Towards Continuous Profiling and Optimization of Quantum-Classical Pipelines
本文介绍了 LLQM，这是一个通过对量子-经典流水线进行分解和持续监测，从而实现动态、硬件感知优化的分析驱动型元框架，旨在应对随机硬件噪声，提升保真度和资源效率。
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
量子计算有望解决当今超级计算机无法处理的问题，从设计新药到模拟复杂的化学反应。然而，承载这一承诺的机器目前非常脆弱。它们用于存储信息的微小粒子被称为量子比特（qubits），极易受到热量、振动甚至微弱电磁波的干扰。这种被称为“噪声”的干扰会导致计算机出错。为了获得有用的答案，科学家们不仅仅是运行一次计算；他们运行一个复杂的步骤序列。他们准备计算，将其发送到量子机器，等待结果，然后使用一台强大的经典计算机来清理错误并解释数据。这种往复的过程被称为“流水线”（pipeline）。多年来，研究人员一直将该流水线中的每个步骤视为一个独立的、静态的任务，假设只要他们在开始时设置好参数，工作就会顺利运行。但随着这些机器变得越来越大、越来越复杂，这一假设开始失效。量子硬件的行为每分钟都在发生变化，而修复错误所需的经典步骤在所需的时间和内存方面也存在巨大的差异。
伊利诺伊大学厄巴纳-香槟分校和 IBM 研究院的一个研究小组构建了一个管理这种复杂性的新系统，称为 LLQM。LLQM 不再将量子作业视为一个单一、不可改变的工作块，而是将其分解为微小的、独立的任务，并在其发生时进行密切观察。该系统充当一个连续的观察者，在追踪量子硬件不断变化的健康状况的同时，测量每一步消耗了多少功率、内存和时间。这种方法揭示了旧有的规划方式已不再适用。研究人员发现，修复错误的最佳方式完全取决于计算运行的具体时刻。一种在风平浪静的日子里表现完美的技巧，在硬件稍有噪声时可能会完全失效；而一种在某种问题上运行很快的方法，在另一种问题上可能需要长出数百倍的时间。
该团队在拥有多达 156 个量子比特的真实量子处理器上测试了他们的系统，运行了涉及数百万次操作的计算。他们发现，负责错误纠正的经典计算机往往成为了瓶颈，而不是量子机器本身。在某些情况下，经典计算机总耗时的 92% 仅仅是在循环中等待量子机器完成；而在其他时候，它又会为了处理结果而高强度工作数小时。研究人员还发现，芯片上选择使用哪些物理量子比特比此前认为的更为重要。选择一组略微退化的量子比特可能会导致结果的准确性骤降至接近于零，或者迫使系统在量子机器上花费近两倍的时间才能达到同样的结果。这些并非微小的变化，而是决定计算成功或失败的基础性转变。
其中最引人注目的发现之一是，并不存在一种单一的“最佳”纠错方式。研究人员测试了几种不同的误差缓解技术（即用于在存在噪声的情况下推测正确答案的方法）。他们发现，一种被称为“概率误差消除”（Probabilistic Error Cancellation）的技术虽然对于小型电路非常强大，但实际上会让大型电路变得更糟，从而破坏结果的准确性。相反，另一种被称为“零噪声外推”（Zero-Noise Extrapolation）的技术在许多不同类型的题目中都能表现得非常稳定。然而，即使是最好的技术，如果硬件在漫长的运行过程中发生状态变化，也可能会失效。该系统表明，运行这些纠正措施的成本并不是固定的；它取决于问题的规模、计算的具体类型以及机器的实时状态。
新系统 LLQM 通过创建一个反馈回路解决了这个问题。它不仅仅是设定一个计划并寄希望于最好结果。相反，它不断检查结果。如果系统检测到准确度下降到要求的水平以下，它可以停止当前的计划，并使用不同的配置重新启动。它可以切换到不同的误差纠正方法，选择不同的量子比特集，或者调整重复计算的次数。这是实时发生的，使得系统能够适应量子硬件的漂移行为。研究人员通过展示这些动态调整，可以避免将资源浪费在注定失败的计划上，转而为每个特定任务找到最高效的路径以获得正确答案。
该研究还强调，量子机器拥有的量子比特数量并不是预测作业耗时或准确度的最佳指标。相反，计算中的总操作数（或称门操作，gates）才是驱动成本和质量的真正因素。一个量子比特较少但操作较多的计算，可能比一个量子比特较多但操作较少的计算耗时更长且准确度更低。这一区别对于规划至关重要，因为它意味着仅仅通过计算机器中的粒子数量并不能说明全部情况。研究人员表明，通过关注实际的操作和硬件的实时状态，他们可以建立一个更准确的模型来预测一项工作的成本和所需时间。
这项工作表明，量子计算的未来在于能够感知其环境的系统。正如驾驶员会根据路况调整车速一样，量子系统必须根据机器的噪声和行为来调整其策略。研究人员发现，如果没有这种持续的感知能力，即使是最先进的量子计算机也将难以产生可靠的结果。新的框架提供了自动进行这些调整的工具，将一个脆弱、不可预测的过程转变为可以被管理和优化的过程。它使该领域从将量子作业视为静态配方，转向将其视为必须从始至终进行观察和引导的生命系统。
该研究的影响不仅限于修复错误。它改变了科学家看待量子机器与其支持它的经典计算机之间关系的方式。它们不是在隔离状态下工作的独立实体；它们是深度交织在一起的，其中一部分系统的决策会以复杂的方式影响另一部分。研究表明，如果不考虑整体而仅优化局部，会导致时间和金钱的浪费。通过将工作分解为最小的部分并同时观察它们，研究人员发现了一种思考效率的新方法。他们证明了通往实用量子计算的路径不仅在于建造更大的机器，还在于建造更智能的系统，使其能够理解并适应其运行之上的机器。
研究人员目前正致力于将该系统作为一个开源项目向公众开放，以便更广泛的社区测试并改进这些想法。他们相信，随着量子技术的不断演进，持续剖析和优化这些流水线的能力将变得至关重要。其目标是创造一个未来，让用户无需感知硬件的复杂性，系统能自动找到运行任何计算的最佳方式，无论当天的机器表现如何。这种从静态规划向动态适应的转变，代表了迈向使量子计算成为现实的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。