量子计算有望赋能千行百业：
1）金融领域：量子计算应用有望在优化预测分析、精准定价和资产配置等问题中产生优势。案例包括 2023 年法国 CIB、Pasqal 和 Multiverse 联合发布量子计算金融应用解决方案的验证结果，减少金融衍生品估值计算所耗算力资源，提升评估速度与准确性等；
2）化工领域：量子计算应用探索主要通过模拟化学反应，达到提高效率、降低资源消耗等目的。案例包括 2023 年德国尤利希中心利用量子计算提升寻找蛋
白质最低能量结构的成功率，牛津大学实现基于网格的量子计算化学模拟，探索基态准备、能量估计到散射和电离动力学等方面能力等；
3）生命科学：量子计算可以用于评估药物研发的成本、时间、性能等实验值。案例包括 AWS 制药解决方案，通过针对某些药物研发问题的内置示例代码，例如分子对接、蛋白质折叠、RNA 折叠和逆合成规划，进行量子计算完成任务；
4）密码学：使用量子机密对安全数据进行加密和传输的各种网络安全方法。但它有可能比以前的加密算法类型安全得多，甚至在理论上是不可破解的；
5）交通物流：量子计算应用主要聚焦组合优化问题，以更优方案实现路线规划和物流装配，提升效率降低成本。案例包括 2023 年，Terra Quantum 和泰雷兹公司使用混合量子计算验证加强卫星任务规划过程并改善卫星运行效率，英伟达、罗尔斯-罗伊斯和 Classiq 将量子计算用于提升喷气发动机的工作效率；
上面的信息是一位老师发过来业界有关量子计算的能力问题，询问我的看法。有关量子计算的具体知识我涉猎不多，只是略知皮毛，但是量子计算所涉及的在各种领域赋能的问题，在很多层面上确实也包含了我长期感兴趣的一些问题，于是结合我所知道的点滴知识，结合我很长时间的一些思考，以及我现在正在做的有关系统层次化演化规律的仿真实验，谈谈我的想法。
人们普遍的期待就是量子计算机能够解决比较难的问题，而所谓难的问题我想大致可以分为两大类，第一类大概属于复杂系统问题，第二类属于NP问题，当然可能还有第三类，就是我们都不知道这个问题是什么意思，没有明确的定义，不知道里面的过程机制如何，这是属于认识阶段性受到限制的事情，我们都不够聪明，不可能知道所有事情，或许这类问题最终可能会被进一步的认知归类到前两个问题中，这类问题不在此讨论范围。
对于前两类问题，我想哪怕领域专家可能都不知道这两类问题的本质区别，他们总在混淆地一锅炖地讨论这两类问题，使得讨论缺少理性的依据，都在靠直觉来猜测。我的看法是前者属于带有反馈机制和内部组织结构的多体系统，这其实并不具有逻辑可推理的解决方法，因为逻辑本身是强因果性的，推理过程是可简约的，不同路径不同时间推理的结果不会有不同。反馈则包含了倒因为果的过程，这其中作用的过程是不可简约的，内涵着严格的时间序列，你观察这类系统，不同的时间段会得到不同的结果，是结果依赖于观测者时间维度的确定性问题，这与形式逻辑系统没有时间维度有着本质的区别；第二类问题是逻辑可解问题，只是没有找到多项式解法，在我自己的定义中，这类问题其实不属于复杂系统的问题，而仍然属于“简单”问题的范畴里，是可以被逻辑推理认知的，是没有时间维度的确定性问题。需要特别注意的是，上述两类问题都是确定性问题，这与经典物理的趣味是相同的。
那么，量子计算机能做什么，针对上述两类问题，它是否能够提供可靠的解决方案，仅仅就我个人的理解来说，粗略地谈谈自己的想法，需要特别强调的是，这不属于任何领域专家普遍认知的想法，属于我个人的偏见。
量子计算机按照我的理解，假如我们不介入量子理论方面的争议，不妨假设当前量子叠加和量子纠缠的物理特性是存在的，那么量子计算大概能够完成两类工作：
第一类是漫步搜索工作，应用的原理大致就是量子的叠加态和纠缠态，叠加态能够让一个量子同时具有不同的值，意味着在进行量子计算时，同时在所有不同的逻辑方向进行探索尝试，类似一个量子就能够用多个线程采用不同的取值做并行处理的尝试，多个量子组合就能将问题扩展为一个大的问题空间。在传统的计算机领域中，这种做法是通过牺牲空间的方式在时间复杂度方面获得优势，假如解决这个问题需要进行多个步骤，每个步骤每个分线程都具有n个线程的并行处理能力，这的确能在最终的解决方案中将指数级别的计算量，降低到线性级别的时间复杂度上。但是传统的计算机并不具有指数级膨胀的线程并行处理能力，所以哪怕是现在AI计算具有庞大的并行处理能力，相比较指数级别的并行计算要求来说也是小巫见大巫，面对此类问题也是毫无招架能力。但是，是否量子计算在解决此类问题具有独特的优势？
路径搜索问题从来都不是一个步骤就能解决问题，而是多个步骤，甚至是不确定多个步骤才能解决的问题，如果一个量子采用叠加态的方式对一个方向进行并行计算的尝试，通常是同时在0/1两个值方向进行尝试，那么一个问题的初始规模一定会有很多个bit在并行进行着，这就要求多个量子要同步性地开始工作，这种同步性属于技术范畴，我觉得并没有物理规律规定这种同步性不可行，譬如说，技术上同时激发产生筛选多个量子，因此这种多量子同步叠加计算我觉得理论上可以接受。然后就是解决多个步骤的问题，在第一个步骤将问题空间进行了第一次扩展后，谁来承继第一个步骤的结果并开始第二个步骤的问题空间扩展，来尝试判断问题是否达至解决状态？是需要将第一组量子的状态保存下来，在扩大的问题空间基础上继续由这组量子做接下来的搜索工作？显然，这不太可能，因为问题规模的扩大，存储的空间是指数级别增长的；那么类似的用新生成一组量子继续接下来的搜索工作也不可行，因为同样会面临量子指数增长的问题。所以即使是量子计算机在解决搜索问题时，仍然不可能采用强力搜索的方式来进行，仍然依靠嫁接传统算法和传统计算机硬件软件来对每个步骤的内容进行裁剪，这里量子起到的作用只是其中一个协处理器的作用，用于产生问题所有可能的空间。量子与量子之间不存在确定可控的机制，假设这样的量子计算机彻底排除经典计算机的控制逻辑，让纯粹量子之间按照时间顺序一步一步演化出来最终的确定性结果来是不可能的，否则量子那些概率性特征就丧失了，量子就成了大头兵一样，行为变得规规矩矩的，那是经典物理的图景。所以我认为纯粹的能够确定性解决类似路径搜索问题的纯量子计算机是不存在，但是以量子为媒介的混血型通用量子计算机大致可以造出来，只是其中的硬件控制逻辑仍然是经典的，软件也是经典的，量子部件是黑盒子，你负责输入，然后从输出端拿到结果，用经典的方式解析结果。素数分解应该可以归类到这种混血计算机中。但凡能够放出来供大家实验的所谓量子计算机都是这类混血机（是否采用了量子叠加其实不重要，重要的是它的一些部件采用了量子的特征），这也是为啥大家普遍不认同此类计算机为量子计算机的原因，因为主体确实仍然是经典计算机的架子。
第二类问题属于概率仿真问题，在设计了不同路径之后，由大量的量子在设计的路径之间进行穿行，这包含了可能的反馈回路，在最终的检测端口中观察概率结果。由于这类结果严重依赖于设计的路径以及观测的时间（或者说检测到的结果规模），所以这类问题一律都是专用型的量子计算机，而且不存在针对单个量子的测量，或者有限少数量子的测量，它无法解决确定性结果的计算要求。这类量子计算机结构简单，完全不依赖经典计算机的软硬件参与，因此可以做成纯量子型计算机。广泛所知的这类量子计算机就是所谓的波色采样。这类计算机其实跟赌场的老虎机原理大差不差。结果的规模很重要，没有规模的概率就是用老虎机赌博。另外隐含的技术上也要求设计路径的每个分支选择必须严格符合概率分布的要求，否则，结果的概率分布将有严重的偏差，那就是抽老千了。
这两类量子计算机，第一类计算机的难点在于硬件上经典计算机与量子部件的接口设计，软件上就是算法设计。索尔算法算是一种尝试，这个算法可以用经典计算机进行完美的仿真；第二类计算机的设计难点是路径节点的设置与设计，因为往往此类问题我们不知道究竟需要什么节点，路径细节究竟为何，至于节点概率分布的公平性属于技术问题，反而容易解决。波色采样是人为设计的节点，规避了此类问题的真正难点所在。
回到文中最开始提到的几个问题：
1.金融领域：本质上就是建模，寻找最优化模型的问题，我们知道这不可能是一个确定性的解，而是一个不断调优的演化模型，这其实类似于第二类量子计算机，上面的讨论知道，这取决于你如何设计模型，并使得模型具有某种动态特征，能够在不同的迭代下，采用量子计算的方式找到趋近于优的解。这里可能有的一个错误的思想前提，那就是他们觉得量子计算机能够自适应各种可能性，让量子计算机自己找到最佳路径，那就是把本来属于第二类的问题隐含变成第一类具有确定性路径的问题，这是完全错误的，因为第一类问题绝对不允许存在反馈回路，而经济问题从来不可能不具有反馈回路，在错误的思路中寻找解决方案只能得到错误的答案，或者根本不会有任何有价值的答案。金融涉及的变量和不确定性太大，这方面大致AI可以做一点工作，概率性的量子计算机严重依赖于准确的模型，也受限于问题的规模，想要在这个领域应用量子计算，玩玩的心态，写写论文的心态可以有，想产出有价值的成果难比登天。
2.化工领域：化工领域环境要素可控性很好，环境参数有限，目标明确，路径可设计，非常有希望采用第二型量子计算机，当然采用第一型也没有技术上的阻碍，毕竟这并不带反馈回路，谨慎看好。
3.生命科学：如果限制在生物制药，尤其在蛋白质折叠，RNA折叠合成等方面，同第2个问题，我谨慎看好，也同样认为适用于2种量子计算模型，尤其蛋白质RNA方面的问题，概率仿真型量子计算我觉得优势很大，因为这首先值得做，因为同质性很强，微调要求很高，计算量不是一般大。
4.密码学：量子目前只有秘钥分发这种只用到量子随机数生成机制，至于采用量子进行加密解密，这需要极端精细的逻辑控制能力，我看不到量子有这个能力，这是典型的夸大歪曲宣传导致的普遍认知歧路，算是扯淡了。
5. 交通物流：其实跟金融领域比较贴近一些，只能采用概率仿真模型，会遇到同第一个问题一样的难点，我不认为最终能够有什么有价值的结果出来。这个领域交给AI来处理吧。
上述问题基于现有量子理论真实存在的前提，并不代表我完全能够接受的结论，其中第一类混血型的量子计算机我是比较持怀疑态度的。如果量子仅仅用于产生随机数，这没有问题，但是如果量子盒子需要用到量子叠加和纠缠，我基本不报成功的期望。第二类量子计算机本质上并没有用到任何量子神奇的特性，只是用到量子随机性和微小性这些特征，非常节能，非常快速，就是模拟计算的并行化处理，这在技术上与经典物理没有任何冲突，我在技术可行性方面持肯定态度，只是这类计算机设计的难度不在量子上，而在于定制化的模型如何设计，我们需要将关注点放到模型本身，就像你考虑普通计算机应用时，根本不会考虑总线跟CPU如何连接，电流怎么在线路里面跑一样，你只关心如何满足用户的业务设计要求，制定详细的设计规划，如果这时你跟软件用户讨论总线电流问题，那肯定被人当做神经病。
现在计算机采用硬件协处理计算的方法种类很多了，各种xPU层出不穷，其实你完全可以将这些xPU类比于量子计算模块，既然第二类量子计算其实只是弱信号发送与采样，有什么理由不会出现类似的计算机模块比如叫QPU，就是专门用来仿真蛋白质模型的？目前这的确消耗了太大的巨型机的计算资源，非常值得去做。但是如果真的出现这类仿真型混血计算机，我想也不会有人偏要管这叫量子计算机，那得多没常识，设计这类计算机大概跟量子计算专家没啥关系，那是技术上将传统计算向弱信号信号处理的倾斜而已，纳米级芯片解决能耗散热问题，其实也就在解决接近量子尺度的弱信号处理问题，这方面量子计算专家一点发言权都没有。
转载本文请联系原作者获取授权，同时请注明本文来自李红雨科学网博客。
链接地址：https://wap.sciencenet.cn/blog-46717-1432306.html?mobile=1
收藏
