量子计算机太贵，科学家用普通电脑训练了一个“替身”
众所周知，量子计算机非常昂贵，制备一台几十个比特的超导量子计算系统要花上千万，运行一次还要消耗大量的液氦和电力，多数科学家根本用不起。
最近，来自河 南省量子信息与量子密码重点实验室的黄合良团队和合作者想到了一个方法： 使用量子计算机先跑一点数据，接着训练一个经典模型当它的替身，将大部分计算任务搬到普通电脑 上，最终这个替身在 42 个比特的任务上，将量子计算机的调用次数降低了三个数量级。
量子计算的基本单元叫做量子比特，普通电脑的比特只能够存 0 或 1 ，量子比特则可以同时是 0 和 1 的叠加。这就意味着当几个量子比特纠缠在一起，算力会呈现指数级的增长。但是量子比特非常脆弱，哪怕是环境里的微小扰动也能让它们失去量子态。
因此，量子计算机要放在接近绝对零度的“大冰箱”里运行，然而一套制冷系统也造价不菲。按照当前超导量子计算的主流路线，全世界能接触真实量子处理器的人非常有限，即使勉强能跑起来也有一个更麻烦的问题，那就是量子计算机的重复频率太低。 每次运行完毕一组指令，系统就需要重新初始化、再运行。 整套流程下来非常耗时，类似于变分量子算法这类需要反复迭代更新的任务，由于每次迭代都要测量很多次，因此效率会非常低。
： Nature Communications ）
为了攻克这个问题 ，该研究团队设计了两套代理模型：一套叫做 h_cs ，专门处理那些参数之间相互独立的量子电 路；另一套叫做 h_qs ，专门处理参数之间有相关性。
其实这两个模型的思路是一样的，就先用少量量子实验数据做训练，随后让经典模型学会预测量子计算机的输出。训练完成之后，多数任务可以在普通电脑上完成，无需反复地调用量子计算机。为了验证方案的可行性，他们最多使用了 42 个超导比特进行了测试，让代理模型做了两个任务。一个任务是预训练变分量子求解器找基态能量，另一个任务是识别 Floquet 对称保护拓扑相（一种非平衡物质态）。
在第一个任务里，针对的变分量子求解器是一种非常常用的量子算法，但是它需要反复的迭代，每一次迭代都要使用量子计算机做大量测量。 他们先用量子计算机跑了一些数据，以此训练代理模型。随后，使用这个经典替身去预训练求解器，借此找到近似最优的参数。
测试的结果显示，代理模型仅用了传统方法 0.023% 的测量次数，就找到了那些接近基态能量的参数。而传统方法跑了 100 步优化之后误差在 0.21 左右，代理模型预训练之后误差更是直接降到了 0.09 ，再在量子计算机上微调一下竟然降到了 0.07 。这就相当于少花了将近 99.98% 的量子测量次数，但却得到了更好的结果。与此同时，这个代理模型在 8 到 42 个比特的规模上都保持稳定的表现，证明它的效果不随比特数增加而明显下降。