如何验证量子芯片的计算是否正确？

在向实际量子计算时代迈进的征途中，来自麻省理工学院、谷歌以及其他组织的研究人员共同设计了一个系统，可以验证量子芯片是否能够准确地完成传统计算机无法完成的复杂计算。

图片来源：Mihika Prabhu

量子芯片使用被称为“量子比特（qubits）”的量子信息位元来进行计算。量子比特可以表示传统二进制位（0 或 1）所对应的两种状态，或者表示两种状态同时存在的“量子叠加”状态。这种独特的量子叠加态可以使量子计算机解决传统计算机在实际不可能解决的问题，这将有可能推动材料设计、药物研发和机器学习等应用领域的重大突破。

全面采用量子运算的计算机将需要数以百万计的量子比特，目前这还无法实现。在过去的几年里，研究人员已经开始开发“嘈杂中型量子（NISQ）”芯片，这种芯片包含大约 50 到 100 个量子比特。即使是这个级别的量子计算机，也足以证明“量子运算的优势”，因为这意味着可以用 NISQ 芯片处理某些传统计算机难以解决的算法。然而，芯片是否按预期执行了操作，为此进行的验证工作却可能会非常低效。芯片的输出可能看上去是完全随机的，因此需要很长时间来对其计算步骤进行模拟，才能确定是否一切按预定计划执行了运算。

在 2020 年 1 月《自然物理》（Nature Physics）杂志上发表的一篇论文中，研究人员描述了一种新颖的协议，可以有效地验证 NISQ 芯片是否执行了所有正确的量子操作。通过在定制量子光子芯片上运行一个著名的量子难题，他们对这个协议进行了验证。

”既然工业和学术的飞速发展已经把我们推到量子计算机可以超越传统计算机的风口浪尖，验证量子计算的任务就变得至关重要”，这篇论文的第一作者 Jacques Carolan 这样说，他是麻省理工学院（MIT）电气工程和计算机科学（EECS）和电子研究实验室（RLE）的一名博士后。他还提到：“我们的技术提供了一个重要的工具来验证类型广泛的各种量子系统。这么做的重要意义在于，如果人们投资数十亿美元打造一款量子芯片，当然衷心希望这款芯片真的能做出一些有趣的事情。”

除了 Carolan 之外，该论文联合署名的多位研究者分别来自麻省理工 EECS 和 RLE、谷歌量子人工智能实验室（Google Quantum AI Laboratory）、Elenion 技术公司、Lightmatter 公司和 Zapata Computing 公司。

分而治之

这些研究人员的工作实质上是将量子电路产生的输出量子态追溯至已知的输入状态。这样就能揭示在输入端执行了哪些电路操作来产生这样的输出。这些操作应该始终与研究人员编写的程序相匹配。如果匹配失败，研究人员可以利用这些信息来定位芯片的问题出在什么地方。

Carolan 解释，这个新协议的核心是“可变量子反采样”（Variational Quantum Unsampling），它采用了“分而治之”的方法，将输出的量子态分解成多个块。Carolan 说：“我们并不是一次性完成所有工作，这样需要花费很长时间，而是一层一层地对之进行“解扰”。这使我们能够把问题进行分解，并以更有效的方式来处理它。

为了这项研究，这些研究人员们从通过多层计算来解决问题的“神经网络”中获得了灵感，建立了一个新型的“量子神经网络”（QNN），在这个网络中每一层代表一组量子运算操作。

为了运行这个量子神经网络，他们使用传统的硅制造技术打造了一款 2×5 毫米的 NISQ 芯片，该芯片有超过 170 个控制参数，这些参数受控于可调电路元件，这样使得对光子路径的操控变得更加容易。一个外部组件产生特定波长的成对的光子，再将光子注入该芯片。光子穿越芯片中能改变光子的路径的移相器，从而发生相互干扰。这会产生一个随机的量子输出状态，该输出代表了在计算过程中会发生什么。并通过一组外部光电探测器传感器对这些输出状态进行测量。

这些输出会被发送至量子神经网络进行解译。该网络的第一层采用了复杂的优化技术，可以在混杂的输出中进行单个光子的“挖掘”，在互扰的输出中识别出单个光子的特征。然后，它从嘈杂的一组输出中对单个光子进行“解扰”，以识别什么电路操作能将其逆向恢复为已知的输入状态。这些操作应该与电路的具体设计完全匹配。网络中随后所有其他的层次也会执行同样的计算，只是会从方程中去掉任何之前已经解扰的光子，如此重复执行计算直到所有光子都被解扰。

举个例子，假设输入到处理器的量子比特的输入状态都是零。然后 NISQ 芯片会对量子比特执行一系列运算，得到海量的、看似随机变化的数据作为输出。这是因为一个输出数字在量子叠加状态下会不断变化。这时量子神经网络会从这个庞大的数据中选择出多个“块”（chunks）。然后，在这个网络里一层一层地执行解扰，确定哪些操作可以让每个量子比特还原为其为零的输入状态。如果所有操作与最初预定的电路操作都匹配不上，那么就证明量子计算出现了问题。研究人员可以通过检验期望输出与输入状态之间的任何不匹配状况，来重新调整修改电路设计。

玻色子“反采样”实验

在实验中，该科研团队成功地执行了一项用于证明量子优势的著名高难计算任务，即通常在光子芯片上进行的“玻色采样”（Boson Sampling）。在这个实验中，移相器和其他光学元件会实现一系列操控，将一组输入光子转换为呈不同量子叠加状态的输出光子。该实验的最终任务是计算在这个过程中某个输入状态与某个输出状态匹配的概率。本质上而言，该结果是一个概率分布的样本。

由于光子行为的不可预测性，计算出这些样本，对于传统计算机而言几乎是不可能完成的任务。理论上，NISQ 芯片可以十分快速地完成这样的计算。然而，到目前为止，由于 NISQ 运算的复杂性以及该任务本身的难度，目前还没有一种方法可以快速而简单地对之进行验证。

Carolan 说：“这种量子特性一方面让这些芯片具有超强的量子计算能力，一方面又让这些计算过程几乎不可能被验证。”

在实验中，研究人员实现了在定制的 NISQ 芯片上“反采样”了两个进行了“玻色采样”的光子，并且在较短的时间内就用传统方法完成了验证工作。

约克大学（University of York）专门研究量子技术的计算机科学教授 Stefano Pirandola 表示：“这是一篇十分出色的论文，该论文利用非线性量子神经网络来学习由黑盒子执行的、一致性未知的运算操作。很明显，这个方案对于验证诸如 NISQ 处理器的量子电路所实际执行的逻辑门运算是非常有用的。从这个角度来看，该方案会成为未来量子工程师的一个重要的基准测试工具。这个想法在光子量子芯片上得到了很好的实现。”

Carolan 说，虽然这种方法是为了验证量子计算而设计的，但该方法也可以有助于捕获有用的物理特性。例如，某些分子受激时会振动，然后基于这些振动发射出光子。Carolan 认为，通过将这些光子注入光子芯片，他们所研究的“解扰”技术可用于发现这些分子的量子动力学信息，从而有助于生物工程分子设计的相关研究。该技术还可以用来解扰携带量子信息的光子，这些量子信息穿越湍流空间或材料时已经积累了许多噪声。

Carolan 说：“我们的梦想是把该技术应用到物理世界中各种有趣的问题上”。

作者介绍：

Rob Matheson，麻省理工学院新闻办公室。

英文原文：

http://news.mit.edu/2020/verify-quantum-chips-computing-0113