量子计算被业界期待多年，但实现可用的量子计算机一直是巨大挑战。Google DeepMind近日在官方博客详细披露了其量子计算研究进展，特别是基于中性原子（neutral atoms）架构的量子计算机实现路径。
为什么选择中性原子
当前量子计算有多种物理实现路线：超导量子比特（如IBM、Google）、离子阱、光子、中性原子等。中性原子路线的核心优势在于可扩展性：可以通过激光阵列独立寻址，理论上可以扩展到数千甚至更多量子比特。
中性原子的相干时间相对较长，这对于执行复杂算法至关重要。此外，部分中性原子方案可以在较高温度下运行，降低了工程复杂度。
Google DeepMind的技术路径
Google的中性原子量子计算机研究，结合了其在原子物理学和机器学习两个领域的积累。
高精度原子操控
通过光镊阵列精确控制单个原子的位置和量子态。DeepMind将机器学习用于自动校准和漂移补偿，显著提升了系统的稳定性和运行时间。
量子纠错的进展
DeepMind的方案通过表面码实现逻辑量子比特，将多个物理量子比特组合成一个逻辑量子比特，从而抑制错误。博客中披露了他们在纠错效率上的具体进展数据。
与超导路线的对比
Google此前在其超导量子计算机Sycamore上实现了量子霸权，但中性原子路线是独立发展的。两种路线各有优劣：超导方案门速度更快，但相干时间短；中性原子相干时间长，但门操作速度相对慢。
当前进展与局限性
目前Google的中性原子量子计算机仍处于实验室阶段，量子比特数量和门操作质量还未达到通用量子计算的需求。但其进展速度值得关注：量子比特数量在过去一年有了显著提升，双量子比特门保真度达到99%以上，自动校准系统将人工干预需求降低了数个量级。
量子计算对AI的潜在影响
量子计算与AI的结合是Google研究的重要方向。理论上，量子计算可以加速某些AI算法（如量子机器学习），也可能带来全新的AI模型范式。但这些应用目前仍停留在理论和小型实验阶段。
更现实的影响是：量子计算研究推动了新的硬件技术（如极高精度的激光控制、低温电子学），这些技术会溢出到其他领域，包括AI硬件本身。
总结
Google DeepMind的中性原子量子计算机研究，展示了量子计算领域的前沿进展。尽管实用化量子计算机还需要时间，但其技术路径的清晰性和研究进展的持续性，值得持续关注。
评论区