Benchmarking neutral atom-based quantum processors at scale

想象一个计算机不仅仅是在进行数字运算，而是在与现实的织面共舞的世界。这就是量子计算的领域，在这个领域中，像原子这样微小的粒子扮演着大脑神经元的角色。与使用 0 或 1 这种比特（bit）的笔记本电脑不同，这些量子机器使用的是“量子比特”（qubit），它们可以是 0、1，或者同时是两者的神奇混合体。构建这些机器的一种极具前景的方法，是用被称为“光镊”的激光光束制造出隐形的笼子，将单个原子捕捉其中。这些原子就像舞台上的舞者；如果它们靠得太近，就会以一种被称为“里德堡封锁”（Rydberg blockade）的特殊方式进行相互作用，即它们拒绝同时被激发。科学家利用这一规则来解决极其困难的谜题，比如寻找排列一群人的最佳方式，使得任何两个朋友都不会坐在一起。但问题在于：这些量子舞者非常脆弱。来自环境的噪声会让它们踉跄跌倒，而且随着我们构建的舞台（原子数量）变得越来越大，变得越来越难判断这台机器是真的变得更聪明了，还是仅仅变得更吵闹了。这就是为什么我们需要一种公平测试它们的方法，不仅是通过观察它们的内部零件，而是通过观察它们解决现实世界问题的能力。

这篇论文就像是一场为地球上两台最先进的量子计算机举办的大型公平竞技赛：一台由 QuEra 构建（称为 Aquila），另一台由 Pasqal 构建（称为 Fresnel）。研究人员想要看看哪台机器更擅长解决一种被称为“最大独立集”（Maximal Independent Set, MIS）的特定类型谜题。想象一下，你有一张城市地图，上面有很多交叉路口（点）和连接它们的道路（线）。目标是挑选出尽可能多的交叉路口，使得被选中的任何两个交叉路口之间都没有直接相连的道路。这听起来很简单，但随着城市的规模扩大，可能的组合数量会呈爆炸式增长，这让常规计算机感到头疼不已。研究人员使用了两种不同的“策略”在量子机器上解决这个问题。第一种是量子绝热算法（QAA），它就像是缓慢地引导一颗弹珠沿着蜿蜒的山坡向下滚动；如果你走得足够慢，它自然会滚入最深的谷底，而那个谷底代表着最佳解决方案。第二种是量子近似优化算法（QAOA），它更像是一个“热还是冷”的游戏，计算机尝试不同的设置，从结果中学习，并调整其方法以找到最佳位置。

团队测试了这些机器，处理的问题规模从只有 11 个原子的微型设置，一直到高达 102 个原子的 Aquila 和 85 个原子的 Fresnel 的大规模挑战。他们不仅观察机器是否找到了完美答案，还观察了它们找到“有效”答案（即符合规则的解）的频率，以及这些答案与最佳答案的接近程度。结果显示出一个明显的趋势：随着谜题规模的增大，两台机器都发现寻找完美解变得更加困难，这是预料之中的，因为问题变得更难了，机器也变得更有噪声了。然而，Aquila 的表现通常优于 Fresnel，尤其是在谜题规模变得非常大时。例如，在处理一个 85 个原子的题目时，Aquca 找到有效解的概率约为 22.1%，而 Fresnel 仅能达到 4.6%。有趣的是，研究人员发现 QAOA 策略并不总是能击败那种更缓慢、更稳健的 QAA 策略，这表明在这些特定的机器上，有时温和、缓慢的方法比快速、复杂的方法更有效。

作者还创建了一个规模高达 1,000 个原子的全新谜题库，这将作为未来量子计算机在构建过程中的一项标准测试。他们谨慎地指出，这项测试并不能告诉我们机器失败的准确原因（例如是因为激光器损坏还是算法不好）；相反，它提供了一份关于整个系统在现实生活中运作情况的“计分卡”。这就像评判一辆汽车，不是通过测量每一个螺栓，而是通过看它在赛道上行驶得有多快、多安全。论文总结道，虽然这两台机器都尚未“解决”噪声问题，但 Aquila 目前在处理这些大规模原生优化任务方面处于领先地位。这一基准测试为科学家们提供了一种通用的语言来比较不同的量子技术，确保随着我们构建更大、更强大的机器，我们能够真正衡量它们是否在胜任我们实际需要的任务方面变得更好了。