[论文解读] Neutral Atom Quantum Computing Hardware: Performance and End-User Perspective

Karen Wintersperger, Florian Dommert+8 more|arXiv (Cornell University)|Apr 27, 2023

Quantum Computing Algorithms and Architecture参考文献 106被引用 4

一句话总结

本文从工业终端用户视角出发，对中性原子量子计算硬件进行了分析，探讨其物理量子比特架构（包括长相干时间、二维/三维可扩展性以及Rydberg介导的连通性）对算法性能的影响。研究识别出门限保真度、连通性及态制备时间等关键性能因素，并得出结论：在NISQ时代应用场景（如量子机器学习与优化）中，硬件感知的算法设计对于充分发挥该平台优势至关重要。

ABSTRACT

We present an industrial end-user perspective on the current state of quantum computing hardware for one specific technological approach, the neutral atom platform. Our aim is to assist developers in understanding the impact of the specific properties of these devices on the effectiveness of algorithm execution. Based on discussions with different vendors and recent literature, we discuss the performance data of the neutral atom platform. Specifically, we focus on the physical qubit architecture, which affects state preparation, qubit-to-qubit connectivity, gate fidelities, native gate instruction set, and individual qubit stability. These factors determine both the quantum-part execution time and the end-to-end wall clock time relevant for end-users, but also the ability to perform fault-tolerant quantum computation in the future. We end with an overview of which applications have been shown to be well suited for the peculiar properties of neutral atom-based quantum computers.

研究动机与目标

• 从工业终端用户视角评估当前中性原子量子计算硬件的性能。
• 识别低层次硬件特性（如量子比特连通性、门保真度和相干性）对算法执行和实际运行时间的影响。
• 评估中性原子平台在NISQ时代特定量子算法中的适用性。
• 突出软件栈支持方面的挑战，并强调硬件感知算法开发的必要性。
• 为开发者提供基于真实硬件约束优化中性原子系统量子算法的指导。

提出的方法

• 基于与五家领先中性原子量子计算提供商（AtomComputing、ColdQuanta、Pasqal、Planqc 和 QuEra）的交流，开展无厂商倾向的分析。
• 综合近期文献和硬件规格中的性能数据，重点关注物理量子比特架构、连通性及门操作特性。
• 评估关键性能指标，包括门保真度、量子比特相干时间、态制备与测量（SPAM）时间，以及原生门指令集。
• 将硬件特性映射至算法性能，强调架构如何同时影响量子电路执行时间和端到端实际运行时间。
• 评估主流量子机器学习框架（如PennyLane和TensorFlow Quantum）中软件支持的现状，识别原生后端集成方面的差距。
• 识别出如变分量子算法和物理信息机器学习等应用领域，由于可调谐的量子比特排布和长程相互作用，中性原子平台在这些领域展现出显著潜力。

实验结果

研究问题

• RQ1 中性原子量子硬件的物理特性（如量子比特连通性和门保真度）如何影响量子算法的执行时间和可靠性？
• RQ2 当前NISQ设备中，哪些关键硬件限制（如长态制备时间、低门速）制约了算法性能？
• RQ3 哪些量子算法最适合中性原子平台？原因是什么？这需结合其独特的架构与连通性特征进行分析。
• RQ4 与其它量子硬件平台相比，当前主流量子机器学习框架中对中性原子后端的支持状况如何？
• RQ5 在实际应用中，硬件感知的算法设计在多大程度上可缓解中性原子量子计算机的性能瓶颈？

主要发现

• 中性原子平台展现出长相干时间，并具备可扩展的二维/三维量子比特阵列，可通过Rydberg介导的长程相互作用实现高连通性。
• 两量子比特门保真度正在提升，但仍是主要限制因素，当前值在95–99%之间，具体取决于平台。
• 态制备与测量（SPAM）时间相对较长，显著增加了实际运行时间，限制了算法吞吐量。
• 原生门集包含可调相互作用范围的单量子比特和两量子比特门，支持灵活的电路设计，但需仔细优化。
• 主流量子软件框架（如PennyLane和TensorFlow Quantum）中对中性原子后端的支持有限，或尚未公开提供。
• 如量子近似优化算法（QAOA）和物理信息机器学习（PIML）等应用，由于其可调量子比特排布和长程连通性，特别适合该平台。