量子计算去向何方？研究提出构建未来量子超级计算机的路线图

研究人员还探讨了量子比特品质的改进如何降低实际应用中的硬件需求和计算开销。研究聚焦于公用事业规模系统的量子资源估计（QRE），尤其是在模拟化学和生物学中关键分子的电子结构时的应用。

研究团队写道，量子化学为容错量子计算（FTQC）提供了关键的应用场合，因为分子基态能量的精确计算对药物研发和材料科学等领域非常重要。该研究考察了两种受关注的分子：对苯二炔（para-benzyne，一种癌症药物设计的候选者），以及铁钼辅因子（FeMoco，对农业固氮非常重要）。这样的大分子系统是传统计算机无法模拟的，因此成为了展现量子优势的主要目标。

研究评估了两种实现量子相位估计（QPE）算法的方法：传统的Trotter化方案和现代量子比特化方案。这两种方法都将分子规格模式转化为量子电路，但二者在效率上有所不同。与Trotter化方案相比，量子比特化方案显著降低了门的复杂性，它需要更少的量子比特，并实现了更快的运行时间。

对于对苯二炔，研究发现，实现化学级精度（误差低于1.6毫哈特里）需要1000万到1亿个物理量子位，具体取决于硬件质量。模拟FeMoco分子涉及到更大的活性空间，需要高达1.5亿个量子比特，运行时间也从几天到几年不等。

然而，团队指出，通过提升量子比特保真度和改进算法设计，资源需求可以降低两个数量级之多。根据这项研究，在先进硬件上，量子比特化方案相比Trotter化方案能将运行时间缩短50倍。

研究人员写道：“虽然在经典可计算和不可计算的问题之间没有明显的分界线（这很大程度上取决于所研究系统中量子关联的程度），但对于轨道数超过Norb ≈ 50的系统，量子优势将逐渐显现。”这些发现也为未来的研究提供了动力，即开发量子启发式算法，将量子优势的转折点推进到更小的问题规模。这自然地延续了经典算法的发展路径，从FCI算法保证到DMRG的启发式算法，显著减少了计算所需的资源。”

根据该研究，将量子计算集成到高性能计算(HPC)系统中需要面对着重大的设计挑战和操作挑战。这些挑战不仅来自量子处理器(QPU)与经典组件之间的物理和操作差异，还包括内存管理、数据传输和程序效率方面的算法性难题。

在硬件方面，量子和经典组件在可靠性、操作时间尺度和通信带宽方面存在差异。为了最大限度减少延迟和最大限度实现混合量子-经典算法的同步，可能需要将这些资源物理地放置在同一硬件节点内。例如，变分算法（一种量子与经典计算需要频繁交互的算法）对数据传输的开销特别敏感，这可能会削弱性能增益。

为了应对这些挑战，研究人员主张将量子处理器（QPU）与经典的中央处理器（CPU）、图形处理单元（GPU）和现场可编程门阵列（FPGA）紧密集成，所有这些组件共享系统资源，如内存和高速互联。这种设计确保混合系统能够高效地处理数据密集型任务。

同样重要的是软件基础设施，需要使用户能够无缝地对这些系统进行编程。扩展现有的HPC编程环境，如HPE Cray编程环境(CPE)，是一种自然的解决方案。通过在熟悉的HPC框架中集成量子编程、编译和调度工具，开发人员可以构建混合应用程序，而无需对经典工作流进行大量修改。这种方法不仅利用了现有的基础设施，还支持新的量子功能。

该集成策略还注重模块化设计，以适应多种量子技术，从超导量子比特到光子系统。研究团队写道，量子专用的软件开发工具包(SDK)，如CUDA-Q、Qiskit、Cirq、Pennylane和Classiq，可以与HPC系统对接，支持量子工作负载的可扩展执行,通过解决硬件和软件挑战，本研究所提出的量子-HPC系统将有助于提供对用户更友好的混合计算环境。

虽然该研究提供了一个全面的路线图，但也存在局限性。研究也指出了几项挑战。

例如，扩展量子系统是很昂贵的，涉及到制造、冷却和控制系统等方面的巨大成本。例如，超导量子比特所需的稀释制冷机运行成本高，并且存在尺寸限制。

研究还强调了设计能跟得上大规模系统需求的错误纠正代码的难度。即使在容错设计下，由环境因素（如宇宙射线）引起的错误率仍然是一个挑战。

研究人员指出，量子计算也无法避免供应链问题，并强调需要芯片制造商、系统集成商和量子初创企业之间的合作。

对于科技行业来说，这项研究为跨部门合作提供了指导。研究人员写道：“量子计算机的发展必须利用半导体，HPC和量子研究群体的专业知识”，并主张通过建立联合体来加速进展。