斯坦福、伯克利新研究推翻谷歌「量子霸权」!理论上很美,实际上没戏
量子霸权,这个词已经诞生了近4年了。
2019年,谷歌的物理学家宣布成功用一台53量子比特的机器实现了量子霸权,这是一个具有重大象征的里程碑。
在Nature上发表的论文中称,该量子系统只用了200秒完成一个计算,而同样的计算用当时最强大的超级计算机Summit执行,需要约10000年。
什么是量子霸权?
所谓「量子霸权」,或者叫「量子优势」(以下称「量子霸权」)是指,量子计算机能完成的任务超出了任何可行经典算法的范围。
这些任务即使放在最先进的传统超级计算机上,计算时间之长(往往是成千上万年)也会让算法失去实用意义。
有趣的是,在2019年谷歌的成果中,只说了实现了量子霸权,没有说明在哪些具体实例下,量子计算机超过了经典计算机。
这是一个很难回答的问题,因为目前量子计算机受到错误频发的困扰,这些错误会累积,破坏量子计算的性能和稳定。
实际上,与量子霸权的实现领域相比,科学家更想知道的是另一个问题:随着量子计算机越来越大,经典算法是否能够跟上脚步。
德克萨斯大学奥斯汀分校的计算机科学家Scott Aaronson说:「我们希望最终量子一方会完全拉开距离,彻底结束这场竞争。」
大多数研究人员推测,答案是否定的。
即经典算法总有一天会彻底跟不上量子计算的脚步,但一直无法准确全面地证明这一点。要确定证明这个推论,一个途径是找到量子计算能够获得相对于传统计算「持久优势」的条件。
现在,这个问题似乎有了初步答案:
省流:量子计算是会产生错误的,如果纠错跟不上,这种错误就 会打破理想状态下的「量子霸权」,让经典算法能够跟得上量子算法的脚步。
最近,在一篇Arxiv上发表的预印本论文中,由哈佛大学、加州大学伯克利分校、以色列希伯来大学的联合团队朝着证实这个结论迈出了一大步。
他们证明了,目标错误纠正是随机电路采样中持久量子霸权的必要条件,为几年前谷歌的研究结论提供了支撑。在目前的量子纠错水平下,量子霸权实际上是并不存在的。
再无量子霸权「黄金地带」
研究人员开发了一种经典算法,可以模拟存在错误时的随机电路取样实验来证明这个结论。
从一个量子比特阵列开始,用被称为「量子门」的操作随机操纵这些量子比特。一些量子门会使成对的量子比特处于纠缠态,即意味着彼此共享一个量子态,不能被单独描述。
在多层电路中重复设置这些量子门,可以让量子比特进入更复杂的纠缠态。
左图为理想状态下的随机电路取样,右图为包含干扰的随机电路取样
为了了解这种量子态,研究人员测量了阵列中的所有量子比特。这个行为会导致所有量子比特的集体量子态坍缩为一串随机的普通比特,即0和1。
可能的结果数量随着阵列中的量子比特数量的增加而迅速增长。在谷歌2019年的的实验中,53个量子比特下包含近10万亿个结果。
而且,这种方法需要从随机电路中多次重复测量,建立一个关于结果的概率分布图。
关于量子霸权的问题是,用一个不使用任何纠缠的经典算法,来模仿这种概率分布,是否很难甚至不可能?
2019年,谷歌研究人员就证明,对于无误差、不会产生错误的量子电路来说,这个目标是困难的。在没有错误的情况下,确实很难用经典算法模拟一个随机电路采样实验。
从计算复杂度的角度看,当量子比特数量增加时,传统分类算法的计算复杂度是呈指数增加的,而量子算法是呈多项式增加的。
当n增加到足够大时,一个在n中呈指数级的算法,要远远落后于任何在n中呈多项式的算法。
当我们谈到一个对经典计算机来说很难,但对量子计算机来说很容易的问题时,指的就是这种区别。最好的经典算法需要指数时间,而量子计算机可以在多项式时间内解决问题。
不过,2019年的那篇论文没有考虑不完善的量子门造成错误的影响,研究结论实际上留了个口子,也就是说,没有纠错的随机电路采样,是否还能实现量子霸权?
实际上,如果考虑量子纠缠中产生的、可以累积的错误,那么用经典算法模拟随机电路采样实验的难度就会大大降低。而如果经典算法模拟的计算复杂度,降低到与量子算法相同的多项式级别,量子霸权就将不复存在。
这篇新论文表明,假设保持电路深度不变,比如说很浅的3层,随着量子比特数量的增加,不会有太多的量子纠缠,输出仍然可以进行经典模拟。
另一方面,如果增加电路深度,跟上不断增加的量子比特数量,那么由量子门错误累积的效应将冲淡纠缠产生的复杂程度,用经典算法模拟输出仍然会变得更加容易。
在这两者之间有一个「黄金地带」,即量子霸权得以继续存活的窗口,即传统算法模拟跟不上量子纠缠的范围。
在这篇论文发表之前,即使随着量子比特数的增加,当量子比特数量达到某个中间范围时,量子霸权是仍然存在的。
在这种电路深度下,即使输出会因量子算法错误而稳定地退化,但在每一步都难以进行经典算法模拟。
这篇新论文把这个「黄金地带」几乎消灭了。
论文中推导出一种模拟随机电路采样的经典算法,并证明了其运行时间是运行相应量子实验所需时间的多项式函数,而非指数函数。
这一结果在随机电路采样的经典方法和量子方法的速度之间建立了紧密的理论联系,即宣告了在理论上已经实现的量子霸权,在实际上几乎并不存在。
之所以说「几乎」,是因为新算法的基本假设对某些较浅的电路是无效的,留下了一个未知的「小缺口」。
不过,很少有研究人员还对在这个缺口中实现量子霸权抱有希望。连2019年谷歌那篇论文的作者之一、芝加哥大学的计算机科学家比尔·费弗曼(Bill Fefferman)也表示:「我看这个几率相当小」。
可以这么说,按照计算复杂性理论的严格标准,随机电路采样已经不会产生量子霸权了。
另外,面对这个结论,所有研究人员都同意,量子纠错对于量子计算的长期成功将是多么关键。Fefferman说:「我们研究到最后都发现,量子纠错才是解决方案。」
以上是斯坦福、伯克利新研究推翻谷歌「量子霸权」!理论上很美,实际上没戏的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

大规模语言模型(LLMs)在许多重要任务中展现出了引人注目的能力,包括自然语言理解、语言生成和复杂推理,并对社会产生了深远的影响。然而,这些出色的能力却需要大量的训练资源(如左图所示)和较长的推理时间(如右图所示)。因此,研究人员需要开发有效的技术手段来解决它们的效率问题。此外,从图的右侧还可以看出,一些高效的LLMs(LanguageModels)如Mistral-7B,已经成功应用于LLMs的设计和部署中。这些高效的LLMs在保持与LLaMA1-33B相近的准确性的同时,能够大大减少推理内存

3纳米制程,性能超越H100!最近,据外媒DigiTimes爆料,英伟达正在开发下一代GPU,代号为「Blackwell」的B100据称,作为面向人工智能(AI)和高性能计算(HPC)应用的产品,B100将采用台积电的3nm工艺制程,以及更为复杂的多芯片模块(MCM)设计,并将于2024年第四季度现身。对于垄断了人工智能GPU市场80%以上份额的英伟达来说,则可以借着B100趁热打铁,在这波AI部署的热潮中进一步狙击AMD、英特尔等挑战者。根据英伟达的估计,到2027年,该领域的产值预计将达到约

近年来,多模态学习受到重视,特别是文本 - 图像合成和图像 - 文本对比学习两个方向。一些 AI 模型因在创意图像生成、编辑方面的应用引起了公众的广泛关注,例如 OpenAI 先后推出的文本图像模型 DALL・E 和 DALL-E 2,以及英伟达的 GauGAN 和 GauGAN2。谷歌也不甘落后,在 5 月底发布了自己的文本到图像模型 Imagen,看起来进一步拓展了字幕条件(caption-conditional)图像生成的边界。仅仅给出一个场景的描述,Imagen 就能生成高质量、高分辨率

多模态大模型最全综述来了!由微软7位华人研究员撰写,足足119页——它从目前已经完善的和还处于最前沿的两类多模态大模型研究方向出发,全面总结了五个具体研究主题:视觉理解视觉生成统一视觉模型LLM加持的多模态大模型多模态agent并重点关注到一个现象:多模态基础模型已经从专用走向通用。Ps.这也是为什么论文开头作者就直接画了一个哆啦A梦的形象。谁适合阅读这份综述(报告)?用微软的原话来说:只要你有兴趣学习多模态基础模型的基础知识和最新进展,无论你是专业研究员还是在校学生,这个内容都非常适合你一起来

时隔四个月,ByteDanceResearch与北京大学物理学院陈基课题组又一合作工作登上国际顶级刊物NatureCommunications:论文《TowardsthegroundstateofmoleculesviadiffusionMonteCarloonneuralnetworks》将神经网络与扩散蒙特卡洛方法结合,大幅提升神经网络方法在量子化学相关任务上的计算精度、效率以及体系规模,成为最新SOTA。论文链接:https://www.nature.com

图像到视频生成(I2V)任务是计算机视觉领域的一项挑战,旨在将静态图像转化为动态视频。这个任务的难点在于从单张图像中提取并生成时间维度的动态信息,同时保持图像内容的真实性和视觉上的连贯性。现有的I2V方法通常需要复杂的模型架构和大量的训练数据来实现这一目标。近期,快手主导的一项新研究成果《I2V-Adapter:AGeneralImage-to-VideoAdapterforVideoDiffusionModels》发布。该研究引入了一种创新的图像到视频转换方法,提出了一种轻量级适配器模块,即I

EfficientSAM这篇工作以5/5/5满分收录于CVPR2024!作者在某社交媒体上分享了该结果,如下图所示:LeCun图灵奖得主也强烈推荐了该工作!在近期的研究中,Meta研究者提出了一种新的改进方法,即使用SAM的掩码图像预训练(SAMI)。这一方法结合了MAE预训练技术和SAM模型,旨在实现高质量的预训练ViT编码器。通过SAMI,研究者试图提高模型的性能和效率,为视觉任务提供更好的解决方案。这一方法的提出为进一步探索和发展计算机视觉和深度学习领域带来了新的思路和机遇。通过结合不同的

两位获得2022年玻尔兹曼奖的科学家已经公布,这个奖项由IUPAP统计物理委员会(C3)设立,旨在表彰在统计物理学领域取得杰出成就的研究者。获奖者必须是之前没有获得过玻尔兹曼奖或诺贝尔奖的科学家。这个奖项始于1975年,每三年颁发一次,以纪念统计物理学的奠基人路德维希·玻尔兹曼DeepakDharistheoriginalstatement.获奖理由:表彰DeepakDharistheoriginalstatement.对统计物理学领域作出的开创性贡献,包括自组织临界模型的精确解、界面生长、无序
