如果你关注量子计算领域，你就会听到这样的说法：未来，量子计算机解决某些问题的效率将比传统计算机高出几倍。它们有可能改变许多行业，从制药到能源。
在大多数情况下，这些说法都基于算法在问题规模趋近无穷大时渐近缩放的论点，但这并不能告诉我们量子计算机在有限规模问题上的实际性能。我们希望更具体一点：量子计算机究竟比传统计算机更适合解决哪些问题，我们究竟可以运行哪些量子算法来解决这些问题？一旦我们设计出一种算法，我们就可以超越基于渐近缩放的分析——我们可以确定在量子计算机上编译和运行该算法所需的实际资源，以及这与传统计算相比如何。
过去几年，Google Quantum AI与业界和学术界伙伴合作，评估量子模拟革新特定技术的前景，并对资源需求进行具体分析。2022 年，我们开发了量子算法来分析一种名为细胞色素 P450的重要酶家族的化学性质。然后，在我们今年秋天发表的论文中，我们展示了如何使用量子计算机研究用于锂离子电池的钴的可持续替代品。最近，正如我们在题为“惯性聚变靶设计阻止本领的量子计算”的预印本中所报告的那样，我们在惯性约束聚变实验中发现了一种新的应用，即对材料特性进行建模，例如劳伦斯利弗莫尔国家实验室的国家点火装置(NIF) 的实验，该装置最近因核聚变方面的突破而 成为头条新闻。
下面，我们将介绍这三种与工业相关的量子计算机模拟应用。虽然运行这些算法需要一台纠错量子计算机，而这还需要数年时间，但现在开展这项工作将确保我们在建造这种量子计算机时准备好高效的量子算法。正如我们过去所报告的那样，我们的工作已经大大降低了编译和运行算法的成本。我们 的工作对于展示量子计算的潜力至关重要，但它也为我们的硬件团队提供了未来运行有用的量子算法所需的量子比特数和时间的目标规范。
应用1：CYP450机制
制药行业经常被吹捧为使用量子计算机进行探索的成熟领域。但这种潜在应用的具体例子却少之又少。我们与制药公司勃林格殷格翰的合作者、初创公司QSimulate的合作伙伴以及哥伦比亚大学的学术同事合作，在 2022 年的PNAS文章“在当今的经典计算机和未来的量子计算机上可靠地评估细胞色素 P450 的电子结构” 中探讨了一个例子。
细胞色素 P450 是人类天然存在的一种酶家族，可帮助我们代谢药物。它非常擅长这项工作：超过 70% 的药物代谢都是由 P450 家族的酶完成的。这些酶通过氧化药物起作用——这个过程依赖于电子之间的复杂关联。相互作用的细节过于复杂，科学家无法预先知道酶对特定药物的有效性。
在论文中，我们展示了量子计算机如何解决这个问题。CYP450 代谢过程是一个复杂的反应链，整个过程中酶的电子结构会发生许多中间变化。我们首先使用最先进的经典方法来确定在经典计算机上模拟此问题所需的资源。然后，我们设想在表面码误差校正量子计算机上实现相位估计算法（该算法是计算整个反应链中相关电子配置的基态能量所必需的）。
有了量子计算机，我们可以更精确地跟踪电子结构变化的链条，并且所需的资源更少。事实上，我们发现，量子计算机提供的更高精度是正确解决该系统化学反应所必需的，因此量子计算机不仅会更好，而且是必需的。随着系统规模的扩大，即我们在模拟中包含的量子能级越多，量子计算机就越能战胜传统计算机。最终，我们表明，要达到解决此问题的量子优势，需要几百万个物理量子比特。
左图： CYP 酶的电子轨道（红色和蓝色）示例。需要 60 多个这样的轨道来模拟 CYP 系统。右图：各种经典技术的实际运行时间（CPU）（蓝色）与量子算法的假设运行时间（QPU）（绿色）的比较。量子算法的较低斜率表明其渐进缩放性优于经典方法。在约 20-30 个轨道时，我们已经看到量子算法比经典方法更有效的交叉。
应用二：锂离子电池
锂离子电池依赖于两种含锂材料之间的电化学电位差。目前用于锂离子电池阴极的一种材料是 LiCoO 2。不幸的是，从制造的角度来看，它存在缺点。钴矿开采成本高昂，破坏环境，并且经常采用不安全或滥用的劳动方式。因此，该领域的许多人都对锂离子阴极钴的替代品感兴趣。
20 世纪 90 年代，研究人员发现镍可以取代钴，形成 LiNiO 2（称为“锂镍氧化物”或“LNO”）作为阴极。尽管纯 LNO 在生产中不稳定，但当今汽车行业使用的许多阴极材料都使用高比例的镍，因此与 LNO 类似。然而，尽管 LNO 应用于工业，但并非所有 LNO 的化学性质都为人所知——甚至其基态的性质仍是一个争论的主题。
在我们最近的论文“利用布洛赫轨道对材料进行容错量子模拟”中，我们与化学公司BASF、分子建模初创公司 QSimulate 以及澳大利亚麦考瑞大学的合作者合作，开发了对具有周期性、规则间隔原子结构的系统（如 LNO）进行量子模拟的技术。然后，我们应用这些技术设计算法来研究 LNO 的几种不同候选结构的相对能量。使用经典计算机，高精度量子波函数模拟被认为成本太高。在我们的工作中，我们发现量子计算机需要数千万个物理量子比特来计算四种候选基态 LNO 结构的能量。这超出了第一台纠错量子计算机的能力范围，但我们预计随着未来算法的改进，这个数字会下降。
LNO 的四种候选结构。本文考虑了比较这些结构的能量所需的资源，以便找到 LNO 的基态。
应用 3：聚变反应堆动力学
在我们的第三个也是最新的例子中，我们与桑迪亚国家实验室的理论学家以及麦考瑞大学的合作者合作，让我们假想的量子计算机模拟惯性约束聚变(ICF) 实验（例如国家点火装置中的实验）中典型的极端条件下带电粒子的动力学。在这些实验中，高强度激光被聚焦到一个金属腔（黑腔），腔内有一个目标舱，该目标舱由包裹氘氚燃料的烧蚀器组成。当激光加热黑腔内部时，黑腔壁会辐射出压缩舱的 X 射线，将里面的氘和氚加热到数千万开尔文。这使得燃料中的核子克服它们之间的静电排斥，开始聚变成氦核，也称为阿尔法粒子。
这些实验的模拟需要大量的计算，并且依赖于本身不确定的材料特性模型。即使使用类似于量子化学的方法测试这些模型，计算成本也非常高。在某些情况下，此类测试计算消耗了超过 1 亿个 CPU 小时。模拟中最昂贵和最不准确的方面之一是持续聚变阶段（> 数千万开尔文）之前的等离子体动态，此时太空舱和燃料的各部分温度为较为温和的 10 万开尔文。在这种“热致密物质”状态下，量子关联在系统行为中发挥的作用比在发生持续聚变的“热致密物质”状态下更大。
在我们的新预印本《惯性聚变靶设计阻止本领的量子计算》中，我们提出了一种量子算法来计算核聚变实验中热致密物质的所谓“阻止本领”。阻止本领是高能阿尔法粒子由于与周围等离子体的库仑相互作用而减速的速率。了解系统的阻止本领对于优化反应堆的效率至关重要。当阿尔法粒子被周围的等离子体减速时，它会将能量传递给等离子体，使其升温。这种自热过程是聚变反应维持燃烧等离子体的机制。对这一过程的详细建模将有助于为未来的反应堆设计提供信息。
我们估计，计算阻止本领所需的量子算法所需的资源介于 P450 应用和电池应用之间。但由于这是第一原理动力学（或任何有限温度下的应用）的第一个案例研究，这样的估计只是一个起点，我们再次期望找到算法改进以在未来降低这一成本。尽管存在这种不确定性，但它仍然肯定比经典替代方案更好，对于经典替代方案，这些模拟唯一可行的方法是平均场方法。虽然这些方法在描述这些系统的物理特性时会产生未知的系统误差，但它们目前是执行此类模拟的唯一有意义的方法。
左图：抛射体（红色）以初速度 vproj 穿过介质（蓝色）。右图：为了计算制动力，我们监测抛射体和介质之间的能量传递（蓝色实线）并确定其平均斜率（红色虚线）。
讨论与结论
上述示例只是未来纠错量子计算机在模拟物理系统方面大量且不断增长的具体应用中的三个。这方面的研究有助于我们了解最能从量子计算能力中获益的问题类型。特别是，最后一个例子与其他两个不同，因为它模拟了一个动态系统。与其他专注于寻找量子系统最低能量、静态基态的问题不同，量子动力学关注的是量子系统如何随时间变化。由于量子计算机本质上是动态的——量子比特状态随着每个操作的执行而演变和变化——它们特别适合解决这类问题。我们与哥伦比亚大学、哈佛大学、桑迪亚国家实验室和澳大利亚麦考瑞大学的合作者最近在《自然通讯》上发表了一篇论文，证明用于模拟电子动力学的量子算法甚至比近似的“平均场”经典计算更有效，同时提供更高的准确性。
今天开发和改进算法，让我们在最终实现纠错量子计算机时充分利用这些算法。就像在传统计算中一样，我们期望量子计算堆栈的每个级别都能得到改进，以进一步降低资源需求。但这第一步有助于将夸张与适合量子计算加速的真正应用区分开来。
致谢
我们要感谢量子科学传播者凯蒂·麦考密克 (Katie McCormick) 帮助撰写这篇博文。
评论