爾獎的科學家。這個獎項始於1975年,每三年頒發一次,以紀念統計物理學的奠基人路德維希·玻爾茲曼DeepakDharistheoriginalstatement.獲獎理由:表彰DeepakDharistheoriginalstatement.對統計物理學領域作出的開創性貢獻,包括自組織臨界模型的精確解、界面生長、無序
