PNNL研究人员开发量子计算算法，计算负荷减少85%

摘要：太平洋西北国家实验室 (PNNL) 开发了一种毕加索算法，可以高效地为大型系统准备量子数据。通过采用图着色和团划分技术，该算法将计算需求降低了 85%，能够处理的泡利弦数量比现有方法多近 50 倍。这项突破性成果已在复杂的氢模型上进行了测试，为量子计算应用的进

太平洋西北国家实验室 (PNNL) 开发了一种毕加索算法，可以高效地为大型系统准备量子数据。通过采用图着色和团划分技术，该算法将计算需求降低了 85%，能够处理的泡利弦数量比现有方法多近 50 倍。这项突破性成果已在复杂的氢模型上进行了测试，为量子计算应用的进步提供了支持。该成果由 PNNL 和美国能源部科学办公室资助。

该算法在 IEEE 并行和分布式处理国际研讨会上发表后，最近在 GitHub 上发布，解决了量子计算中的一个关键扩展挑战：有效地为量子系统准备经典数据。

“量子计算可以极其快速高效，但必须解决潜在的瓶颈问题。目前，为量子系统准备信息是阻碍我们前进的一个因素，”PNNL 人工智能中心领导团队成员 Mahantesh Halappanavar 解释道。

这项创新采用了“图着色”和“团划分”技术，显著降低了计算需求。在测试生成超过200万个量子元素（泡利弦）的氢模型系统时，毕加索仅用15分钟就处理了超过万亿个关系——这个问题的规模几乎是现有工具处理能力的50倍。

论文第一作者、Linus Pauling杰出博士后研究员SM Ferdous解释了他们的突破：“从高性能计算的角度来看，这类问题实际上表现为团划分问题。我们可以使用图形分析来表示海量数据，并减少必要的计算量。”

该团队的方法利用了“稀疏化”——仅使用约十分之一的总数据集即可执行精确计算。这种节省内存的技术使量子准备能够扩展到以前无法管理的问题规模。

研究人员认为，Picasso 可以扩展至处理需要 100 到 1,000 个量子比特的更大规模量子系统——这是量子计算发展的前沿。此外，他们还开发了一种 AI 算法，帮助用户计算数据量和内存需求之间的最佳平衡。

为了使量子计算实现其革命性的承诺，这些后台优化可能与量子硬件本身的进步同样重要。