图注:英特尔公司使用这种同位素纯晶片在其300毫米工艺技术上发明了自旋量子位制造流程。(图片来源:英特尔公司)
在本周举行的IEEE量子计算与工程国际会议(“IEEE Quantum Week 2020)上,英特尔将展示一系列研究成果,着重介绍其在量子计算硬件、软件和算法领域的创新性全栈方法。这些研究成果展示了量子计算在这些领域的重要进展,对于构建可运行应用程序、可扩展的商业级量子系统至关重要。
“英特尔一直专注于量子计算在短期内的实用性应用,这项颠覆性技术正在走出物理实验室,并稳步过渡到工程领域。从控制量子比特的自旋量子位硬件和cryo-CMOS技术到软件和算法研究,英特尔研究院在量子计算堆栈的每一层上都取得了切实的进步,大力推动可扩展、可商业应用的量子架构。采用这种系统级的方法对实现量子实用性至关重要,”英特尔研究院量子应用和架构总监Anne Matsuura博士表示。
英特尔全栈量子研究的意义:目前,对量子计算的大部分研究主要集中在硬件技术上。但是,由于量子计算是一种全新的计算范例,因此它需要新的硬件、软件和算法堆栈,才能实现一个可运行应用程序的商业级量子系统。使用模拟有助于全面了解构建完整量子堆栈的所有组件,并可以提前考虑构建到实际量子系统的工作负载。在当前进行量子计算的全栈研究(涉及硬件、软件和算法)是非常有必要的,因为随着硬件成熟,应用程序已经准备好在小型的量子计算机上运行。这种方法是英特尔采取以系统为导向、以工作负载为驱动的量子计算开发策略的核心,也是英特尔实现量子实用性愿景的基础。
成果展示:英特尔Anne Matsuura博士将发表主题为《量子计算:一种可扩展、系统级研究方法》的演讲,重点介绍英特尔通过采用系统级方法扩展量子系统以实现商业化的策略。
此外,为期一周的大会上还将展示英特尔研究院的几篇研究论文,重点介绍全栈量子系统级研究以及在量子系统上运行应用程序的进展。
以下是此次大会上英特尔量子研究成果的重点摘要:
研究重点:利用深度学习设计多量子比特门(Multi-Qubit Gates)
论文标题:利用深度强化学习设计高保真多量子比特门
概述:量子点硅量子位(Quantum dot silicon qubits)(量子计算领域正在探索的众多方法之一)因体积较小,有助于实现量子可扩展性。在使用这种技术的商业级量子计算机上需要高保真的多量子比特门。该研究展示了将深度学习框架可成功用于模拟设计量子点量子比特系统的高保真多量子比特门(multi-qubit gates)。
重要意义:随着量子计算硬件的不断发展,机器学习技术将在量子门(quantum gates)的设计优化和部署中大显身手。
研究重点:将经典数据集有效地加载到量子计算机中
论文标题:高效的量子电路可用于准备平稳、可微函数的精确状态
概述:为了使机器学习能够利用量子技术实现计算的指数级加速,需要将经典数据有效地加载到量子系统中以便执行。如今,对于量子系统而言,这仍然是一个极具挑战性的问题,因为即使加载中等大小的数据集也要花费大量的时间。该研究展示了应对这一挑战的进展,并重点介绍了一种算法,该算法可有效加载某些用于生成这些数据集的高使用率函数(例如高斯分布和概率分布)。
重要意义:当今的机器学习系统正在迅速接近经典计算模型的极限。这项研究展示量子计算机可用于需要数据集的机器学习等应用。
研究重点:量子物理学模拟的最佳量子比特配置(Optimal qubit configurations)
论文标题:有关d级粒子数字量子模拟的连接依赖型资源要求的研究
概述:这项研究着重介绍了量子物理模拟算法(也称哈密顿量模拟)(Hamiltonian simulation),该算法可轻松高效地在小型量子比特系统上运行,同时还研究了在不同的量子比特配置上执行这些算法的资源需求。
重要意义:量子计算的早期应用之一将是如何有效地模拟量子物理学。这项研究成果对在特定应用领域设计量子比特芯片具有重要影响。
研究重点:用于后量子密码学的BIKE加速器
论文标题:使用常数时间解码器(constant time decoder)进行高效BIKE硬件设计
概述:通过解密当前由经典密码算法加密的所有数据, 量子计算机有可能攻击经典加密算法。当今流行的共享加密密钥的方法(例如Diffie-Hellman)预计会受到量子攻击。比特翻转密钥封装技术BIKE (Bit-flipping Key Encapsulation)是一种用于后量子加密的可行方法,美国国家标准与技术研究院(NIST)目前正对此进行调研。这项研究以英特尔先前对BIKE的研究为基础,并提出了BIKE硬件加速器的设计。
重要意义:量子计算机有可能发展出牢不可破的加密技术,大大提高了信息的安全性。如今,像BIKE这样的后量子算法可以在密码系统中使用,以使其具有抵御量子攻击的能力。
研究重点:在小型量子比特系统上有效执行抗噪声算法的新技术
论文标题:开发变分量子算法的成本函数,以便在近期设备上实现
概述:对于近期内出现缺乏纠错能力的量子计算机,混合量子经典算法是最可行的方法之一,但难以运行。这项研究着重介绍了一种成功在实际量子比特上实现的新技术,该技术可以帮助这些抗噪声算法在小型量子位系统上高效运行。
重要意义:由于具备错误校正功能的量子计算机目前尚不存在,因此抗噪声算法取得进展非常重要,以便在可预见的将来,这些算法可以在量子系统上高效运行。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。