Google Quantum AI展示了3个案例研究，探索与药物学、化学和核能相关的量子计算应用
谷歌量子人工智能展示三个案例研究，探索量子计算在药物学、化学和核能领域的应用
各行各业都对量子计算的变革潜力赞不绝口，但其在有限大小问题上的实用性仍存在疑问。谷歌量子AI的合作研究旨在确定量子计算机在哪些问题上优于经典计算机，并设计实用的量子算法。最近的努力包括：
- 研究酶化学。
- 探索锂离子电池的可持续替代品。
- 为惯性约束聚变实验建模材料。
尽管实用的量子计算机尚不可用，但他们的持续工作为最终运行这些应用的高效量子算法所需的硬件规格提供了重要信息。
与拜林格尔英格海姆和哥伦比亚大学合作，谷歌量子AI研究了量子计算在理解酶家族细胞色素P450的复杂电子结构中的应用。这些酶在药物代谢中起着关键作用。通过比较经典和量子方法，他们证明了量子计算机更高的准确性对于准确解析该系统中复杂的化学过程至关重要。研究表明，随着系统规模的增大，量子优势变得越来越明显，最终表明为解决这个问题需要数百万个物理量子比特的量子优势。
- “遇见Decaf：一种面部和手部互动的新型人工智能单目变形捕捉框架”
- 用Python全面解释多类别标签的Softmax回归
- 耶鲁大学和谷歌的研究人员引入HyperAttention：一种加速大型语言模型以实现高效长距离序列处理的近似注意力机制
锂离子电池对各种应用至关重要，但通常依赖于有环境和伦理问题的钴。研究人员探索了锂镍氧化物（LNO）作为钴的替代品。了解LNO的特性至关重要。与巴斯夫，QSimulate和麦格理大学合作的一篇名为“使用布洛赫轨道的容错量子模拟材料”的论文开发了适用于周期性原子结构（如LNO）的量子模拟技术。他们的研究发现，量子计算机可以高效地计算LNO的能量，但目前需要大量的量子比特，但希望未来有所改进。
研究人员在极端条件下探索量子模拟惯性约束聚变实验。重点是计算高温、高密物质中的阻塞力，这对于反应堆的效率至关重要。量子算法显示出希望，估计的资源需求介于先前应用之间。尽管存在不确定性，但它在模拟如此复杂的系统时胜过依赖平均场方法的经典替代方案，后者在模拟时引入系统误差。
研究人员展示了未来纠错量子计算机模拟物理系统的成长应用领域，展示了其解决复杂问题的潜力。与静态基态问题不同，量子动力学涉及量子系统随时间演化，与量子计算机固有的动态特性一致。合作研究揭示，量子算法在效率和准确性上可以超越近似经典计算。现在开发这些算法可以确保纠错量子计算机的准备，并消除关于其能力的夸大言辞。
