[论文解读] Snowmass White Paper: Quantum Computing Systems and Software for High-energy Physics Research

Travis S. Humble, Andrea Delgado+24 more|arXiv (Cornell University)|Mar 14, 2022

Advanced Data Storage Technologies被引用 5

一句话总结

本雪松白皮书概述了在未来十年内将量子计算（QC）整合到高能物理（HEP）研究中的战略路线图，提出采用混合量子-经典算法、软件栈及基础设施，以应对量子场论和模拟中的复杂挑战。该路线图强调在高能物理、量子信息科学与产业界之间开展协同开发，弥合NISQ时代硬件的差距，推动高能物理发现的变革性进展。

ABSTRACT

Quantum computing offers a new paradigm for advancing high-energy physics research by enabling novel methods for representing and reasoning about fundamental quantum mechanical phenomena. Realizing these ideals will require the development of novel computational tools for modeling and simulation, detection and classification, data analysis, and forecasting of high-energy physics (HEP) experiments. While the emerging hardware, software, and applications of quantum computing are exciting opportunities, significant gaps remain in integrating such techniques into the HEP community research programs. Here we identify both the challenges and opportunities for developing quantum computing systems and software to advance HEP discovery science. We describe opportunities for the focused development of algorithms, applications, software, hardware, and infrastructure to support both practical and theoretical applications of quantum computing to HEP problems within the next 10 years.

研究动机与目标

• 解决在经典高性能计算（HPC）系统上仍难以处理的量子场论和量子色动力学（QCD）中强相互作用的数学与计算复杂性。
• 通过开发错误缓解、电路优化及混合量子-经典工作流，克服近期含噪声中等规模量子（NISQ）设备的局限性。
• 将量子计算与现有的高性能计算（HPC）和数据基础设施集成，以支持可扩展、分布式且互操作的量子-HPC工作负载。
• 通过高能物理、量子信息科学及其他科学领域之间的国际合作与协同开发，加速共享技术进步。
• 通过国家计划、用户设施和联合试验平台，建立可持续的高能物理量子计算研发生态系统。

提出的方法

• 将通用量子算法（如变分量子本征求解器，VQE）和量子机器学习（QML）进行适配与扩展，以解决高能物理特有问题，包括规范自费理论和探测器模拟。
• 利用变分量子算法和强化学习开发混合量子-经典工作流，以优化量子线路参数并提升在NISQ设备上的收敛性。
• 实施量子线路编译和调度技术，以高效映射量子算法至实际量子硬件，克服受限的量子比特连通性和门保真度。
• 通过容器化模块和分布式计算框架，将量子计算API集成至云和HPC环境，实现无缝的混合执行。
• 利用HPC集群上的高保真经典模拟，在真实量子处理器上部署前验证和调试量子算法。
• 推进量子数据网络和时间/频率分发系统，以支持低能和反物质实验中的精密测量，如CERN的ASACUSA和ALPHA实验。

实验结果

研究问题

• RQ1 在格点场论背景下，如何有效适配变分量子算法以模拟非阿贝尔规范理论（如QCD）？
• RQ2 在高能物理实验中，哪些混合量子-经典架构和优化策略最有效，可加速数据分析与分类任务？
• RQ3 如何在NISQ设备上训练量子机器学习模型，使其在超新星分类或合成探测器数据生成等任务中超越经典基线？
• RQ4 为实现高效的数据流和工作负载调度，量子计算工作负载与HPC资源共置所需系统级集成模式是什么？
• RQ5 量子数据网络和精密时间/频率分发系统在支持下一代高精度粒子物理实验中扮演何种角色？

主要发现

• 在NISQ设备上对SU(2)规范理论的模拟已展示原理可行性，但可扩展性和精度有限。
• 已在量子硬件上成功训练量子机器学习模型用于超新星分类，其在小样本数据集上的性能与经典模型相当。
• 已实现使用量子线路生成合成探测器数据，为增强经典与量子模型的训练数据提供了潜在路径。
• 橡树岭领导力计算设施（OLCF）的量子计算用户计划（QCUP）通过基于评审的访问机制和混合执行模式，为量子与HPC工作负载的整合提供了可行范例。
• 尽管量子比特数量增加导致内存呈指数增长，但在HPC集群上对量子线路进行分布式并行经典模拟，仍可实现量子算法的可扩展测试与验证。
• CERN的量子技术计划、DESY QUANTUM以及美国能源部的QuantISED项目等国际倡议，正在推动关键的跨机构合作，加速高能物理中量子-HPC的集成。