长期以来处于“隐身模式”的澳大利亚-德国公司Quantum Brilliance(以下简称QB)终于在今年4月发布其第一代金刚石量子计算机，名为量子加速器(Quantum accelerator)，拥有5个量子比特，“可以在室温下工作，只有电脑主机或者19英寸机架那么大，”并表示将在5年内开发一款电脑显卡(或餐盒)大小的50量子比特计算机。随着最近完成近千万美元的融资，QB离这个目标更近一步。本文来自QB官方发布的《室温金刚石量子加速器白皮书》，主要内容包括金刚石量子计算机的实现、QB量子加速器路线图及其潜在应用。量子计算机的主流是大型机(mainframe，这里主要指机器尺寸，目前大部分量子计算机占地几平米，甚至一个房间)与经典超级计算机的竞争，只解决最困难的问题。形成这一局面的原因是，今天的各种量子硬件被限制在大型机的角色，因为它们是需要超低温和/或超低压以及复杂的控制系统才能运行的大型脆弱机器。与20世纪60年代的经典大型机类似，量子大型机的未来很可能是：在全世界每个超级计算和云计算设施中有几个量子大型机，但在其他方面没有得到广泛应用。微处理器的出现改变了经典计算的这一局面，它使得经典计算机能够大大减小体积、重量和功率，从而实现广泛分布、连接和并行化，并最终实现移动化。除了微处理器硬件的飞跃，20世纪的经典计算革命还要求我们在如何使用计算机、将它们应用于什么以及软件架构方面有所突破。到了21世纪，量子计算机也需要在硬件、软件和思维上进行类似的革命，才能突破大型机，大幅拓宽其角色和应用。如果量子计算机的尺寸从一台大型机缩小到一个你可以拿在手中的量子加速器卡，那么，你关于量子计算机如何使用、它们可以应用于什么以及它们何时有用的想法会发生巨大的变化。你不会问“这台量子计算机什么时候才能超越经典超级计算机？”，你会问“这台量子计算机什么时候能在那个任务上超越我的台式电脑上的CPU或GPU？”。你不会问“我如何重新设计我的超级计算机设施来容纳一台量子计算机？”，你会问“我如何将数百台量子计算机集成到我当前超级计算机的机架中？”。你甚至可能会问“如果我的卫星、车辆、制造厂或台式电脑有一台或多台量子计算机来加速某些任务或使某些任务第一次成为可能会怎么样？”。QB是一家澳大利亚-德国公司，其目标是为全世界的客户提供量子加速器，并支持那些旨在发现和开发其应用、构建软件架构以使用它们并将它们集成到计算系统中的人。在这一过程中，QB致力于超越同等尺寸、重量和功率的CPU/GPU，让量子计算机更快地发挥作用，并通过使其具备足够的鲁棒性，在计算中心与经典计算机大规模并行，并在移动平台上部署，从而大幅扩大其应用范围。图2: 量子加速器和量子大型机不同的发展路径。(1)通过量子比特的多寡、它们在环境条件下工作的能力以及它们的控制系统的简单性来区分的路径。(2)量子加速器最终性能极限的可能范围。(3)量子大型机最终性能极限的可能范围。QB的加速器基于金刚石量子计算机，可以在环境条件下运行，控制系统相对简单，同时提供有竞争力的性能。实际上室温金刚石量子计算并不新鲜。在其20多年的历史中[1]，德国研究人员率先取得了令人瞩目的成就，包括量子算法[2]、量子模拟[3][4]、量子纠错[5][6]和高保真操作[5][6][7]的演示。但是，多年以来，由于量子比特制造成品率和精度的挑战，金刚石量子计算并没有扩展几个量子比特。QB的核心创新以及控制结构的小型化和集成解决了这一扩展障碍，这对实现芯片级量子微处理器至关重要。下面，将进一步介绍金刚石量子计算和QB正在追求的量子加速器之路，讨论量子加速器的潜在应用，以及研究人员和产业界在今天参与量子加速器的机会。室温金刚石量子计算机由一个处理器节点阵列组成(见图3)。每个处理器节点都由一个氮-空位(NV)色心(金刚石晶格中的一个缺陷，由一个取代了碳原子的氮原子和相邻的空位组成)和一个核自旋簇组成：本征氮核自旋及其附近约4个13C核自旋杂质。核自旋充当计算机的量子比特，而NV色心充当量子总线，促成量子比特的初始化和读出，以及节点内和节点间的多量子比特操作。量子计算通过射频、微波、光和磁场来控制。室温和常压运行归功于NV色心的一些显著特性[8]。它的光学电子自旋初始化和读出机制在环境条件下简单的非共振照明下保持高保真度和高对比度，且电子自旋相干时间很长(约1毫秒)，这是室温下任何固态电子中最长的。这些特性使得NV色心能够有效地作为量子总线运行，能够初始化、读出和连接其他弱相互作用和高度相干的核自旋量子比特。到目前为止，已经实现了在单个节点中使用三个量子不同或在两个节点中使用两个量子比特的金刚石量子计算。经证明，初始化和读出保真度超过99.6%[5]，而单/双量子比特门的保真度分别超过99.99%和99%，相应的门操作时间约10微秒[5][6][7]。最近的工作表明，用更先进的量子控制技术，门保真度超过99.999%和门操作时间快于1微秒是可能的[9]，这将使金刚石量子计算能够跨越容错操作的阈值，并实现更大的电路深度。扩展到很多个量子比特和节点的关键是精确制造间隔几纳米的NV色心阵列。这一精度要求对NV色心的电子自旋进行磁耦合，以便其可以促成节点间的多量子比特操作。然而，由于注入掩模制造的限制和注入离子的散射，使用现有的“自上而下”氮离子注入技术来产生NV色心，不能以高产率实现这种精度[10]。QB的关键发明之一是一种“自下而上”的原子级精密金刚石制造技术，该技术通过表面化学和光刻技术规避了这些限制。这项技术的灵感来自澳大利亚首创的原子级硅制造技术[11]。QB的另一项关键发明是集成量子芯片，它将金刚石量子计算机的电、光和磁控制系统微型化和集成化。这两项发明的结合，同时实现了量子比特数量的扩大和金刚石量子计算机的总尺寸、重量和功率的缩小，从而实现了用于移动和并行应用的紧凑和鲁棒的量子加速器。QB的目标是，在未来5年内，在重要应用中，构建包含超过50个量子比特的量子加速器，其性能优于同等尺寸、重量和功率的CPU/GPU。2021年，QB将推出其首个量子开发工具包(QDK)，在一个19英寸的机架安装单元中最多包含5个量子比特。这些QDK将支持基准测试、与经典计算系统的硬件和软件集成、与公司客户和研发合作伙伴开展加速器联合设计和应用发现活动。在接下来5年内，通过实现原子级精密的金刚石制造和芯片控制系统集成，QDK将逐步升级，增加量子比特，减小尺寸并加固。除了硬件开发外，QB还在开发软件架构和高性能模拟器，以帮助用户开发和测试用于量子加速器集成和应用的软件，并评估其当前和未来的性能。QB目前的软件架构基于XACC框架——是由QB在橡树岭国家实验室的合作者专门为量子加速器开发的[12]。QB的量子模拟器与其他量子模拟器的区别在于其金刚石量子计算机的详细模型(例如量子比特拓扑、本机操作、错误和操作时间等)以及在高性能计算系统上的可扩展性。这使得用户能够以接近全尺寸的量子比特数量体验当前和未来量子加速器硬件的行为和性能。与更广泛的量子计算一样，量子加速器的应用还处于早期阶段。本文中提供了一些应用实例，说明大规模并行化的移动量子加速器如何能够提供显著的优势，并拓宽量子计算机的角色和应用。大规模并行化的量子加速器有望在分子动力学(MD)模拟方面实现飞跃。MD模拟广泛用于模拟大分子或大量相互作用的分子，以研究生物分子的结构、构象和相互作用以及分子扩散、传输和与固体界面的相互作用等现象[13]。这些在药物设计、化学合成、能量储存和纳米技术方面都有应用[13]。传统的MD技术将分子的原子视为点粒子，并利用有效的势和力来求解原子的经典动力学。这具有多种关键限制：(1)通过假设绝热性，分子的激发态被忽略，这通常在相互作用、反应和能量转移中起关键作用；(2) 使用有限的经验或从头算数据集计算有效势和力会降低准确性和普遍性；(3)键的断裂和形成被忽略，这妨碍了化学反应的建模[13]。MD的量子力学/分子力学(QM/MM)公式就是为了克服传统技术的这些限制而发明的[13]。在QM/MM中，分子被分为使用量子力学处理的部分(即蛋白质的反应位点、分子的反应基团)和使用传统分子力学处理的部分。这样一来，重要部分的QM计算精度和普遍性得到了提高，而其他部分的MM计算速度保持不变。图5: 使用大规模并行化的量子加速器在MD中实现更大规模和更精确的QM/MM模拟问题是，在经典计算机上，QM计算的计算成本很高，这严重限制了今天QM/MM的实用性。一个显而易见的解决方案是通过量子加速器和经典计算机将QM和MM计算分开，并将量子计算方法的显著效率增益用于量子化学计算[14]。通过在多个量子加速器上并行化，而不仅仅是一个量子大型机，许多相互作用分子系统的QM/MM模拟成为可能。因此，MD模拟的规模、精度和范围都有了显著提高。例如，在药物设计中对生物化学系统内的多重反应和构象变化的研究，或在催化设计的固液界面化学过程中研究反应副产物的影响。移动化量子加速器有望在网络边缘的自动化和智能化技术中实现信号和图像处理的飞跃。自动化和智能化技术的一个关键要素是处理信号和图像，以识别特征和最有可能的事件序列。但当前的人工智能/机器学习(AI/ML)解决方案在处理不同时间事件之间的可能性和相关性的组合爆炸时效率低下[15]。在边缘计算中，当计算资源和时间受到限制时，它们必须引入严格的近似(例如忽略相关性)，这会引入不准确性[15]。国防、自动驾驶汽车等领域的各种高价值应用无法接受这些不准确性，因此正在寻求解决方案。例如用于人机协作的语音到文本或信号到文本的转换，或卫星/现场情报和监视中的特征和行为识别，如图6所示。图6: 移动化量子加速器作为混合ML-量子解码器在卫星情报和监视中的应用。混合ML-量子解码器(ML-Quantum Decoder)是一个很有前途的解决方案，它是在经典计算机上运行的神经网络和在量子加速器上运行的量子解码算法的组合。神经网络接受信号或视频，并生成事件/特征识别的高相关概率时间序列。随后量子加速器实现量子解码算法，以有效地找到最有可能的事件序列[15]。这种混合方法的突出优点是：(1)显著的加速，量子解码算法效率比最佳经典算法高出n5倍(取决于神经网络输出的质量)，避免了当前经典技术造成的近似和不准确[15]。(2)通过使用神经网络将信号/视频中的大量数据过滤和压缩为能够被少数量子比特编码和处理的密集输出，来解决量子计算机的存储限制。(3)适应性，因为神经网络可以针对不同的应用重新构建/训练，而量子解码算法和加速器配置保持不变。在量子加速器的早期阶段，研究人员和公司有许多机会从事新的高影响力科学以及高价值产品和应用的开发。这些机会包括：●量子加速器应用的发现和开发。
●设计和开发编程语言和软件，有效利用、管理和优化经典计算机和量子加速器的集成集群。
●优化量子加速器程序编译和性能的软件设计和开发。
●为目标应用共同设计和开发量子加速器硬件。
目前只能通过云访问少数量子计算机，但量子加速器可能带来新的机会，这些机会存在于一些以前可能认为量子计算不适用、不切实际或无法访问的领域。因此，量子加速器通过实现大规模并行化的移动量子计算，有潜力将量子计算优势的范围扩大至各种科学学科、工业和国防部门。更多详情，请访问Quantum Brilliance官网：https://quantumbrilliance.com/[1] J. Wrachtrup, S.Ya Kilin and A.P. Nizovtsev, Optics and Spectroscopy 91, 459 (2001).[2] K. Xu et al Physical Review Letters 118, 130504 (2017).[3] Y. Wang et al ACS Nano 9, 7769 (2015).[4] F. Kong et al Physical Review Letters 117, 060503 (2016).[5] G. Waldherr et al Nature 506, 204 (2014).[6] T. Taminiau et al Nature Nanotechnology 9, 171 (2014).[7] X. Rong et al Nature Communications 6, 8748 (2015).[8] M.W. Doherty et al Physics Reports 258, 1 (2013).[9] Y. Chen, S. Stearn, S. Vella, A. Horsley and M.W. Doherty, New Journal of Physics 22, 093068 (2020).[10] See for example: I. Bayn et al Nano Letters 15, 1751 (2015).[11] M Fuechsle et al Nature Nanotechnology 7, 242 (2012).[12] A.J. McCaskey, D.I. Lyakh, E.F. Dumitrescu, S.S. Powers and T.S. Humble, Quantum Science and Technology 5, 024002 (2020).[13] P. Atkins and R Friedman, Molecular Quantum Mechanics (Oxford University Press: Oxford, 2005); C.J. Cramer, Essentials of Computational Chemistry: Theories and Models(Wiley: West Sussex, 2004).[14] See for example: C. Hempel et al Physical Review X 8, 031022 (2018).[15] J. Bausch, S. Subramanian and S. Piddock, arXiv:1909.05023 (2020).进入光子盒社群，与我们近距离互动，了解量子领域更多产业、商业、科技动态，领取量子技术产业报告。现添加社群助手微信Hordcore即可进群 ，与我们一起展望未来！