内容来源：量子前哨（ID：Qforepost）

文丨沛贤/浪味仙 排版丨沛贤

深度好文：3000字丨10分钟阅读

摘要：软银（SoftBank）先进技术研究所正在积极推进量子计算商业应用，借助与学术界合作等多种方式攻克技术难题，揭示量子计算在量子化学、下一代社会基础设施等方面的实际应用和商业化现状。

量子计算机正在引领信息技术的未来，其强大的计算能力，能够抵达经典计算机无法到达的区域。软银（SoftBank）先进技术研究所正站在这一变革性技术的最前沿，探索量子计算的商业应用，包括当下挑战、应对措施和商业前景。

量子计算机利用叠加、纠缠等量子力学特性，在计算能力和信息容量方面远超经典计算机。比如量子叠加，它允许单个量子比特同时以0和1两种状态存在，其信息容量可以达到经典计算机的2的N次方倍；而量子纠缠，即便物理上远隔万里，两个量子比特也能够即时相互影响，精准演绎什么叫做“同生共死”，这使得量子计算机之间能够无视距离，快速传输信息。

通过巧妙运用纠缠与叠加等特性，再结合有效的量子算法，量子计算机能够显著缩短特定计算任务所需的时间。当然，有一点需要明确：量子计算机并非能在所有应用场景中优于经典计算机。

经典计算中，随着问题复杂度变高，计算时间将呈指数级增长，而利用量子计算，将能极大缩短找寻答案所需的时间。

*NISQ（含噪声的中尺度量子计算）：拥有数十到数百个量子比特，但缺乏纠错功能。

*FTQC（容错量子计算）：具备纠错能力、更为先进的量子计算。

*QAOA（量子近似优化算法）：一种用于组合优化问题的量子算法。

*VQE（变分量子本征值求解器）：一种结合了经典和量子计算的混合算法，用于计算分子和其他系统的基态能量。

*QSCI（量子选择配置交互算法）：一种经典-量子混合算法，能够计算噪声量子设备上多电子哈密顿量的基态和激发态能量。

*Shor算法：一种用于高效分解大数问题的量子算法。

*Grover算法：一种有效解决未排序数据库中非结构化搜索问题的量子算法。

*Surface code（表面码）：一种量子纠错方法，将量子比特排列在二维晶格中，以特定模式组合实现纠错。

*Toric code（环面码）：一种量子纠错方法，将量子比特排列在环形结构表面上，利用环面上的环形模式实现纠错。

当前，利用量子力学独特性质的量子计算机被视为“NISQ（含噪声的中尺度量子计算）设备”，而这类量子计算机正面临一个重大挑战：错误率。由于量子比特对微弱环境噪声或粒子碰撞极为敏感，这使得在准确执行量子计算的同时，尽可能减轻噪声所产生的误差成为关键挑战。

制定应对这项挑战的解决方案，已经成为当前量子计算领域的紧迫任务。

软银先进技术研究所正在加强与国内外研究机构的合作，比如东京大学“量子创新倡议联盟”、庆应义塾大学量子计算研究中心（KQCC）等，目的是深化量子计算研究，进一步推动量子计算在现实中的实际应用和部署。

鉴于量子的神奇特性，使得量子计算机被公认为适合解决量子化学问题，所以量子化学也成为探索量子优越性的一个潜在领域。软银经过研究，利用“玻恩-奥本海默近似”（Beyond Born-Oppenheimer）方法，更准确地模拟电子与原子核之间的相互作用（核量子效应，NQE），借此来实现这一目标。

在这项研究中，不同于此前仅使用状态向量模拟器的研究方法，软银不仅使用了基于测量的模拟器（模拟实际设备的模拟器），还使用了实际的 NISQ（噪声中等规模量子）设备，首次将变分量子本征求解器（VQE）应用于 NEO（核电子轨道）哈密顿量。

不仅如此，软银还探索了适应量子计算机特性的有效方法，如选择波函数（Ansatz）作为硬件高效的初始估计、选择优化的起点以及初始点优化的方法，结果发现，选择适当的初始值可以提高计算结果的质量和收敛速度。

特别是在 VQE 算法中，通过使用状态向量模拟器为 NEO 哈密顿量提前选择经过优化的初始值，取代一贯使用的容易受到噪声影响的随机初始值，就能够显著减少由累积散粒噪声和硬件错误所导致的误差，从而获得更准确的结果。

VQE，量子-经典混合算法

高级和普通初始值在状态向量模拟器中的示例比较：通过适当的初始值选择，提高计算结果质量和收敛速度

状态向量模拟器的评估结果：通过增加测量次数提高准确性，“红线”表示化学准确性的阈值。

通过这种方法，已经证实计算过程的收敛速度得到提高，能够避免贫瘠高原（Barren Plateau）问题，这证明了真实量子设备在精确模拟化学问题上的潜力。

然而，在该研究主题的实际计算中，软银观察到了由于问题规模较大而引起的门操作噪声、测量噪声和散粒噪声的影响，由此也揭示出了新的研究课题，如试验波函数的电路优化、变分量子电路经典优化方法的改进。这项研究是探索该领域新可能性的重要一步，展示了未来使用量子计算机进行化学计算的潜力。

*状态向量模拟器：在经典计算机上使用的模拟器，用于在数学上表示和模拟量子力学中系统的状态向量。

*贫瘠高原：在量子电路中调参时的一种状态，梯度趋近于零，导致学习和优化无法有效进行的状态。

软银与日本理化学研究所（RIKEN）合作启动了一个量子计算机的商业化项目：重点开发量子计算机+超算的混合平台，通过融合量子计算机与超算的卓越计算能力，最大限度地发挥量子计算机的算力优势与价值。

作为该项目的一部分，软银先进技术研究所正在探索早期的实际应用，包括利用量子-经典混合平台探索新量子算法的实用性，采取措施应对含噪声的中尺度量子计算（NISQ）设备的挑战，如最小化噪声引起的错误和优化量子电路，并通过这些应用验证混合平台的有用性。

该商业化项目旨在将与超算协作的优势应用到现实中，如错误抑制/缓解、算法优化、协调计算等。

作为支撑人工智能共存社会的下一代社会基础设施，移动网络需要具备更先进的通信质量和基站资源优化。为应对下一代社会基础设施所需的海量计算，人们正在探索量子计算的现实应用，特别是量子优化算法，比如量子近似优化算法（QAOA）和变分量子本征求解器（VQE）等。

量子优化算法能够高效探索经典计算机无法触达的解空间，即便是大规模优化问题，量子计算机也能更高效地解决组合优化问题。只不过，受限于当前量子计算机的量子比特数量等因素制约，将量子优化算法应用于现实问题还面临挑战，因此科学家们正在研究通过减少变量来优化量子电路。

此外，随着下一代社会基础设施对电信基础设施的需求变得更加复杂，网络控制的灵活性变得至关重要。为了使机器学习算法能够用于使用AI/ML（机器学习）的网络操作中的故障诊断和恢复功能自动化等操作，软银正在研究量子计算应用。

量子核学习是量子机器学习算法之一，它能够利用量子力学原理来表示超高维度的特征。相较于经典计算机，它被认为具有学习效率方面的优势。软银的目标是探索量子计算机的优越性，并在从商业系统日志中提取的数据集上，实现故障事件的学习、推断性能方面的早期实际应用。

*量子核学习：一种利用量子计算机的机器学习方法，能够高效计算高维数据之间的相似度（核函数），从而快速处理海量数据集或复杂计算，实现更准确的预测和学习。

随着量子计算研究和开发的推进，软银希望利用这一显著的计算能力，解决以往无法解决的问题并创造新的价值。比如说，能让量子计算机展示能力的领域非常广泛，包括分布式计算网络的进步、新材料开发和下一代AI的开发。

量子计算突破了传统计算方法的局限，软银表示将继续开发量子计算的无限潜力，持续推动量子计算机在社会各领域中创造新的价值。