Parametrized Quantum Circuit Learning for Quantum Chemical Applications

长期以来，化学家一直依赖强大的计算机来预测分子的行为，这项任务通常需要求解极其复杂的方程，以理解电子的微观世界。几十年来，这些计算一直是经典计算机的领域，经典计算机以一种直接、循序渐进的方式处理信息。然而，一个新的前沿领域已经出现，科学家们试图利用量子力学的奇特规则——即支配最小粒子的物理学——来解决这些化学难题。人们希望通过使用能够同时存在于多种状态下的量子计算机，研究人员有一天能够比以往任何时候都更快、更准确地预测分子属性。一种被称为量子机器学习的特定方法试图将这两个世界融合在一起，利用量子计算机来学习化学数据中的模式，就像人类从经验中学习一样。然而，尽管理论令人兴奋，但目前尚不清楚这些机器是否真的能在处理日常化学问题时胜过我们现有的经典计算机。

一个研究小组致力于通过构建并训练各种旨在运行在量子计算机上的数字电路来测试这一想法。他们专注于两个截然不同的化学挑战，以观察这些电路的学习效果。第一个挑战涉及预测打破一组大型分子中特定化学键所需的能量，这对于标准计算机来说是一个相对简单的任务。第二个挑战则更为专业，涉及预测水分子中的电子行为，这是一个深深植根于量子力学本身的问题。为此，科学家们构建了168个不同版本的量子电路，将14种数据输入方式与12种用于处理信息的不同内部结构进行排列组合。他们在五位和十六位量子比特（量子系统中信息的基本单位）的量子计算机模拟上测试了这些电路，最后将表现最好的设计运行在真实的物理量子硬件上。

结果描绘了一幅既充满希望又存在显著局限性的图景。当研究人员在断键能数据上测试这些电路时，量子模型表现得异常吃力。即使是性能最好的电路也无法以任何有用的精度预测能量值，其表现往往并不比简单地对每个分子都预测平均值更好。研究表明，将化学数据转化为量子计算机能够理解的格式的过程，可能剥离了过多的细节，导致机器可用于学习的信息过少。相比之下，量子电路在处理涉及直接电子行为的水分子数据时表现得好得多。在这一任务中，模型能够很好地学习模式并做出准确的预测，达到了可以被视为有用的成功水平。这种差异表明，量子机器可能更适合处理本质上具有量子特性的问题，而不是试图强迫它们去解决经典计算机已经能轻松处理的问题。

研究人员还调查了增加电路复杂度是否能帮助它们更好地学习。他们尝试在电路中增加更多层，并将数据多次喂给机器，这种技术旨在帮助模型捕捉更复杂的模式。对于断键数据，增加复杂度没有任何作用；模型依然停滞不前。然而，对于水分子数据，增加电路的深度确实提高了准确性，使模型能够更有效地学习。尽管有了这些改进，量子模型仍然无法达到最佳经典计算机模型的性能，后者在解决这两个问题时都达到了近乎完美的准确度。该研究明确反对仅仅通过增加参数或训练数据就能自动获得更优结果的想法，表明对于这些特定的化学任务，量子方法目前仍落后于传统方法。

最后的测试是将最成功的那个水分子模型运行在目前公众可用的真实量子计算机上。虽然在计算机上的模拟预测了高精度的结果，但一旦实验转移到实际的物理设备上，性能便崩溃了。真实机器中充满干扰和误差的噪声环境，导致预测变得不可靠且不准确。这一结果凸显了一个重大障碍：虽然这些电路的数学理论在完美的、无噪声的模拟中表现良好，但当前这一代量子硬件过于不完美，无法处理实际化学应用所需的精密计算。研究结论指出，尽管量子机器学习具有理论潜力，特别是对于天然具有量子特性的问题，但这项技术尚未准备好取代其原本旨在处理的化学任务中的经典计算机。作者建议，未来的道路不仅在于建造更大的机器，还在于寻找新的方式来重新构建化学问题，从而真正发挥量子计算独特优势。