PyQLAS: A Quantum-Classical Hybrid Solver Library for Linear Systems
本文介绍了 PyQLAS，这是一个量子-经典混合库，它通过在量子和经典组件之间动态分配计算任务，实现了线性系统的可扩展解决方案，使得量子电路宽度保持不变，而由经典宿主处理问题的增长，并在 IEEE 118 节点电力系统上验证了该方法的高准确性。
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
在现代工程学的广阔领域中，从设计飞机机翼到管理横跨大陆的电力流动，一种类型的数学问题反复出现。这些是线性方程组，它们可以被视为一组必须同时被满足的、相互关联的复杂规则。想象一下试图平衡一个复杂的秤，移动其中一个砝码就会改变整个结构的平衡；寻找正确的平衡点正是这些计算的核心任务。几十年来，工程师们一直依赖强大的经典计算机来解决这些问题，但随着问题的规模变得越来越大、越来越复杂，寻找答案所需的时间可能会延长至数天，甚至变得无法实现。量子计算提供了一个诱人的承诺，即能更快地解决这些特定问题，有可能将一项需要数年的任务缩短至数秒。然而，当今现有的量子机器规模较小、极其脆弱且容易出错，这意味着它们目前还无法独立处理这些大规模问题。科学家面临的挑战不仅在于制造更快的量子计算机，还在于如何让一个小型、多噪的量子设备与经典计算机完美协作，从而解决一个两者都无法单独处理的大型问题。
一个研究小组通过创建名为 PyQLAS 的新软件库解决了这一挑战，该库充当了量子世界与经典世界之间的桥梁。该系统并未将量子计算机视为一个独立的“魔法盒”，而是将其视为一个专门处理问题中一小部分受限部分的特化工具，而经典计算机则负责管理整个过程中的繁重工作。研究人员围绕单个量子引擎构建了三个不同的求解器层。最内层使用量子设备来寻找简化版本问题的粗略答案。中间层接收该粗略答案，并利用经典计算机来修正剩余的误差。最外层则增加了另一层经典精修，将解投影到一个稳定的数学空间中。这种设计使得计算中的量子部分无论实际工程问题变得多么庞大，都能保持规模较小且固定不变。经典计算机吸收了增长的部分，处理量子设备尚无法应对的复杂性。
为了测试这种方法在现实世界中是否有效，该团队将他们的库应用于一个电力工程师常用的标准难题：计算具有 118 个连接点的电网中的功率流。这是一个非线性问题，意味着随着解的寻找，方程会发生变化，这要求计算机在一个更大的循环内部反复求解线性系统。研究人员在模拟完美量子机的经典计算机上，以及通过云服务获取的一个真实的、带有噪声的超导量子处理器上运行了这次模拟。他们发现，这种混合系统能够成功引导整个过程。当系统遇到方程平衡较差的困难步骤时，软件会自动调整问题使其变得可解，这一过程被称为预处理（preconditioning）。最终结果与既定的经典参考值高度吻合，电压幅值的差异小于 0.000000023，电压角的差异小于 0.0000034 度。
研究表明，成功的关键不仅在于量子算法本身，还在于工作的分配方式。研究人员发现，如果尝试让量子计算机承担过多工作，尤其是在问题规模较大或方程较为困难时，解就会失败。然而，通过保持量子电路的小巧与固定，并将迭代和修正交给经典计算机处理，系统便能保持稳定。他们还发现，一种被称为“内预处理器”的特定内部调整对于帮助量子部分应对困难问题至关重要，在某些测试中将成功率从仅有的 15% 提升到了约 80%。相反，他们展示了另一种独立的“外预处理”有助于减少总体的耗时和资源需求，使等待量子设备的时间缩短了约 650 倍，且不会改变最终答案。
这项工作表明，量子计算在工程领域的未来路径并非等待完美的、无误差的机器，而是构建能够利用我们现有的不完美工具进行工作的稳健系统。研究人员展示了通过仔细分配劳动，一个小型的量子设备可以嵌入现有的工程工作流中而不破坏其结构。他们创建的库允许工程师通过一行代码即可将模拟器更换为真实的量子处理器，而保持其余复杂模拟过程不变。结果表明，虽然量子计算机尚未准备好取代经典计算机，但只要有懂得如何管理其局限性的经典宿主进行引导，它们就已经准备好成为工程工具箱中有用的、集成的一部分。团队得出结论：对于实际应用，最有效的策略是使用最先进的混合求解器，启用内部调整以确保稳定性，并根据工作阶段选择合适的计算环境——即使用完美的模拟器进行开发，使用真实的硬件进行最终验证。
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。