重磅!基于三维集成芯片的光量子计算原型机问世,上海交大金贤敏团队研制


新智元专栏

作者:上海交通大学金贤敏团队

【新智元导读】近日,上海交通大学金贤敏研究团队发布了最新研究成果:全球首个基于光子集成芯片的物理系统可扩展的专用光量子计算原型机。该团队首次在实验上实现了一种叫做“快速到达”问题的量子加速算法。该项研究开启了利用量子系统的维度和尺度作为全新资源研发专用光量子计算机的新路线图。

10 月 29 日,最新一期国际权威学术期刊《自然•光子学》(影响因子:37.85) 以“Experimental quantum fast hitting on hexagonal graphs” 为题发表了上海交通大学金贤敏研究团队最新研究成果,报道了首个基于光子集成芯片的物理系统可扩展的专用光量子计算原型机,首次在实验上实现了“快速到达”问题的量子加速算法。

该研究团队在飞秒激光直写制备的三维光量子集成芯片中成功构建了大规模六方粘合树并演示了量子快速到达算法内核,相比经典情形展示了平方级加速,而且最优效率提高一个数量级。

该项研究开启利用量子系统的维度和尺度作为全新资源研发专用光量子计算机的路线图。

首次在复杂六方粘合树结构实现量子加速优势

近年来,关于通用量子计算机的新闻屡见于报端,IBM、谷歌、英特尔等公司争相宣告实现了更高的量子比特数纪录。但是业界共识是,即使做出几十个甚至更多量子比特数,如果没有做到全互连、精度不够并且无法进行纠错,通用量子计算仍然无法实现。即使以现在各种量子比特载体可以实现的极限操控精度,进行量子纠错,通用量子计算机需要高达上百万个量子比特才能真正超越经典计算机。

专用量子计算,由于可以直接构建量子系统,不需要依赖复杂的量子纠错,因而相对于通用量子计算具有更灵活的实现方式和更高的可行度。一旦能够制备和控制的量子系统达到全新尺度,将可以直接用于探索新物理和在特定问题上推进远超经典计算机的绝对计算能力。

量子行走作为专用量子计算的重要内核,已经在许多优化算法中被理论预测具有明显量子加速效果。其中,对于粘合树结构上的快速到达(Fast Hitting)问题,量子行走的优势尤为突出。量子行走具有天然的叠加态特性,在面对分叉选择的时候,不是选择左或者右,而是可以选择左和右的叠加态,使得量子行走在粘合树结构上可以轻松“快速到达”,对优化、搜索等实际问题都有潜在的广泛应用前景。只是,常规的二叉粘合树的节点数目随着层数增加呈指数级增加,会迅速耗尽几何上的制备空间,因此是不可扩展的。

图一:粘合树结构示意图

今年5月,金贤敏团队在美国《科学》杂志子刊Science Advances上发表了世界最大规模的光量子计算集成芯片,并演示了首个真正空间上的二维量子行走[Science Advances 4, eaat3174 (2018)]。这项工作通过增加量子演化维度和系统尺度的方式来提升量子态空间的尺度,提供了一种可行的非常有前景的量子计算和处理资源。

在此基础上,金贤敏团队提出了一种具有充分可扩展性的六方粘合树结构,并通过飞秒激光直写技术成功映射到三维光量子集成芯片中。这种六方粘合二叉树结构,即使层数很大,都可以在芯片中很好地用三维波导来实现。

实验中首先根据理论预测的量子动态演化过程中最大的到达概率以及对应的最优演化长度,通过飞秒激光直写技术制备最优演化长度附近的若干组芯片样品。然后通过激光注入、CCD成像观测芯片输出的光强概率分布,确定不同层数结构的最优演化长度。注入单光子量子光源,用高精度单光子成像观测在最优“快速到达”情形下的演化图形。

图二展示了量子算法可实现约90%的最优到达效率,最优演化长度约为25mm。而经典算法只能缓慢地达到最优演化情形,且最优到达效率只有6.25%,比量子行走小了一个多数量级。这是经典随机行走的扩散传输本质导致的,出口节点达到的最优到达效率相当于1除以所有节点的数目。量子行走在复杂分叉结构时可以选择左和右的叠加态,从而在最优到达效率和最优演化长度都实现明显的优势。

图二:2层六方粘合树“快速到达”的量子算法和经典算法结果对比

研究人员将六方粘合树的层数逐步增大到8层,结构复杂度不断提升。如图三所示,在几种不同层数结构中的最优到达情形中,出口波导都会聚了比大部分其他波导更高的光强,而经典情形是当出口节点达到最优时,所有节点的光强实现平均分配,因而最优到达效率非常低。

研究人员进一步分析了量子行走和经典随机行走在六方粘合树结构上的“快速到达”表现随着结构层数的量化关系。量子最优到达效率始终比经典最优到达效率高一个多数量级。而且对于最优到达效率所对应的最优演化长度,量子算法和经典算法分别需要与粘合树层数呈线性及平方关系的演化长度。也就是说,量子算法对于“快速到达”问题在更大的任务尺寸上具有更大的优势。

图三:结构复杂度不断增大的量子“快速到达”实验结果

金贤敏研究团队通过理论创新、高精度的芯片制备、单光子级的注入和成像等一系列努力,最终首次在复杂六方粘合树结构“快速到达”问题中成功实现量子加速优势。光量子集成芯片中的实验结果与理论结果在最优到达效率及最优演化长度两方面都吻合的很好,这与研究团队过去三年所发展的飞秒激光直写制备三维光量子集成芯片的精准工艺是分不开的。

首款专用光量子计算软件已发布,专用光量子计算原型机有望推动实际应用

金贤敏研究团队所发展的基于三维光子集成芯片的大规模量子演化系统,使得研发各种物理系统可扩展的专用光量子计算原型机成为可能。

同时,这种粘合树结构很容易让人联想到计算机科学中的二元树或决策树,若能将量子算法运用到计算机科学中的优化、管理、及信息搜寻等各种实际问题中去,有望极大地推动量子计算机的实际应用。还有望用来解决许多跨学科交叉的科学问题并衍生新兴研究领域,比如与实验室天文学模拟、量子人工智能[Physical Review Letters 120, 240501 (2018)]、量子拓扑光子学[arXiv:1810.01435 (2018)]、生物医药及成像等学科相互关联的综合性研究。今年10月初,金贤敏团队刚刚发布了首款专用光量子计算软件FeynmanPAQS [arXiv: 1810.02289 (2018)],也是旨在让量子计算面向更加广泛的科研学者、工程师和热心科普的群体,力图促进更多专用光量子计算算法的发现、基础科研领域交叉、量子计算的工程化应用对接。

期待不久的将来,专用光量子计算机能够真正为各行业带来更多令人欣喜的应用。

论文链接:

https://www.nature.com/articles/s41566-018-0282-5

http://advances.sciencemag.org/content/4/5/eaat3174

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.120.240501

https://arxiv.org/abs/1810.01435

https://arxiv.org/abs/1810.02289


原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2018-11-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏ATYUN订阅号

DeepMind开发唇读AI以帮助识别语音,效果优于专业唇读者

对于数百万失聪者来说,唇读可以提供一个窗口,可以跟上对话。但这种做法很难,结果往往不准确。现在,DeepMind研究人员报告一种新的AI程序,该程序的性能优于专...

894
来自专栏AI研习社

支持Python!Facebook开源预测工具Prophet

【AI研习社】关注AI前沿、开发技巧及技术教程等方面的内容。欢迎技术开发类文章、视频教程等内容投稿,邮件发送至:zhangxian@leiphone.com ...

3955
来自专栏大数据文摘

AI应从神经科学中借鉴想法和思路

2736
来自专栏CDA数据分析师

CDA三级数据科学家精英计划究竟讲些什么内容?

在大数据和机器学习的时代,有一种职业脱颖而出——数据科学家。数据科学家在近年来备受追捧,也有越来越多的人想投身数据科学领域。

1724
来自专栏量子位

通过照片内容搜图,Facebook这个新技能是如何实现的?

现在,你可以在Facebook上通过描述照片中的内容来搜索图片了:手工添加的图片标题和标签都不再重要。 这个功能的背后,是Facebook计算机视觉平台Lum...

76510
来自专栏CSDN技术头条

携程:机器学习在酒店服务领域的实践

在携程技术中心推出的线上公开课程[携程技术微分享]上,携程酒店研发BI经理潘鹏举介绍了如何借助大数据和算法,通过机器学习去克服酒店服务行业挑战。目前的应用主要包...

3428
来自专栏智慧建筑

人工智能

在智慧建筑项目中会接触到一些AI相关的功能。人脸识别是其中最常用的算法,基本是每个项目标配。今天就从人脸识别入手谈谈AI在实际项目中的使用情况。

2414
来自专栏大数据文摘

数据科学中的“数据智慧”

18310
来自专栏机器之心

资源 | TwenBN发布两个大型DL视频数据集:助力机器视觉通用智能

选自medium 作者:Moritz Mueller-Freitag 机器之心编译 参与:黄小天、Smith TwenBN 是一家人工智能公司,运用先进的机器学...

4049
来自专栏量子位

纯新手入门机器/深度学习自学指南(附一个月速成方案)

准备用三个月入门,和想要一个月速成,肯定是截然不同的路径。当然我建议大家稳扎稳打,至少可以拿出五个月的时间来学好机器学习的基础知识。

1101

扫码关注云+社区

领取腾讯云代金券