量子计算中一个关键的悬而未决的问题是，对于实际的任务，量子算法是否可以提供优于经典算法的显著优势。了解经典计算在模拟量子系统方面的局限性是解决这个问题的一个重要组成部分。
新发现介绍了一种模拟由参数化门组成的分层量子线路的方法，这是许多适用于近期量子计算机的变分量子算法背后的架构。使用了多量子比特波函数的神经网络参数化，重点关注与量子近似优化算法 (QAOA) 相关的状态。
对于模拟的最大线路，在 4 个 QAOA 层达到了 54 个量子比特，大约实现了 324 个 RZZ 门和 216 个 RX 门，而无需大规模计算资源。
近日，在《npj quantum Information》上发表的一篇论文中，EPFL联邦理工学院教授Giuseppe Carleo和哥伦比亚大学及纽约Flatiron研究所的研究生Matija Medvidović找到了一种在传统计算机而不是量子计算机上执行复杂量子计算算法的方法。他们考虑的具体 "量子软件(Quantum Software) "被称为量子近似优化算法（QAOA），用于解决数学中的经典优化问题。其本质上是一种从一组可能的解决方案中挑选出问题的最佳解决方案的方法，QAOA是最佳方法之一。
图1 | QAOA 量子线路（来源：Nature）QAOA的最终目的便是实现所谓的“量子加速”，即我们可以通过量子计算机而不是传统计算机实现处理速度的提升。QAOA有许多包括谷歌在内的支持者，其典型的事例是：2019年谷歌使用量子计算机Sycamore通过200S的时间实现了在经典超级计算机上大约需要耗时1万年才能完成的计算。此项研究解决了量子领域的一个开放性的关键问题：在当前和近期的量子计算机上运行的算法能否为具有实际意义的任务提供比经典算法更多的优势？Carleo表示："如果要回答这个问题，首先需要了解经典计算在模拟量子系统方面的局限性，这一点尤其重要，因为当前的量子处理器在运行量子 "软件 "时，会出现错误，因此只能运行复杂度有限的算法。”
图2 | 54个量子比特的模拟结果（来源：Nature）利用传统计算机，这两位研究人员开发了一种方法，可以近似模拟一类称为变分量子算法（Variational Quantum Algorithms）的特殊算法的行为，这是计算量子系统最低能量状态或 "基态 "的方法。QAOA是此类量子算法家族的一个重要事例，研究人员认为它是近期量子计算机 "量子优势 "的最有希望的候选者之一。该方法基于一种理念：即现代机器学习工具，例如用于学习像围棋这样的复杂游戏的工具，也可以用来学习和模拟量子计算机的内部运作。这些模拟的关键工具是神经网络量子态，这是Carleo于2016年与Matthias Troyer共同开发的人工神经网络，现在首次被用来模拟QAOA。该结果被认为是量子计算的领域，为未来量子硬件的发展树立了一个新的基准。Carleo对外表示："我们的工作表明，可以在当前和近期的量子计算机上运行的QAOA，也可以在经典计算机上进行模拟，而且精度很高。然而，这并不意味着可以在近期量子处理器上运行的所有有用的量子算法都可以用经典方法来模拟。事实上，我们希望我们的方法可以作为一种指导，设计出对经典计算机来说既有用又难以模拟的新量子算法。"论文：http://dx.doi.org/10.1038/s41534-021-00440-z声明：此文出于传递更多信息。若有错误或侵权，请联系
