[论文解读] The Future of Quantum Computing with Superconducting Qubits

Sergey Bravyi, Oliver Dial+3 more|arXiv (Cornell University)|Sep 14, 2022

Quantum Computing Algorithms and Architecture被引用 11

一句话总结

本文提出了一项近期实现量子优势的路线图，利用超导量子比特结合错误缓解、电路剪裁和启发式量子算法，同时通过改进的错误校正码和模块化、以量子为中心的超级计算机架构，向容错量子计算迈进。其主要贡献是通过软硬件协同设计，实现从含噪声中等规模量子（NISQ）设备到容错系统的实用化、分阶段过渡。

ABSTRACT

For the first time in history, we are seeing a branching point in computing paradigms with the emergence of quantum processing units (QPUs). Extracting the full potential of computation and realizing quantum algorithms with a super-polynomial speedup will most likely require major advances in quantum error correction technology. Meanwhile, achieving a computational advantage in the near term may be possible by combining multiple QPUs through circuit knitting techniques, improving the quality of solutions through error suppression and mitigation, and focusing on heuristic versions of quantum algorithms with asymptotic speedups. For this to happen, the performance of quantum computing hardware needs to improve and software needs to seamlessly integrate quantum and classical processors together to form a new architecture that we are calling quantum-centric supercomputing. Long term, we see hardware that exploits qubit connectivity in higher than 2D topologies to realize more efficient quantum error correcting codes, modular architectures for scaling QPUs and parallelizing workloads, and software that evolves to make the intricacies of the technology invisible to the users and realize the goal of ubiquitous, frictionless quantum computing.

研究动机与目标

• 识别在无需完整容错的情况下实现近期量子优势的路径。
• 解决从错误较多的量子电路中提取有用信息的挑战，而错误校正能力有限。
• 设计可扩展、高效的量子错误校正方案，以减少大规模量子计算的资源开销。
• 通过以量子为中心的超级计算模型，实现经典与量子处理器的无缝集成。

提出的方法

• 采用如泡利错误缓解（PEM）和概率误差抵消（PEC）等量子错误缓解技术，提高输出保真度，而无需完整错误校正。
• 实施电路剪裁方法，将大电路分解为可在多个QPU上执行的较小子电路，利用空间局部性和经典通信。
• 基于浅层电路设计启发式量子算法，提供渐近加速效果，且与当前硬件保真度水平兼容。
• 提出使用低密度奇偶校验（LDPC）量子码作为表面码的更高效替代方案，实现更高的逻辑量子比特密度和更低的开销。
• 设计一种类似集群的、以量子为中心的超级计算架构，通过紧密集成的经典与量子控制器，最大限度减少延迟，并实现实时经典-量子协同。
• 开发一种抽象硬件复杂性的软件栈，使应用开发者能够专注于算法，而非底层基础设施。

实验结果

研究问题

• RQ1 在不使用完整错误校正的情况下，如何从保真度约为99.99%的门的噪声量子电路中提取有用的计算结果？
• RQ2 哪些方法最有效，可将经典与量子处理器结合，以扩展近期QPU的计算能力？
• RQ3 能否设计出具有渐近加速效果的启发式量子算法，使其在当前噪声硬件上高效运行？
• RQ4 如何使错误校正更高效，以减少容错量子计算所需的物理量子比特开销？
• RQ5 需要何种软硬件架构，以实现可扩展、模块化和平行化的量子计算？

主要发现

• 使用表面码进行错误校正会使实际问题规模的电路尺寸增加近六个数量级，对近期QPU而言成本过高。
• 最先进的错误缓解技术如PEC可提供数学上的性能保证，但会带来指数级的经典处理开销，预计随着硬件改进将逐渐降低。
• 电路剪裁通过将大电路分解为较小子电路，并利用经典后处理组合结果，使大电路得以执行，从而有效扩展当前硬件的计算能力。
• 低密度奇偶校验（LDPC）码提供了更高效的量子错误校正路径，相比表面码具有更高的逻辑量子比特编码率和更低的物理量子比特开销。
• 具有非二维量子比特连接性的模块化架构对于实现先进错误校正码以及实现可扩展、并行化的量子计算至关重要。
• 具有紧密集成的经典与量子控制器的以量子为中心的超级计算模型，可实现低延迟协同、电路切割和无服务器化的混合经典-量子工作流执行。