林键 叶梦 朱家纬 李晓鹏

(复旦大学物理学系, 上海 200433)

量子计算在近十年取得了长足的进展. 随着量子调控技术达到前所未有的高度, 包括超导量子比特、光量子器件、原子系综等在内的量子实验平台都进入到了崭新的时代. 目前在特定计算任务上超越经典的量子计算优势也已经被报道. 其中一种可以有效运用可控量子器件的计算方案是采用绝热量子计算. 绝热量子计算中算法的选择与研究至关重要, 其将直接决定量子计算优势是否能够最大限度地被挖掘. 本综述主要介绍近期机器学习在绝热量子算法设计方面的应用, 并讲述该计算架构在3-SAT和Grover搜索等问题上的应用.通过与未经机器学习优化设计的绝热量子算法对比, 研究表明机器学习方法的应用可以极大提高绝热量子算法的计算效率.

1 引 言

量子计算概念最早可以追溯到20世纪80年代, 当时Benioff[1]提出了量子图灵机概念, Feynman[2]有了量子模拟的想法. 而后Deutsch[3]提出量子线路模型来实现普适量子计算, Yao[4]证明了量子线路模型与量子图灵机的等价性—两者可以在多项式时间内互相模拟. 在量子算法方面,1994年Shor[5]基于量子线路模型提出了可在多项式时间内求解质因数分解问题的量子算法. 由于质因数分解问题的困难性是Rivest-Shamir-Adleman (RSA) 公钥加密体系安全性的保障, 这一由Shor提出的多项式量子算法引起了密码学和相关实验领域的高度关注[6—12]. 量子计算有了从理论研究走向实际应用的趋势, 量……