1. 首頁 > 科技 > >

量子計算機|量子計算機的優勢在于量子態的指數級增長，但構建量子硬件的挑戰是相當大的

重器算法量子計算機

量子計算機|量子計算機的優勢在于量子態的指數級增長，但構建量子硬件的挑戰是相當大的

文章圖片

量子計算機|量子計算機的優勢在于量子態的指數級增長，但構建量子硬件的挑戰是相當大的

文章圖片

量子計算機|量子計算機的優勢在于量子態的指數級增長，但構建量子硬件的挑戰是相當大的

文章圖片


構建量子硬件和減輕噪聲的挑戰是相當大的 。 大型量子計算機可能依賴糾錯碼和其他錯誤緩解策略 ， 這將導致額外開銷；例如 ， 需要使用許多物理量子位來存儲一個邏輯量子位 。 然而 ， 量子算法可以建立在一組通用的量子門之外 ， 其方式不依賴于底層硬件 ， 就像經典算法一樣 。 指數加速 。 已知的主要指數加速器是用于代碼破解和分子或其他大型量子系統的量子模擬 。 如果一個分子的特性不能被簡單的經典近似很好地捕捉到 ， 那么就有一個很好的例子可以使用量子計算機來制作質量更好地近似計算 。



量子計算機的優勢在于量子態的指數級增長 。 因此 ， 一些有希望的量子優勢案例涉及具有大量活性電子的分子 。 典型的多項式加速可以被認為是一些經典算法的直接改進 。 其他更復雜的算法也承認可證明的二次改進 。 這些算法的優勢在于它們適用于非常普遍的條件 。 它們通常也不需要比計算函數所需的更多的量子比特 。 經典計算機的許多最重要的算法要么缺乏正確的正式證明 ， 要么經常在這些正確證明適用的體制之外運行 。



其中包括馬爾可夫鏈蒙特卡羅和應用于非凸問題的梯度下降 。 對于量子計算機 ， 啟發式算法包括絕熱優化 ， 或更一般地說 ， 量子退火——和量子近似優化算法 。 這些算法相對于經典算法提供的加速水平通常是未知的 。 預計隨著量子計算機的建立 ， 對這些啟發式算法性能的理解將會提高 ， 正如科學家對經典啟發式算法性能的理解在很大程度上來自經驗證據 ， 而不僅僅是理論 。 將此類方法稱為“量子啟發式” 。



當前量子計算機模型的一個相關限制是它們無法訪問疊加的大型經典數據集 。 嘗試這樣做相當于測量包含被查詢地址的量子位寄存器 ， 這會將那里的任何疊加折疊成隨機混合 。 這意味著量子計算機可能能夠加快對小型數據集的復雜計算 ， 但在解決大型數據集上的問題時優勢較小 。 解決這個問題的一種方法是使用過濾或數據縮減技術 ， 它們選擇一個小但希望具有代表性的數據樣本 ， 并將其用作優化問題的輸入 。



或者 ， 量子計算機可以用于“小數據”問題 ， 其中困難來自分析的復雜性 。 一種更具推測性的可能性是一種稱為量子RAM的量子硬件解決方案 ， 這將使量子計算機能夠連貫地查詢大型經典數據集作為量子比特的疊加：輸入內存地址的疊加將產生輸出由記憶單元內容的疊加組成 。 量子RAM將啟用強大的量子算法原語 ， 但沒有關于可擴展糾錯量子RAM的提議 ， 而且尚不清楚它最終是否會比制造大型量子計算機更容易 。



量子計算在生物學序列分析中的潛在應用 。 首先考慮可在近期量子處理器上實現的量子計算算法 。 遺傳學和基因組學的一個重要的初始步驟是將核苷酸和氨基酸序列與生物數據庫進行匹配 ， 更具體地說 ， 是將來自實驗分析的測序讀數映射到參考基因組 。 動態編程方法 ， 可以針對龐大的數據庫查詢序列字符串 ， 并且可以轉換為隱馬爾可夫模型 。

相關經驗推薦