⚛️ quantum physics

Toward quantum scaling advantage in approximate optimization

本文通过证明经典分叉仿真机在更大规模实例上实现了相当或更优越的性能，从而挑战了近期关于在解决 QUBO 问题上具有量子扩展优势的说法，进而缩小了已报道的量子-经典差距，并表明一旦硬件开销得到解决，真正的量子优势可能仅限于特定的稀疏问题类。

原作者： J. Pawłowski, P. Tarasiuk, J. Tuziemski, Ł. Pawela, B. Gardas

发布于 2026-07-13

📖 1 分钟阅读🧠 深度阅读

原作者： J. Pawłowski, P. Tarasiuk, J. Tuziemski, Ł. Pawela, B. Gardas

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在一片巨大的、雾气缭绕的山脉中寻找最低点。这是一个经典的计算机谜题，被称为优化问题。最近，一些研究人员声称，一种特殊的“量子”登山者（量子退火机）在山脉变大时，能比任何经典计算机都更快地找到谷底。他们称之为“量子优势”。

但是，一个新的团队决定用一种完全不同的登山方式来复核这一说法，他们使用了模拟分叉机（Simulated Bifurcation Machine, SBM）。

你可以把量子登山者想象成一个利用“热涨落”的人——基本上，他们通过摇晃地面来观察自己是否能跳过一个小山丘。然而，SBM 更像是利用“混沌”的登山者。它不是通过摇晃，而是骑乘着一道会分裂并跳跃的狂野非线性波浪，在物理定律的引导下穿越地形，而这一切都是在标准的图形处理器（GPU）上运行的。

以下是作者在对这两位登山者进行测试时的发现：

1. “量子优势”可能是一种错觉
之前的研究声称量子登山者正在获胜。然而，作者发现，当你使用 SBM 时，它的运行速度与量子机器一样快，甚至更快。事实上，对于所测试的问题规模（约 1,322 个逻辑变量），SBM 完全抹平了差距。一旦考虑到设置运行和读取结果所需的所有时间，量子机器表现出的“优势”就消失了。

2. 小山脉在撒谎
作者认为，之前的研究观察的山脉太小了，无法说明真实情况。这就像根据百米冲刺来评判马拉松选手的速度一样；启动时间的影响实在太大了。当作者在更大的“山脉”上测试 SBM 时——规模高达 38,320 个变量（这需要至少 1.5 × 10⁵ 个物理比特的量子计算机才能尝试）——这种经典的混沌机器 SBM 依然表现稳健。其扩展性保持强劲，这表明对于这些特定类型的问题，量子机器目前并未超越这款经典的混沌机器。

3. “时间”陷阱
造成混乱的一个重要原因是衡量时间的方式不同。

量子机器： 前面的研究使用了“退火时间”（即机器声称自己用于攀爬的时间），这是一个预设的数值，比如编程耗时 14,100 µs，以及每个样本延迟 20.5 µs。他们没有计算与机器通信或读取结果所需的时间。
SBM： 作者测量的是获取答案的实际时间，包括了所有“开销”，例如在计算机的大脑与图形卡之间移动数据的时间。

当作者将所有现实世界的成本计入量子机器的运行时间时，它的速度优势就消失了。他们之前看到的“快速”扩展，主要是因为忽略了准备机器所需的时间。

4. 量子机器可能在哪里获胜？
这篇论文并不是说量子计算机毫无用处。作者建议，存在一条特定的、狭窄的路径可以让量子计算获胜：3D 自旋玻璃问题（3D spin-glass problems）。在这些特定的、稀疏的谜题中，当仅观察纯粹的攀爬时间时，量子登山者似乎能在纳秒级时间内找到高质量的解。然而，作者谨慎地指出，这仅仅是一个潜在的优势。目前，编程和读取量子机器所需的额外时间抵消了这种速度。他们认为，如果未来的硬件能够减少这些开销，真正的优势可能会出现，但目前，这仍是一个“假设”。

底线
作者得出结论：对于他们测试的特定问题，所谓的“量子扩展优势”说法很可能是错误的。这种经典的、混沌的 SBM 是一个强大的竞争者，当计算整个比赛过程而非仅仅是冲刺阶段时，它能匹配甚至超越量子机器。他们建议，若要看到量子计算机真正的胜利，我们需要观察更大规模的问题和不同类型的谜题，并且我们需要等待能够停止在设置和读取上浪费时间的硬件。

简而言之：当你衡量整个旅程时，量子登山者目前并不比混沌的经典登山者更快。所谓的“优势”很可能只是计时方式的一个陷阱。

技术摘要：迈向近似优化中的量子缩放优势

问题陈述
本文针对近期一项研究（文献 [1]）提出的主张进行了探讨，该研究声称在近似求解二次无约束二元优化（QUBO）问题时，D-Wave 量子退火表现出优于经典启发式算法的缩放优势。作者认为，所报道的优势并非真正的量子效应，而是方法论假设的人为产物，具体表现为使用了“量子退火校正”（QAC）以及排除了硬件开销的运行时间指标定义。核心问题在于：一个与量子退火具有关键操作特征（近乎平行的演化过程，以及能量间隙、运行时间与解质量之间确定的关系）的经典算法，是否能够重现或超越所报道的缩放性能。

方法论
作者采用了模拟分叉机（SBM），这是一种基于非线性哈密顿动力学和混沌行为（而非热涨落）的经典求解器。SBM 是通过对量子动力学的“去量子化”推导而来的，利用了一个耦合非线性振子网络。

算法： SBM 通过由离散运动方程控制的变量系统 $x_i, y_i$ 来求解 Ising 模型（等价于 QUBO）。系统经历由线性调度 $p(t)$ 驱动的一系列分叉，引导系统向低能态演化。
指标： 性能评估使用 Time-to- $\epsilon$ ( $TT_\epsilon$ ) 指标，定义为以 99% 的概率找到处于基态 $\epsilon$ 优化间隙内的解所需的时间。作者分析了多个实例的 $TT_\epsilon$ 中位数（ $[TT_\epsilon]_{Med}$ ）。
缩放分析： 研究通过拟合幂律关系 $[TT_\epsilon]_{Med} \propto N^\alpha$ 来确定缩放指数 $\alpha$ 。
实验范围：
1. 重现： 作者使用 GPU 上的 SBM 重新评估了文献 [1] 中特定的“Sidon-28”实例（逻辑比特数 $N \in [142, 1322]$ ）。
2. 外推： 他们将分析扩展到更大的规模（ $N$ 高达 $\approx 3.8 \times 10^4$ ），这一规模目前量子退火器尚无法触及。
3. 替代问题类： 他们研究了 3D 自旋玻璃实例，这类问题被认为在“快速退火”机制下量子退火器表现出色。
时间统计： 方法论的一个关键组成部分是对以下两类时间进行严格区分：
- 测量时间 ( $t_{runtime}$ 或 $t_{tot}$ )： 包括所有开销（编程、读取、CPU-GPU 通信、排队等待）。
- 设置/退火时间 ( $\tau$ 或 $t_{GPU}$ )： 纯计算时间，不含开销。作者认为，将测量的经典时间与未计入开销的量子“设置”时间进行比较，会产生有利于量子设备的偏差。

主要贡献与结果

弥合量子-经典差距： 在研究的特定实例上，基于 GPU 的 SBM 实现了与最佳 QAC 结果相当、甚至在某些机制下更优的缩放指数 ( $\alpha$ )。当在 SBM 的总运行时间 ( $t_{tot}$ ) 中计入开销时，其表现与量子退火器持平或更优。当对比纯计算时间（ $t_{GPU}$ vs. $\tau$ ）时，差距进一步缩小，这表明所报道的优势对开销定义高度敏感。
有限尺寸效应： 作者证明，缩放指数受小系统规模（ $N < 1500$ ）中开销的影响很大。随着系统规模增加到 $N \approx 3.8 \times 10^4$ ，开销的影响消失，SBM 表现出稳健的多项式缩放。这表明文献 [1] 中的小规模实例不足以推断渐近行为。
对普遍优势的反驳： 研究得出结论，对于所分析的 QUBO 问题和运行时间统计方法，当前的量子退火器并未表现出明显的缩放优势。此前观察到的“优势”归因于排除了开销以及 QAC 的特定约束。
潜在优势机制的识别： 本文确定了 3D 自旋玻璃实例 是潜在的真正量子优势候选领域。在此机制下，若使用退火时间 $\tau$ 作为运行时间的代理指标，量子退火器表现出优于 SBM 的缩放性能。然而，作者指出，一旦计入现实的开销（编程、读取），这种表观优势就会消失。他们认为，未来通过减轻硬件开销实现的设备，可能在这一特定稀疏问题类中实现真正的优势。

意义与主张
本文声称通过将基准从热力学求解器（如 PT-ICM）转向量子启发式混沌求解器（SBM），为迈向真正的量子优势提供了概念基础。

适度主张： 作者并非声称量子退火是无效的；相反，他们认为“量子优势”的主张必须针对不断改进的经典算法进行验证，并且必须考虑所有的操作开销。
数据重新解读： 他们认为，在文献 [1] 中观察到的缩放现象不能被唯一地解释为量子效应，因为这种现象可以通过一个具有与量子退火相似关键动力学特征的经典系统来重现。
未来展望： 本文指出，真正的缩放优势可能仅能在特定的稀疏问题类（如 3D 自旋玻璃）中实现，并且只有在硬件层面的运行时间限制（开销）得到显著缓解后才可能实现。在此之前，在严格的时间统计下，当前的量子处理单元（QPU）不太可能在近似离散优化方面超越经典求解器。

类似论文