【科技突破】

量子机器学习进行图像识别分类

量子计算和人工智能机器学习是当前的两大热点研究领域，研究人员也在努力综合两者各自的优势，构建量子机器学习，既实现量子计算技术的应用，又提高经典机器学习的能力。

近日，IonQ和QC Ware发布了一篇论文报道，称实现了量子机器学习的一个重要里程碑，对量子机器学习的实际应用和量子计算的发展都有着重大意义。其采用IonQ离子阱量子系统中的11个全连接量子比特，设计了一种 “量子最近质心算法”（Quantum Nearest-Centroid Algorithm），实现了对MNIST手写数字图像集的识别分类，并且达到了相应经典算法的准确度。

在通常的量子机器学习研究领域，研究人员都假定使用量子随机存取存储器（Quantum Random Access Memory, QRAM）将数据加载到量子计算系统中，而这种QRAM方案对量子比特数目和量子线路深度方面都有较高的要求，在当前NISQ水平的系统中是难以实现的。IonQ和QC Ware则采用了其开发的Forge数据加载器技术，作为QRAM的替代方案，从而降低了对量子比特数目和量子线路深度的要求，这也是其能够真正实现该量子机器学习算法的关键。

采用Forge数据加载技术和量子最近质心算法，该研究团队以MNIST图像集为目标，有史以来首次在量子计算系统中实现了10个类别的图像识别分类任务。该量子机器学习算法的成功实现，为今后各种量子机器学习应用开辟了道路，加速了量子计算在机器学习领域的应用，也显示了当前量子计算系统的实际应用能力。

论文信息：

https://arxiv.org/abs/2012.0414

超导量子系统间的光学预报（optically-heralded）纠缠

量子信息科学中的一大挑战是量子态在远距离超导系统间的传输。最常用的方法是在微波和光学光子之间进行转换，前者进行本地计算，后者作为“飞行光子”传输量子信息。但这种转换无法同时实现高效和低噪，因为前者需要强耦合而后者需要弱耦合，而且需要从微波到光和从光到微波两个步骤。

麻省理工、哈佛等学校的研究人员近日提出一种通过探测单个光学光子作为预报信息，直接实现微波与微波纠缠的量子态传输方法。在非线性介质中，红移的泵浦可以把微波光子转变成光学光子，而蓝移的泵浦，或者红移的泵浦作用在初始有一个微波光子的微波腔中，可以产生一对微波和光学光子。在接收侧对可能来自两个超导系统的光学光子擦除路径信息并测量，如果测到一个光子，这两个系统的微波光子就被制备在了贝尔态上。用此法按需传态，在低耦合效率下也能比退相干更快地完成微波贝尔态的预报和蒸馏，从而可以降低噪声。他们发现按典型的硬件参数计算，纠缠对能够以99%纠缠保真度按超过100kHz的速率产生，泵浦泄漏对制冷机的加热功率仅为0.1mW，做纠缠纯化后保真度可达99.9%。但这种简单的方案受耦合的限制，在纠缠速率最大时会丢失一半预报光子，可能需要用两个腔分别做泵浦和预报来提高成功率。

这种方法简化了量子态传输的步骤，有望又快又好地实现单光子预报的单步纠缠，并且能够工作在制冷机的1K温区，可以用在未来多个量子系统，如超导、离子阱、色心等之间的通信上。

论文信息：

http://arxiv.org/abs/2012.13408vl

用带噪声超导量子处理器实现对高维数据的机器学习分类

核方法（kernel method）是把监督学习中的支持向量机（Support Vector Machine，SVM）推广到非线性分类边界的重要技术。它通过非线性的核函数把输入数据的特征映射到高维希尔伯特空间上的内积，从而该空间中可以找到线性的分类边界。量子核方法（Quantum kernel methods，QKM）是一种量子-经典混合的机器学习算法，用量子设备计算核函数，有望实现相对于纯经典方法的加速。然而，现有的演示各种量子机器学习的实验，采用的都是人造或预处理后的低维数据。例如最近IonQ和QC Ware用离子阱系统演示的用最近质心算法实现图像分类，其就对图像数据预处理降低数据维度到8。

近日，滑铁卢大学、费米实验室和谷歌量子人工智能团队的研究人员在预处理中不对数据进行降维，直接把67维数据归一化到±π/2之间，加载成包含10到17个最近邻耦合比特线路的单比特门参数，在谷歌Sycamore超导量子处理器上用量子核方法实现了II型和Ia型两种超新星数据的分类。每一对输入数据对应线路的输出是核矩阵的一项，这样构造的线路输出幅度大，容易避免受统计误差的影响。最优的损失函数通过交叉验证确定，训练得到分类边界的线性系数。该研究团队还采用了错误缓解技术，提高了算法鲁棒性，无噪声情况下模拟出的分类精度好于经典的径向基核函数，实验的分类精度稍低，但过拟合程度更低。

该工作用到的数据维度显著高于已有的基于量子核函数的实验，分类精度也和经典算法可比，体现了量子机器学习具有真正应用于现实中的高维数据处理的潜力，而对于在经典上难以表示和存储的具有内禀关联的数据集，量子机器学习有望实现超越经典的性能。

论文信息：https://arxiv.org/abs/2101.09581v1

将动态量子电路运用到量子算法中

传统的量子电路是先做演化，最后测量，而动态量子电路则是在演化过程中对电路的一部分进行测量，测量结果经过处理前馈到后续的操作。量子纠错和量子传态等算法中都需要用到这种动态电路，但以往实验用到的动态电路都过于简单。

近日，IBM的研究人员在14比特的超导量子处理器上实现了一种复杂的动态电路，在系统相干时间内其FPGA平台可高效处理大量的经典数据，并演示了有限资源下的量子相位估计算法。通过迭代地测量和反馈重置对比特循环使用，测量和重置的一个周期只要700ns。其采用前面所有测量结果控制下一轮迭代的门操作，从而需要的比特数大大减少，也不需要进行经典后处理。他们把资源定义为进行测量的次数，并研究了算法精度和所需资源的关系，发现在给定总资源但不限制比特数的情况下，如果总资源不超过100，迭代的相位估计比不迭代的Kitaev方法精度更高且需要的比特数更少，超过100则两者相当。

该工作体现了量子系统的设计中考虑经典电子学辅助的重要性，表明目前的量子硬件已经可以通过让经典电子设备在比特寿命内进行实时计算和反馈，实现动态量子电路，来获得更好的算法性能，动态量子电路的其他应用也有待进一步探索。

论文信息：https://arxiv.org/abs/2102.01682v1

【国际动态】

制药权威与科技巨头用量子计算开启药物研发

2021年1月11日，全球领先的研发驱动制药公司勃林格殷格翰(BI)宣布与谷歌(Google Quantum AI)达成合作协议，专注于研究和实施量子计算在药物研发领域中的前沿用例，其中包括分子动力学模拟(MD)。新的合作关系将其在计算机辅助药物设计(CADD)、计算机建模领域的专业知识，与作为量子计算机和算法的领先开发商之一的谷歌所拥有的优质资源结合在了一起。

量子计算对于比目前大得多的分子来说，有精确模拟和比较的潜力，为一系列疾病的药物研发和治疗手段开创了新的机会。

BI公司创新部门的董事会成员Michel Pairet表示，公司的工作主要就是为那些医疗需求得不到满足的疾病，研究并开发新的、突破性的疗法。他补充说，公司将同谷歌一起，把量子计算应用于生物制药研发当中，从而继续为全球患者的诊疗进程做出决定性的贡献。BI公司将在未来几年加大投资力度，以开发量子计算全部潜力。BI已经建立了一个专门的量子实验室，并从学术界、产业界和量子技术供应商那里，聘请了量子计算领域的人才。其中学术界和产业界的合作，双方将各自填补自己团队的空缺。BI公司创新部门和IT部门的同僚，将为专家学者们提供必要的帮助与支持。

IBM量子路线图，要在2026年实现百万量子比特架构

去年，IBM就发布了其未来几年的量子路线图，称预计在2023年实现超过一千个量子比特的系统。近日，其又发布了最新的量子路线图，在保持原来的路线规划基础上，更加清楚的展示了整个路线图中需要实现的硬件、算法以及核心研究点等，并称大约在2026年实现百万量子比特的架构。近年来，IBM一直沿着其量子路线发展，但目前的量子系统规模距离百万还有这巨大差距。另外提高退相干时间和门操作保真度，以及构建逻辑比特进行纠错等或许是让当前量子计算系统更快具有实际应用的路径，IBM等公司对量子比特数量规模的追求或许也有一定出于宣传效果的考虑。

信息源：

https://www.ibm.com/blogs/research/2021/02/quantum-development-roadmap/

【国内动态】

本源量子计算公司完成数亿元A轮融资

2021年1月14日，本源量子正式完成A轮融资，本轮融资由中国互联网投资基金（“中网投”）领投，国新基金、中金祺智、成都产投、建银国际、磐谷图灵等机构跟投。

国仪量子获高瓴领投数亿元B轮融资

1月15日，致力于用量子技术振兴自主科学仪器产业的国仪量子宣布完成B轮数亿元融资，用于量子计算和量子精密测量技术的研发和自主高端科学仪器的行业应用。本轮融资由高瓴创投（GL Ventures）领投，同创伟业、基石资本、招商证券跟投。