其他
谷歌最新研究！AI助力“量子飞跃”，开启技术融合新篇章
在最新的研究中，谷歌旗下的DeepMind公司展示了其人工智能技术在加速量子计算发展方面的潜力。此项成就进一步推动了两大革命性技术领域的融合与进步。
论文链接：https://arxiv.org/abs/2402.14396
该研究成果已于2月22日在arXiv预印本平台发布，目前正处于同行评审过程中。
在这项突破性的研究中，DeepMind与英国Quantinuum公司联手攻克了容错量子计算中的一大挑战：显著减少了T门的使用数量。
量子计算开辟了解决计算难题的全新途径，在密码学、药物开发、材料科学以及高能物理等众多领域展现出巨大的应用潜力。尽管如此，容错量子计算引入的一些成本高昂的组件会对计算的总体时间和资源成本产生显著影响，因而极大地减少这些组件的需求对于处理现实世界的复杂计算问题至关重要。
要想执行任意量子算法，通用量子计算机必须依靠两类量子门的组合：克利福德（Clifford）门和非克利福德（non-Clifford）门。特别是非克利福德门（例如T门）对于实现量子计算的通用性至关重要。
然而，相较于克利福德门，非克利福德门的实现更为复杂。这是因为容错量子计算需要复杂的错误纠正方案，而这些方案依赖于成本高昂的“魔法态”提炼过程。因此，在容错量子计算的背景下，量子算法的成本在很大程度上取决于实现非克利福德门的资源消耗。
量子电路通过操纵量子比特来执行算法，而T门是这些电路中最关键但同时也是最昂贵和资源消耗最大的组件之一。
在最新的研究中，DeepMind公司开创性地将人工智能应用于量子计算，提出了一种名为AlphaTensor-Quantum的扩展模型，专门针对减少量子电路中T门的使用。
AlphaTensor-Quantum建立在DeepMind的AlphaTensor基础上，后者是首个能自动发现矩阵乘法等计算任务的高效算法的AI系统。这个新模型利用深度强化学习，优化了T门数量和张量分解之间的关系，采用特定于领域的量子计算知识和“小工具化”（gadgetisation）技术，通过引入额外的量子比特和操作来实现替代方案，从而显著减少了T门的使用。
研究表明，AlphaTensor-Quantum在减少T门数量方面的性能优于现有技术，并且在多个应用场景中与人工设计的最佳解决方案一样高效。特别是在算术基元基准测试中，它超越了所有已知的T门优化方法，并在自动化流程中节省了数百小时的研究时间。
通过全自动优化，AlphaTensor-Quantum找到了与经典Karatsuba算法复杂度相同的高效量子算法，适用于密码学中的有限域乘法等操作，并展示了其在全自动优化量子电路方面的强大能力。
这种进展不仅加速了量子计算的发展，还节省了优化电路设计所需的大量研究时间，开启了自动化发现最优量子电路构造的新时代。
Quantinuum公司认为，这种算法有可能取代传统的人工或人机混合方法，自动找到最优的电路设计方案。
后续，DeepMind和Quantinuum也期待将这项技术应用于量子化学等领域，并探索改进算法神经网络架构的可能性。