量子计算机有什么实际的应用意义？

原文地址： http://ift.tt/17fYf9q

此回答由本人原载于知乎：如何用圈外人士能理解的文字解释「量子退火」？ – Cheny Dimpurr 的回答 – 知乎

鄙人见识浅薄，还请诸位大神指正。

量子有一种很神奇的特性，也就是量子的叠加态。一个粒子，在我们观测之前，它处于又左旋又右旋的状态。但是我们观测以后，我们只能得到要么左旋，要么右旋的结果。换句话说，在观测的一瞬间，它「塌缩」了。

对于量子处于叠加态的证明，可以搜索一下托马斯·杨的「双缝干涉实验」中，观测手段影响光的波粒二象性的表现，以及「延迟决定实验」中，在一切结束后再对过程进行决定的实验。可以说，量子论打破了经典物理学中的决定论和定域性，实际上，不存在一个确定的「历史」，而取决于我们观察的方式。同时，不同的观测方式甚至可以导致不同的历史。

把它放到量子计算机上，这意味着几个好处。

第一，是指数级增长的计算能力。经典计算机中，一个经典比特只能存储一位信息，要么是 1 ，要么是 0 。但是在量子计算机中，这个比特可能是 0 ，也可以是 1 ，关键是它们同时参与了计算，而只在你观测时，才会塌缩成一个完全确定的解答。假如是 10 经典比特，那么相当于 10 位数据参与运算。而 10 量子比特，就是 2^10 ，也就是 1024 位数据参与了运算，这是多么巨大的差距。

第二，假设现在你的手放在键盘上，准备进行 Google 搜索。不可思议的地方在于，甚至在你想好要搜什么之前，量子计算机就可以完成计算！乍看起来这样非常不合常理，但是实际上，在你打字时，后台就可以开始进行计算。这个计算可能是各种搜索关键字的叠加态，而在你打好字按下回车时，这个叠加态一瞬间塌缩为你要的关键字，你的搜索早已运算完毕了。

第三，我们现在计算机的主要热量，来源于我们对存储器的不断读写和重置。假设我们的存储器内有 0 和 1 组成的杂乱无章的数据，现在我们全部清零。这一刻，我们的存储器显然变得更加「有序」，即无序程度「熵」的降低，而根据热力学定律，这些熵就以热量的形式散发出去。因为微观粒子的幺正性，量子的运算是一种完全可逆计算，信息不会丢失而得到重用，几乎不会有热量的散失。

所以说，届时在一块手表上实现超越一切经典计算机的算力，并且超低功耗和热量，的确不是不可能的。我们可以期待通用量子计算机普及的时候，人类文明会迎来多大的飞跃。

本文来自 钉子の次元 - Dimpurr - 千里之行，始於足下。 ,原文地址 量子计算机有什么实际的应用意义？

IFTTT 驱动

如何用圈外人士能理解的文字解释「量子退火」？

原文地址： http://ift.tt/1zmhXIh

此回答由本人原载于知乎：如何用圈外人士能理解的文字解释「量子退火」？ – Cheny Dimpurr 的回答 – 知乎

不邀自来，见识浅薄，还请诸位大神指正。

量子退火法，是一种基于量子特性的量子计算机算法，脱胎于经典计算机上的模拟退火算法。实际上，模拟退火算法的步骤和思路，与金属的退火确实有着异曲同工的妙处。

将金属加温到某个高于再结晶温度的一点并维持此温度一段时间，再将其缓慢冷却。

—— 退火 – Wikipedia

关于通用量子计算机的原理和特性，可以参见我的另一个回答：量子计算机有什么实际的应用意义？ – Cheny Dimpurr 的回答

作为量子退火机应用较多的一种特性，再补充一种神秘的「量子隧道效应」。这种效应一般来说，指的是微观粒子有一定纪律穿过穿过不可能穿越的壁障，出现在壁障的另一端的情况。因为一个微观量子并不存在一个精确的位置，而是以一定概率分布在一片区域，化学上的电子云概念就是这样的。

量子隧道效应

假设容器的边缘有一个粒子，蓝色的深浅标出了它的德布罗意波，即它可能出现的位置的可能性大小。可以注意到，在很小的几率下，这个粒子会出现在容器的对面。不是漏出，也不是穿过，而是瞬移！但是这也不是瞬移，因为对于电子来说，它本来就有可能出现在那里，只是在你观测的时候，本来存在于一定范围的电子忽然给出了一个正好的容器外的位置。

首先，我们先来看看我们都熟悉的一种贪心算法，爬山算法。

爬山算法指的是以以一个任意值为起始点，计算临近的解，然后不断判断这个解和符合条件的差距，选择选择更适合的方向继续计算，直到达到一个任意方向都是更劣解的位置。

解的示例图像

来看看这幅图。假设蓝线的位置就是正解的位置。

首先，一个登山者（计算机）从 FE 段的任意一处出发。对他来说，向下走无疑是更接近正解的。只不过，当他走到了山谷，也就是 E 点时，他会发现：此时无论他往哪边走，都会距离谷底更远！

我们的爬山者被困在山谷底，或者说「势阱」了。

至于模拟退火法，引入了一个随机的扰动，也就是温度 T 。

我们可以这样来概括它的步骤：

1. 在值域内，按照随机扰动 Δ ，产生一个一定范围距离的新解


2. 判断新解和正解的距离，与当前解与新解的距离进行比较


3. 如果可以接受，那么在当前 T 的范围内，有一定可能性改用新解


4. 当确定正解在某个区间以内时，缩小范围继续应用模拟退火算法

实际上，就模拟退火算法的具体实现来说这个概括不是很准确。不过这样一来，就可以看出它和爬山算法的最大区别：我们的登山者一次被困在山谷 E 时，他可以选择瞬移到 DC 段的某处，并且惊喜的发现这里更接近正解！在对「整座山」通过统计学方法「退火」时，他就会发现最接近正解的区间BCD ，从而集中精力在 C 处寻找精确解了。

退火法还有很多有趣的性质，比如初温 T 越高，得到正解的概率也越高，因为此时计算机会更勇敢的选择新解，相当于退火的更彻底。相应的，要达到对「整座山」锁定目标需要的耗时就越长。这个问题，量子退火中就可以得到改善。

那么，这次我们的登山者不同寻常，是一位量子登山者。

量子登山者

看到这幅图也许已经有人明白了：此时这个登山者不仅处在 DE 段上的某一点，其实他「同时」存在于这四周的一大块区域！在它的可能性范围所能触及的区域，他发现了 CD 段上有着更低的一点。利用量子隧道，我们的登山者逃出了山谷！

还不仅仅如此。我们还记得在模拟退火法的第一步上，我们提到了我们会从图像（山脉）的某处开始搜索。但是，因为量子的叠加性质，我们的量子计算元件可以同时处在图中的很多个位置！这样以来，搜索的效率可以以（2 的）指数性增长！

这样优秀（当然，适合处理的问题有所局限）的算法，让我们来看看这个庞然大物， D-Wave Two 是怎么实现的。

首先，在合适的环境下，制备好一系列量子比特。 D-Wave Two 拥有 128 个量子比特。

接着，为这些量子设置好三维的伊辛模型，也就是设置好他们的初始位置和自旋状态。这个初始模型就决定了接下来的计算，可以说就是编好的程序。

随后，减弱量子间的相互作用，通过向超导电路通入特殊电流，向设置好的模型施加一个横磁场。这种情况下，量子就进入了自旋的叠加状态，相当于同时具有 0 和 1 状态的比特。

最终，我们进行「退火」。我们慢慢撤去横磁场，增强相互作用，量子们稳定下来，我们得出了最终解。

就像别的答案中提到的，量子退火机就是让大自然自己去进行计算，我们等着看结果：最终稳定下来的量子，一定是在这个三维伊辛模型中，相互间能量很小的状态。意即只要模型设置得当，我们就有非常大的机率落到最低的「山谷」当中。

因为算法本身基于统计学而非遍历的性质，我们可以理解，即使量子退火算法在模拟退火算法的基础上提高了算力，还是有只得出近似解的情况存在。因此， D-Wave Two 据说会针对每次计算任务重复 4000 次，选择其中的最优解得出解答。

D-Wave Two

最终，和大家预想的不一样， Dwave Two 确实「只是」一台量子退火机。在吭哧吭哧工作时，还得全程由液氮保护运行在 0.02 K，也就是 -273.13 ℃ 下。不过，相比经典计算机，量子退火机还是在特定领域达到了上万甚至上亿倍的算力提升。我们可以期待，一个真正的通用量子计算机，将会给科技行业乃至人类智慧带来极大的革命。

本文来自 钉子の次元 - Dimpurr - 千里之行，始於足下。 ,原文地址 如何用圈外人士能理解的文字解释「量子退火」？

IFTTT 驱动