[论文解读] Quantum Computing: Fundamentals, Trends and Perspectives for Chemical and Biochemical Engineers

Amirhossein Nourbakhsh, Mark Jones+8 more|arXiv (Cornell University)|Jan 8, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文为化学与生物化学工程师提供了量子计算的全面介绍，涵盖基础理论、最新进展以及在过程优化、排程和机器学习中的应用。研究表明，量子启发算法可提升化工过程的故障检测能力，并将物流成本降低2%–5%，未来随着量子比特数量和纠错能力的提升，潜力巨大。

ABSTRACT

We use the benefits and components of classical computers every day. However, there are many types of problems which, as they grow in size, their computational complexity grows larger than classical computers will ever be able to solve. Quantum computing (QC) is a computation model that uses quantum physical properties to solve such problems. QC is at the early stage of large-scale adoption in various industry domains to take advantage of the algorithmic speed-ups it has to offer. It can be applied in a variety of areas, such as computer science, mathematics, chemical and biochemical engineering, and the financial industry. The main goal of this paper is to give an overview to chemical and biochemical researchers and engineers who may not be familiar with quantum computation. Thus, the paper begins by explaining the fundamental concepts of QC. The second contribution this publication tries to tackle is the fact that the chemical engineering literature still lacks a comprehensive review of the recent advances of QC. Therefore, this article reviews and summarizes the state of the art to gain insight into how quantum computation can benefit and optimize chemical engineering issues. A bibliography analysis covers the comprehensive literature in QC and analyzes quantum computing research in chemical engineering on various publication topics, using Clarivate analytics covering the years 1990 to 2020. After the bibliographic analysis, relevant applications of QC in chemical and biochemical engineering are highlighted and a conclusion offers an outlook of future directions within the field.

研究动机与目标

• 向对本领域不熟悉的化学与生物化学工程研究人员介绍量子计算的基础知识。
• 弥补化学工程文献中缺乏对量子计算的全面综述的不足。
• 分析1990年至2020年期间量子计算在化学与生物化学工程中应用的研究趋势与产出。
• 突出量子计算在过程排程、控制与优化中的实际应用。
• 预测量子计算在化学与生物化学工程中的未来发展方向，特别是在量子比特数量和纠错能力不断提升的背景下。

提出的方法

• 利用Clarivate Analytics开展文献计量分析，研究1990年至2020年期间量子计算与化学工程领域的研究趋势。
• 回顾并总结量子计算在化学与生物化学工程中的前沿应用，包括排程、过程控制与优化。
• 将排程问题建模为QUBO（二次无约束二值优化）问题，并在富士通的量子启发数字退火机上实现。
• 应用量子启发的机器学习技术，包括受限玻尔兹曼机（RBMs）和量子采样，为深度学习模型生成训练数据。
• 评估量子机器学习（QML）与量子启发回归在高维、低秩矩阵及稀疏数据中的表现。
• 采用量子电路建模与量子退火方法求解机组组合、设施选址与换热器网络问题。

实验结果

研究问题

• RQ1 量子计算如何应用于复杂化学与生物化学工程过程的优化？
• RQ2 量子计算在化学与生物化学工程领域中的当前研究趋势与增长模式是什么？
• RQ3 量子启发算法在多大程度上可提升化工系统的故障检测与过程控制能力？
• RQ4 量子计算模型在排程与物流优化中与经典方法相比有何差异？
• RQ5 当前量子硬件在解决大规模化学工程问题时存在哪些实际限制？

主要发现

• 2020年，化学与生物化学工程领域中关于量子计算的论文数量同比增长10.29%，共发表1,010篇论文，平均每篇被引用43.51次。
• 量子启发数字退火将物流成本降低了2%–5%，并在30分钟内确定了最优路径，展现出良好的实际可扩展性。
• 通过RBMs实现的量子采样在CSTR模型中提升了故障检测率，对某些故障类型的表现优于经典深度学习。
• 在田纳西东岸过程中，经量子适配的深度学习模型在故障检测方面表现更优，尤其在特定故障类别中。
• 量子启发机器学习在低秩、高维矩阵中表现有效，而量子机器学习在高秩、稀疏数据中更具优势。
• 数学证明表明，量子卷积神经网络（QCNNs）可随大规模数据集高效扩展，相较于经典CNNs具有潜在优势。