在實踐中構建實用量子計算機的難度極高，這需要大幅提高量子計算機的規模、保真度、速度、可靠性和可編程性，才能充分發揮其優勢。另外，還需要功能強大的工具以解決許多阻礙實現實用量子計算的復雜物理挑戰和工程難題。

AI 正在從根本上深入改變技術格局，重塑各行各業，并改變我們與數字世界的互動方式。獲取數據和生成智能的能力為解決當今社會面臨的一些極具挑戰性的問題鋪平了道路。從個性化醫療領域到自動駕駛汽車領域，AI 都處于技術變革的前沿，有望重新定義其未來，解決阻礙實用量子計算應用的諸多棘手問題。

量子計算機將與傳統超級計算機集成，加速解決政府、學界和產業相關問題中的關鍵部分。NVIDIA 技術博客《量子加速超級計算介紹》中描述了這一關系。量子計算機與超級計算機集成所帶來的優勢是互惠的，這種緊密集成也將使 AI 能夠幫助解決阻礙實用量子計算的最大挑戰。

本文將探討 AI 支持的量子計算的三個關鍵方面——處理器、糾錯和算法，以及在構建使 AI 能夠充分賦能量子計算的基礎設施時需要考慮的一些實際因素。

改進量子處理器

量子處理器（QPU）堪稱物理學和工程學的奇跡，這種處理器由許多經過微調的系統組成，用于保護和操縱量子比特（Qubit）。量子比特極其敏感，即便是最微小的噪聲源都可能破壞計算。操作量子處理器的關鍵之一是實現最優控制，這可以確保對量子比特執行的所有必要操作都能最大程度地減少噪聲。AI 是確定最優控制序列的重要工具，可使量子處理器產生最高質量的結果。

論文《基于圖形處理單元的自動微分為量子最優控制提供的加速》中介紹的基礎工作首次展示了 GPU 在加速量子最優控制自動微分方面的實用性。這項工作將使用 GPU 優化 10 量子比特 GHZ 狀態的準備速度提高了 19 倍。這也促成了論文《利用強化學習的無模型量子控制》中所述的工作成果，這篇文章探討了強化學習在量子最優控制問題中的應用。

AI 已被應用于許多其他量子設備運行的操作中，例如校準和量子比特讀出，證明了 AI 能夠在運行過程中同時減少來自多個來源的噪聲。

糾正噪聲量子比特引起的錯誤

即使是設計最好的量子硬件處理器，其量子比特噪聲水平也達不到運行大多數算法所需的要求。理論上，量子糾錯能夠解決這一問題，因為它可以系統地消除量子計算中的錯誤，確保計算結果的可靠性。

量子糾錯程序的步驟一般包括將量子信息編碼成邏輯量子比特（由多個噪聲物理量子比特組成）、對邏輯量子比特執行算法運算、解碼發生了哪些錯誤（如有）以及糾正相應的錯誤。每個步驟都很復雜，需要高效執行才能在任何量子信息丟失或損壞之前糾正錯誤并完成計算。

研究人員認識到 AI 成為實現多個量子糾錯工作步驟的絕佳工具，是因為其具備速度、可擴展性和復雜模式識別能力。例如，德國馬克斯普朗克研究所（Max Planck Institutes）與埃爾朗根-紐倫堡大學（the Friedrich Alexander University）聯合組建的一個團隊利用強化學習發現了新的量子糾錯碼及其各自的編碼器。詳細信息請閱讀論文《利用噪聲感知強化學習智能體同時發現量子糾錯碼和編碼器》。

AI 還非常有希望被用于解碼步驟，比如谷歌最近研究了如何利用基于 Transformer 的遞歸神經網絡來解碼被稱為表面代碼的標準量子糾錯碼。如要了解更多信息，請查閱論文《使用遞歸的、基于變換器的神經網絡解碼表面代碼的學習》。

圖 1. 量子計算工作流，其中

通過 AI 實現的任務被標注為綠色

開發高效的量子算法

電路簡化是量子工作流中的關鍵部分，可確保算法效率的最大化和所需資源的最小化。這項任務極其困難，通常情況下需要解決復雜的優化問題。而且在編譯針對特定物理設備及其獨特限制（如量子位拓撲結構）的算法時，復雜程度還會增加。

這個問題相當重要，以致于整個量子計算生態系統的主要參與者都在共同尋找通過 AI 實現的電路簡化技術。例如谷歌 DeepMind、Quantinuum 和阿姆斯特丹大學最近聯合開發了減少量子電路中資源密集型 T 門數量的 AI 方法。其研究結果表明，在量子電路通用基準集上，AI 能夠顯著改進最先進的 T 門減少技術。

量子算法設計的另一個問題是要找到某些子程序（如狀態準備）的高效實現方法。理論上，一些已知的量子算法有望提供加速，但前提是這一經典問題已經被編碼為量子態。狀態準備本身可能就是一項極具挑戰性的任務，所以不能想當然。

化學就是一個典型的例子，即在計算分子量子態能量之前，必須有具備分子量子態的近似值。圣猶達兒童研究醫院、多倫多大學和 NVIDIA 合作開發了一種使用生成式預訓練的 Transformer（GPT）模型進行分子狀態準備的方法（圖 2）。這是 GPT 在量子算法設計中的首次應用，可以推廣到化學以外的應用領域。如要了解更多信息，參見《生成量子本征求解器（GQE）及其在基態搜索中的應用。

圖 2. 生成式量子求解器方法

利用 GPT 為分子模擬準備電路

探索適用于量子計算的 AI

只有利用 AI 的力量，才能使實用量子加速超級計算為科學家、政府和企業帶來價值。這一點的影響正變得日益明顯，并且加強著 AI 與量子專家之間的合作。

為了將 AI 有效用于量子開發，就需要有新的工具，而且這些工具必須能夠促進跨學科合作、針對每項量子計算任務進行高度優化，并充分利用量子加速的超級計算基礎設施中可用的混合算力。

NVIDIA 正在開發軟硬件工具，以使量子 AI 達到實現實用量子加速的超級計算規模所需。