在未來幾年內，由於在硬體和運行於其上的演算法方面的大量工作，量子計算機可能趕上甚至超越經典計算機。
量子計算機利用量子力學進行計算。它們的基本計算單元量子位元類似於標準位元（零或一），但它處於兩個計算量子態之間的量子疊加態：它可以同時是零和一。這種性質，以及另一種獨特的量子特性——被稱為糾纏，可以使量子計算機比任何傳統計算機更有效地解決某些型別的問題。
這項技術雖然令人興奮，但也出了名的難以駕馭。例如，一種稱為退相干的過程會擾亂其功能。研究人員已經確定，擁有數千個量子位元的嚴格控制的量子計算機可以透過一種稱為量子糾錯的技術來抵禦退相干。但是，實驗室迄今為止展示的最大量子計算機——最著名的例子來自 IBM、谷歌、Rigetti Computing 和 IonQ——僅包含幾十個量子位元。加州理工學院的約翰·普雷斯基爾將這些版本命名為含噪聲中等規模量子 (NISQ) 計算機，它們還不能進行糾錯。然而，針對 NISQ 專門編寫的演算法的爆發式研究可能使這些裝置能夠比經典計算機更有效地執行某些計算。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
世界各地使用者對 NISQ 機器的訪問增加極大地促進了這一進展，使越來越多的學術研究人員能夠為這些機器開發和測試小規模版本的程式。一個專注於量子軟體不同方面的初創公司生態系統也在蓬勃發展。
研究人員特別看好兩種用於 NISQ 的演算法——用於模擬和機器學習的演算法。1982 年，傳奇理論物理學家理查德·費曼提出，量子計算機最強大的應用之一將是模擬自然本身：原子、分子和材料。包括我自己在內的許多研究人員已經開發出在 NISQ 裝置（以及未來的完全糾錯量子計算機）上模擬分子和材料的演算法。這些演算法可以改進新材料的設計，以用於從能源到健康科學等領域。
開發者還在評估量子計算機是否在機器學習任務中更勝一籌，在機器學習任務中，計算機從大型資料集或經驗中學習。對一組快速增長的 NISQ 裝置演算法的測試表明，量子計算機確實可以促進諸如按類別對資訊進行分類、將相似的專案或特徵聚類在一起以及從現有樣本中生成新的統計樣本等機器學習任務——例如，預測可能顯示所需屬性組合的分子結構。至少有三個研究小組獨立報告了在開發一種稱為生成對抗網路 (GAN) 的機器學習方法的量子版本方面取得的進展，這種方法在過去幾年中席捲了機器學習領域。
儘管許多演算法似乎在現有的 NISQ 機器上執行良好，但還沒有人能正式證明它們比傳統計算機上可以執行的演算法更強大。這些證明非常困難，可能需要數年才能完成。
在未來幾年，研究人員很可能會開發出更大、更可控的 NISQ 裝置，隨後是具有數千個物理量子位元的完全糾錯機器。我們這些從事演算法工作的人員樂觀地認為，用於 NISQ 的演算法將足夠有效，以實現優於最先進的傳統計算機的優勢，儘管我們可能必須等到完全糾錯的機器可用為止。