亚马逊云服务量子计算97量子比特仿真突破

亚马逊网络服务（AWS）及其研究合作伙伴正在证明，经典数据中心基础设施可能成为量子计算进步的关键推动力。他们在云端高性能计算上成功演示了97量子比特的错误纠正仿真。

来自AWS、Quantum Elements、南加州大学和哈佛大学的研究人员在博客文章中描述了一种"硬件校准数字孪生"方法，旨在建模量子错误行为，同时保持计算的可操作性。

实验相关规模下的量子错误纠正仿真

研究团队报告称，他们使用亚马逊弹性计算云（EC2）上的经典基础设施，仿真了一个由97个物理量子比特组成的距离7旋转表面编码，这个规模与最近的实验系统相当。据报告，该仿真建模了完整的症候提取周期，在使用96个虚拟CPU的单个EC2 Hpc7a实例上大约一小时内完成。这种规模对于传统的全密度矩阵仿真来说是不可行的，因为后者的计算复杂度随系统大小呈指数级增长。

平衡保真度与性能

这项工作建立在南加州大学开发的实时量子蒙特卡洛（QMC）方法基础上，该方法通过采样许多随机轨迹或"游走者"来近似开放量子系统。这种方法保留了关键的物理效应，包括相干和相关噪声，而这些效应在高性能仿真技术中往往被简化或省略。

Moor Insights & Strategy量子、AI和机器人技术副总裁兼首席分析师保罗·史密斯-古德森表示："我认为这项研究提供了有意义的进展有几个原因。主要原因是这是首次97量子比特仿真使用了真实硬件行为的相干错误和相关噪声的所有物理特性。此前，这些要素要么被缩小到能够运行的规模，要么被完全剥离。"

研究人员将该方法与Clifford（稳定子）模拟器和张量网络方法进行了对比，后者虽然扩展性更强，但可能无法捕获某些与硬件相关的噪声行为。

量子错误纠正协同设计的数字孪生

研究人员将数字孪生定位为随着量子错误纠正系统复杂性增长而协调量子硬件和软件开发的工具。通过生成真实的症候数据——用于检测和纠正错误的测量输出，这些模型可以支持解码器开发、错误纠正策略评估和系统级设计决策。

史密斯-古德森告诉《数据中心知识》，这项工作为改进错误纠正软件建立了关键先决条件。他说："这些研究人员产生的训练数据实际上看起来像来自真实硬件的数据。这意味着在量子错误纠正相关规模下进行真实症候数据生成的先决条件现在已经具备。"

他也指出了一个局限性：该研究没有证明使用QMC生成数据训练的解码器优于使用简化泡利基础数据训练的解码器。

揭示简化模型遗漏的效应

在报告的实验中，数字孪生捕获了与控制失谐和串扰等相干效应相关的结构化、空间变化错误模式。相比之下，使用简化噪声模型（包括泡利扭转近似）的仿真产生了更均匀的错误分布，未能重现这些模式。这些差异可能影响错误纠正算法的训练和评估方式。

对数据中心基础设施的意义

虽然专注于量子系统设计，但结果凸显了经典高性能计算在量子开发工作流程中不断扩大的作用。

史密斯-古德森说："高性能计算在这项研究中显然是一个关键推动因素。这项研究与其他例子一起表明，量子硬件的进步不再仅仅由量子物理学的进步决定。经典云计算正在开始加速设计周期和其他功能。"

他补充说，仿真驱动的方法可以减少对物理实验的依赖并缩短开发时间，指出QMC并行性能够高效映射到云端高性能计算。更广泛地说，量子和经典系统已经在协同发展，量子系统处理受益于叠加和纠缠的工作负载，而经典高性能计算支持周围的计算和优化任务。总的来说，这些发现表明经典基础设施不仅在支持量子开发，而且越来越多地塑造着其发展速度。

迈向实用量子系统设计

研究人员将这项工作描述为朝着可扩展、硬件忠实仿真工作流程迈出的一步，用于量子系统开发的常规使用。未来的工作将专注于整合更详细的错误模型，并使用生成的数据来改进解码技术和整体系统性能。

Q&A

Q1：什么是量子错误纠正仿真？它有什么作用？

A：量子错误纠正仿真是通过计算机模拟量子系统中错误发生和纠正过程的技术。它可以帮助开发人员在不使用昂贵物理量子硬件的情况下，测试和优化错误纠正算法，支持量子系统的设计和改进。

Q2：为什么97量子比特仿真是一个重要突破？

A：这是首次在97量子比特规模下使用所有真实硬件物理特性进行仿真，包括相干错误和相关噪声。此前的仿真要么规模较小，要么简化了这些重要的物理效应，无法真实反映实际硬件行为。

Q3：经典云计算如何加速量子技术发展？

A：经典云计算提供强大的计算能力来进行量子系统仿真，减少对昂贵物理实验的依赖，缩短开发周期。通过数字孪生等技术，可以在经典计算机上测试量子算法和系统设计，大大提高开发效率。