100比特量子处理器在化学和金融领域展示了计算优势

　　光子盒研究院出品
　　从分子到定量金融问题，复杂的结构和数据可以被编码成网络节点图。工程师和科学家几十年来一直在使用图形的数学方法，但他们一直难以将其有效地应用到适当的计算解决方案中。
　　4月12日，Pasqal（法国中性原子量子计算机公司）研究团队宣布在其第一代100量子比特量子处理器上进行了两个实验，结果表明了在Pasqal的量子处理器上应用图解法与化学和金融领域的计算优势的相关性。
　　世界上一些最有趣的数据是相关联的，可以用图形编码：网络中的节点和链接、财务指标和分子图中的原子等。图形结构可以是丰富的信息源，使我们能够发现网络中的热点、数据集中的簇集，或从化合物的结构推断功能。
　　许多与行业相关的问题也可以用图形来表述：这些问题通常很容易陈述，但极难解决。图形研究中的核心问题包括：将此图形一分为二的最佳方式是什么？或者这两张图有多相似？回答这些问题具有极大的挑战性。
　　Pasqal的量子处理器适合处理这类问题。Pasqal量子计算机使用中性原子作为量子比特。每个原子都使用被称为光镊的聚焦激光束捕获：借助光镊，单个原子可以在瞬间被定位到2D和3D阵列中。然后通过调谐激光可以激活原子之间的相互作用，进而将抽象图编码成如下的物理图：
　　真实原子荧光图片，蓝色圆圈中的原子代表节点，边代表相互作用
　　这篇文章将讲述如何快速地将这个特征转化为现实应用中的量子优势。
　　金融行业面临着富有挑战性的计算问题，如金融工具定价、投资组合优化或定期评估风险。金融机构必须能够快速、准确地执行计算才能保持竞争力，这就是银行和其他金融公司将量子计算视为未来成功的关键工具的原因。
　　Pasqal正在与世界领先的金融机构之一法国农业信贷银行（CrditAgricoleCIB）合作解决行业相关问题，强调使用真正的量子硬件，而不仅仅是模拟：只有学会如何应对真正量子处理器的全部复杂性时，这个领域才会进步。
　　农业信贷银行的AliElHamidi表示：我们与Pasqal的合作关系非常好。两家公司的目标和技能的互补性，使这段旅程比我们过去经历的更进一步突破界限。我们很高兴为我们的领域进步做出贡献，并抓住这一成果为我们的客户、股东和员工造福。
　　Pasqal与法国农业信贷银行的合作伙伴探讨问题之一是预测金融风险恶化。这不是理论探讨，而是一个严肃的金融问题。因为风险是银行风险管理、偿付能力和盈利能力的关键。能够预测投资组合的不利事件有助于银行减少损失和控制资本成本，从而变得更强大和更具竞争力。
　　问题是我们如何发现即将到来的风险恶化？
　　这里的问题是数据没有预先标记。机器只能看到高维空间中的大量数据点（对应于存在潜在风险的交易对手），并且必须自己学习这些类别。有趣的是，这个问题可以转化为一个加权图问题，其中权重对应于数据点之间的距离。分割数据集转化为寻找穿过图的切割，该切割使穿过的边的权重之和最大化。这是众所周知的困难的最大割NP完全问题，如下图所示。
　　事实上，Pasqal发现了一种在它的处理器中对问题进行编码的有效方法，使得最大化切割值对应于最小化存储在物理图中的能量。
　　经过多次运行和超过44000次真实中性原子阵列测量，Pasqal量子处理器实现了比随机搜索更短的求解时间，如下图所示：
　　随着量子比特数的增加，随机搜索和Pasqal技术之间的差距呈指数增长。
　　法国农业信贷银行的DidierMTamon说：我们与Pasqal的合作非常富有成效。我们很高兴看到真正的量子硬件可以为我们的业务做些什么。我们期待在他们扩大规模时继续试验他们的处理器。
　　化学是另一个领域，Pasqal处理图形数据的独特能力可以为客户带来优势。分子图是分子的抽象表示，其中原子对应于顶点，边对应于化学键。分子图不仅仅是简单的抽象，有时也可以通过仔细研究分子的图结构来揭示其性质的关键信息。通过图结构推断化学的想法可以追溯到伟大的数学家ArthurCayley，他在19世纪70年代用图论来列举烷烃结构的同分异构体。
　　今天的计算技术为提出关于图结构和分子功能之间关系的更细微问题提供了可能性。例如，是否可以直接从图中推断给定化合物的毒性？预测毒性挑战（PTC）提出了这个问题。挑战在于训练一个模型来区分有毒和无毒分子的图：该模型必须通过解析根据其对小鼠和大鼠的致癌性进行标记的分子图数据库来学习。
　　为了将图分成不同的类别，必须首先考虑另一个基本问题：如何衡量两个图之间的相似性？对于这个问题，可以计算节点和顶点的数量或循环的数量，或者看看图形是否可以相互变形。这对于一些简单的分子来说是可行的，但我们需要放大这个过程才能做出真正的发现。
　　一种流行的方法是在图空间中引入相似性的概念。这些函数被称为图核。对于给定的问题，没有规范的方法来决定使用哪个核，但是问题结构施加了某些约束。例如，对于PTC，人们希望两个毒性分子图比一个无毒分子图彼此更接近。关键在于找到一种足够灵敏而又不过分细节的测量方法：一个过于关注细节的核最终会因为计算量太大而无法扩展。
　　一旦引入了相似性的概念，我们就可以部署机器学习技术来将图形分到不同的类别中。已有案例中将有毒分子的图与无毒分子的图分开，常用方法是支持向量机（SVM）。SVM的工作原理是将图空间分成两半：一半是有毒分子，另一半是无毒分子。学习过程包括SVM通过对数据进行解析来细化这两半的边界。但是常用的图核（如随机游走核或graphlets子采样）扩展性很差，Pasqal的量子处理器似乎更适合处理创建一种新型图核的可能性。
　　可以使用原子光镊和激光脉冲将分子图直接编码到量子寄存器中，但还需要引入平台原生的图核。Pasqal是这样做的：每个图对应于一个特定的量子态并存储了不同的能量，这对应于生成图的成本。除了仔细调谐的激光脉冲，让系统自由演化。最后测量状态的最终能量。重复这个过程几次，并为每个图构建一个能量直方图，结果如下图所示：
　　由于每个图形的演化都有所不同，这些直方图为每个图提供了能量指纹。
　　现在，Pasqal科学家已经在量子计算机中对分子图进行了编码，并为每个分子图建立了独特的能量直方图。因此，可以将测量图相似性的问题转化为比较两个能量直方图。这非常方便，因为有一个成熟的数学机制可以做到这一点：可以依赖JensenShannon散度，它通常用于测量从生物信息学到定量历史等领域的分布之间的距离。
　　因此得出了基于量子演化的新图核！
　　一旦有了一个图核，就可以使用SVM从数据中学习如何对图形进行分类。Pasqal的科学家们在各种图数据集上针对经典核测试了这些新量子演化核（QEK）。借助这些量子硬件，QEK显示结果可与同类最佳的经典方法相媲美。此外，他们还发现QEK可以用来创建用经典方法无法构建的映射。图核是一种衡量两个图彼此相似程度的方法。在这样做的过程中，核引入了距离的概念，可用于构建图空间的映射。
　　Pasqal表示，他们即将发表基于这个实验的论文。
　　参考链接：
　　https：pasqal。io20220411towardsquantumadvantagewithefficientgraphimplementations