想象一个计算机不仅能进行数字运算，还能与热量共舞的世界。在奇妙的量子物理领域，科学家们正在构建能够通过轻轻推动被称为“量子比特”的微小粒子来解决问题的机器。这些“量子退火机”就像高科技的寻宝者：它们从一堆乱七八糟的金币（一个困难的问题）开始，试图找到代表最佳解的那个唯一且完美的排列方式。通常情况下，我们只关心它们是否找到了宝藏。但如果我们也能测量机器在挖掘过程中“流了多少汗”呢？这就是量子热力学发挥作用的地方。它是研究热量、功和能量如何在这些微观系统中流动的学科。把它想象成在赛车比赛时检查引擎温度，而不仅仅是盯着终点线看。理解这种能量流至关重要，因为就像汽车引擎一样，量子计算机也可能会过热或浪费燃料。如果我们能精确测量计算过程中交换了多少能量，我们或许就能制造出不仅更聪明，而且更节能、运行更凉爽、速度更快的计算机。
现在，来认识一下这些决定不把商用量子计算机仅仅视为计算器，而是将其视为可编程热机的研究人员。他们使用了一台名为 D-Wave 的量子退火机，并让它执行一种特殊的程序，称为“反向退火”。想象你正在下山寻找最低的山谷（最佳解）。通常，你只是向下走。但在反向退默中，登山者从山底出发，向上走了一段距离，然后又走回了下面。通过观察登山者的能量在这次往返过程中的变化，团队发现了一个令人惊讶的现象：这台机器并不只有一种身份。根据他们设置的初始条件以及登山者向上爬的高度，这台计算机可以表现出四种不同类型的热机。
有时，机器表现得像一个加热器，将能量泵入系统，使“登山者”变得更热、更有活力。其他时候，它表现得像一个加速器，通过吸收热量帮助系统更快地达到平衡，从而加速寻找解的过程。在某些场景下，它表现得像一台冰箱，主动从系统中抽取热量以使其冷却，对抗自然的流动。在少数情况下，它显示出表现得像一台发动机的迹象，有可能从能量流中提取有用的功。团队并非凭空猜测，他们测量了量子比特的能量变化，并利用数学规则（称为热力学不确定性关系）计算出了热量和功交换的下限。他们发现，通过简单地调整“转折点”（即登山者向上爬的高度）和初始温度，他们就可以在这些模式之间切换机器的状态。
研究人员在“相图”上绘制出了这些行为，这就像是计算机能量的“天气预报图”。他们发现，机器的角色并不是固定的，它是可编程的。如果你想优化一个解（让一个好的答案变得更好），你可能会使用“加速器”模式。如果你想探索新的可能性（打破现状），你可能会使用“加热器”模式。他们在不同类型的题目上进行了测试，从简单的单维自旋链到复杂的二维晶格，甚至是在不同代的硬件上。他们发现，机器的行为很大程度上取决于它正在解决的具体问题以及它遵循的进度表。例如，在“登山”的过程中（大约在某个特定点），机器变得最为活跃，交换最多的能量，并展现出最清晰的这些不同热模式的迹象。
至关重要的是，论文明确指出，这些“温度”并不只是存放计算机的冷冻机的低温（那已经是接近绝对零度了）。相反，它们是描述量子比特在计算过程中行为的“有效温度”。这就像是在测量人群的“情绪”，而不是房间里的空气温度。这项研究表明，这种热力学视角为量子计算增加了一个新的理解维度。它允许科学家诊断机器的工作状态，区分出一个过程是在优化解，还是仅仅在随机升温。虽然论文并未声称已经解决了所有的能量效率问题，但它提供了一个用于测量量子计算能量成本的实用工具包。通过将量子退火机视为热机，作者们提供了一种调节这些设备的新方法，这可能带来不仅更快、而且更具“能量意识”的算法，确保这场量子寻宝之旅不会比宝藏本身的价值还要耗费更多燃料。
技术摘要：作为可编程热机的量子退火器
问题陈述
尽管量子退火器（特别是 D-Wave 系统）经常通过解的质量、采样能力和求解时间（time-to-solution）进行基准测试，但其热力学性能在很大程度上仍未得到表征。现有文献已经确定这些设备作为量子热机运行，特别是在反向退火循环中，它们会吸收和释放热量。然而，目前缺乏一个全面的框架，能够在无法完全获取环境信息或缺乏详细微观浴模型的情况下，量化能量交换、熵产生和功。作者旨在解决这一需求，将 D-Wave 处理器不仅视为优化器，而且视为一种可编程的热机，其运行模式（加热器、加速器、发动机或制冷机）可以通过能量统计进行控制和诊断。
方法论
作者将 D-Wave 量子退能器视为由反向退火协议驱动的封闭热力学循环。实验工作流包括：
- 初始化： 在受控的反温度 β1 下，准备程序化的 Ising 哈密顿量 (Hp) 的经典吉布斯态。
- 演化： 执行反向退火循环，其中退火参数 s(t) 从 s=1 增加到转折点 sp，然后回到 s=1。这确保了初始和最终的哈密顿量是相同的（H(0)=H(1)=Hp）。
- 测量： 进行两点能量测量，以确定问题能量的变化，ΔE1=Ep(σ(τ))−Ep(σ(0))。
- 分析：
- 有效测温： 通过使用伪似然法（pseudo-likelihood）将输出自旋构型拟合到程序化的 Ising 哈密顿量，以估计有效环境反温度 β2（及对应的温度 T2）。
- 热力学界限： 利用交换涨落定理（Exchange Fluctuation Theorem）和热力学不确定性关系（TURs）。由于只有 ΔE1 是直接可观测的，作者利用 ΔE1 的前两个矩以及拟合的 β2 推导出了关于熵产生 (Σ)、热交换 (Q) 和功 (W) 的严格下界。
- 分类： 根据平均处理器能量变化 (⟨ΔE1⟩)、环境能量变化 (⟨ΔE2⟩) 和功 (⟨W⟩) 的符号对运行机制进行映射。
实验在 D-Wave Advantage（Pegasus 拓扑结构）和 Advantage2（Zephyr 拓扑结构）系统上进行，使用了一维 Ising 链和二维 Pegasus 实例（随机均匀分布和受损偏置铁磁体）。
核心贡献
- 统一的热力学分类： 本文证明了通过改变初始制备温度 (β1) 和反向退火转折点 (sp)，同一硬件可以被程序化为在不同的热力学机制下运行：
- 加热器 (Heater)： 处理器和环境都获得能量；对外做功。
- 加速器 (Accelerator)： 处理器失去能量，而环境获得能量；对外做功以辅助弛豫。
- 制冷机 (Refrigerator)： 驱动力迫使能量交换对抗自发的热偏置。
- 发动机/加速器 (Engine/Accelerator)： 在可用界限无法唯一区分功提取与驱动加速的区域，作者分配了一个组合标签“发动机/加速器”，以避免过度解释数据。虽然理论上允许发动机兼容的操作，但实验界限无法将其与加速器操作进行唯一区分。
- 与设备无关的界限： 作者提供了一种方法，仅使用量子处理单元（QPU）报告的能量变化来设定熵产生、热量、功和功率的下界，而无需特定的环境模型。
- 操作测温： 研究引入了一种内置测温诊断功能，拟合的有效温度 T2 可作为计算自由度热状态的敏感指标，该状态与低温制冷机板的温度是不同的。
结果
- 相图： 作者绘制了 (β1,sp) 平面上的热力学相图。对于一维链，加热器与加速器机制之间的边界随退火时间 (τ) 的变化而移动并趋于平滑，但基本的分类保持一致。
- 临界现象： 在 sp≈0.6 附近观察到有效温度 T2 和功界限的一个显著特征，这对应于横场 Ising 模型中的临界区域，在该区域，驱动项与问题项的能量尺度相互竞争。该区域表现出增强的能量涨落和耗散。
- 标度律： 对于一维链，基于 TUR 的总功和功率的标度关系为 LlogL（其中 L 为链长），而单自旋量纲的标度关系为 logL。这反映了一维中红外主导的临界涨落特性。
- 问题依赖性： 热力学响应取决于具体实例。具有崎岖能量景观（如受损偏向铁磁体）的二维实例与较平滑的随机均匀实例相比，表现出更宽的活跃窗口和更高的有效温度。
- 硬件比较： 分类程序可以在 Advantage 和 Advantage2 处理器之间转移，尽管模式边界的具体位置和拟合温度会随硬件代际和问题嵌入方式而变化。
意义与主张
本文声称提供了一个将量子优化、概率计算与统计物理模拟与能量感知评估相结合的框架。其意义在于：
- 超越解质量： 它增加了热力学层面的基准测试，区分了驱动精炼（加速器）、净加热（加热器）以及热泵送（制冷机/发动机）。
- 可编程性： 它确立了量子退火器的热力学角色是可编程的；用户可以通过调整调度方案和初始状态，引导设备在不同的能量流机制之间切换。
- 诊断效用： 有效温度 T2 和能量界限可作为诊断工具，用于检测弛豫、冻结（freeze-out）或校准的变化，而无需外部传感器。
- 能量效率： 通过量化不同调度方案的能量后果，这项工作为设计兼顾准确性和能量效率的算法和硬件调度提供了路径。
作者明确指出，热力学标签本身并不决定计算性能（例如，寻找全局最优解）。相反，热力学模式提供了关于如何达到解的背景信息（例如，是通过弛豫还是驱动探索），这必须与成功概率和求解时间等标准指标结合起来进行评估。这项工作并非旨在解决优化问题本身，而是旨在表征退火器的物理过程。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。