北京時間 8 月 4 日訊息，EPFL 教授 Giuseppe Carleo 和哥倫比亞大學及紐約 Flatiron 研究所的研究生 Matija Medvidović日前在《Nature Quantum Information 》發表一篇論文，他們發現了一種不是在量子計算機上執行，而是在傳統計算機上執行復雜量子計算演算法的方法。

他們考慮的“量子軟體”被稱為量子近似優化演算法（QAOA），用於解決數學中的經典優化問題，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。可以理解成，QAOA 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，他們建立了 53 量子位元量子處理器 Sycamore，並使用其在 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 Medvidović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執行的演算法能否為具有實際意義的任務提供比經典演算法更顯著的優勢？“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侷限性，”Giuseppe Carleo 表示，“這一點尤其重要，因為當前的量子處理器在執行量子“軟體”時會出錯，因此只能運行復雜度有限的演算法。”

兩位研究人員利用傳統計算機開發了一種方法，可以近似模擬一類稱為變分量子演算法的特殊演算法的行為，這些演算法是計算量子系統最低能態或“基態”的方法。QAOA 是此類量子演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“量子優勢”最有希望的候選者之一。

該方法基於現代機器學習工具的理念，例如用於學習如圍棋遊戲這樣的複雜遊戲的工具以及可用於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路量子態，這是 Carleo 於 2016 年與 Matthias Troyer 共同開發的人工神經網路，現在首次用於模擬 QAOA。這一結果被認為是量子計算的領域，為量子硬體的未來發展樹立了新的標杆。

“我們的研究表明，可以在當前和近期量子計算機上執行的 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，這並不意味著可以在近期量子處理器上執行的所有有用的量子演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演算法的指南，這些演算法對經典計算機既有用又難以模擬。”