Comparing Quantum Annealing and BF-DCQO

在解决世界上最难谜题的竞赛中，科学家们长期以来一直试图从量子世界的奇异行为中寻找优势。目前已经出现了两种主要的方法来利用这种力量。第一种是量子退火（quantum annealing），这是一种通过引导机器从一个简单的起点缓慢移动到复杂的终点的方法，使系统能够自然地沉降到最佳可能的解，就像一个小球滚下山坡寻找最低的谷底一样。第二种方法涉及门模型量子计算机（gate-model quantum computers），它使用逻辑门以离散的步骤操纵信息，类似于传统计算机处理数据的方式，但增加了同时存在于多种状态的能力。最近，研究人员提出了一种结合这两个世界的混合技术，即使用一台经典计算机来引导门模型量子处理器通过一系列步骤来解决优化问题。这种被称为“偏置场数字化反绝热量子优化”（bias-field digitized counterdiabatic quantum optimization）的方法，据称优于现有的量子退火机。然而，一项新的分析表明，情况可能大不相同，揭示了这种混合系统的量子部分可能几乎没有承担实际的工作。

来自 D-Wave Quantum 的一个研究小组着手通过将他们的量子退火机与该混合算法进行直接对比，来测试这些说法。他们专注于一种特定类型的问题，其目标是在海量的可能性中找到能量最低的状态，这种任务在物流、金融和材料科学领域非常常见。所涉及的这种混合方法使用了一个反馈回路：经典计算机分析量子运行的结果，然后调整下一次运行的设置，从而逐渐引导系统走向更好的答案。该方法的最初提出者报告称，它优于 D-Wave 的机器。然而，这项新研究发现事实恰恰相反。当研究人员在 D-Wave 的量子退火机上运行相同的问题时，这些机器找到了质量高得多的解决方案，且耗时仅为前者的极小部分。

为了理解为什么这种混合方法可能被高估了，研究人员引入了一个简单的对照测试。他们用一个非常基础的、“愚蠢的”经典程序替换了混合工作流中的量子计算机，这个程序只是简单地通过逐个翻转比特位来改进解。令人惊讶的是，这个平凡的经典替代品表现得与包含量子处理器的复杂混合系统一样好，甚至往往更好。这一结果表明，混合方法中的量子组件对答案质量的贡献并不显著。相反，改进很可能来自于经典计算机通过精炼和施加偏置来引导搜索的能力，实际上是经典计算机在进行繁重的工作，而量子机器则扮演了一个次要的、甚至是消极的角色。

该研究还检查了达到这些解所需的时间，这是一个经常被忽视的性能因素。研究人员计算出，在门模型量子计算机上运行该混合算法所花费的时间，将比在量子退火机上运行相同问题要长出数十倍。例如，在涉及特定复杂问题的测试中，退火机在不到一秒钟内就完成了任务，而混合方法即使在乐观的估计下，也需要近一分钟或更长时间。这种巨大的速度差异，结合混合系统中量子部分几乎没有价值的发现，表明对于这些特定的优化挑战，退火方法仍然是更高效的工具。

研究人员谨慎地确保了他们的比较是公平且可重复的。他们指出，最初声称该混合方法具有优越性的研究并未分享原始数据，因此该团队根据发表的描述生成了自己的问题集。他们在最新一代的 D-Wave 硬件上测试了这些问题，该硬件包含数千个量子比特，使其能够解决以前规模过大的问题。在每种情况下，量子退火机都返回了更好且更快的解。研究结论认为，虽然混合算法是一个有趣的研究领域，但对于这种特定方法的优越性之说法并未得到证据的支持。量子退火机通过保持在其基态附近并缓慢演化，证明了它是解决测试问题的更稳健、更快速的求解器；而混合方法则似乎过度依赖于那些无需任何量子硬件即可实现的经典计算技巧。