872: Microsoft’s “Majorana 1” Chip Brings Quantum ML Closer
12:20 Share

在本期五分钟速览中，Jon Krohn 关注了微软最近发布的 Majorana 1，这是一种使用拓扑量子比特的新型量子处理单元，与目前使用的易碎量子比特有所不同。了解 Jon 对这种“量子时代的晶体管”的看法、量子计算的潜在应用，以及为什么这标志着数据科学和机器学习从业者激动人心的未来。更多资料：www.superdatascience.com/872 有兴趣赞助 SuperDataScience Podcast 节目？请发送电子邮件至 [email protected] 获取赞助信息。</context> <raw_text>0 这是第 872 集，关于微软的马约拉纳 1 号。♪

欢迎回到超级数据科学播客。我是你的主持人 John Krohn。本周我仍在休假，所以我将跳过前言，直接进入今天的重点话题。这太重要了。微软的马约拉纳一号是一个新发布的量子计算芯片，标志着追求实用量子计算机方面的一项重大突破。它是世界上第一个基于所谓的拓扑核心架构构建的量子处理器。我稍后会对此进行更多解释。

这意味着它使用基于所谓的马约拉纳粒子的拓扑量子比特，我稍后也会对此进行更深入的探讨。由于这些由马约拉纳粒子构成的拓扑量子比特更稳定，使用它们代替当今量子计算机中易碎的量子比特，这意味着创新可以加快解决现实世界工业规模问题的量子计算的时间表，从今天的

潜在的几十年缩短到几年。好的，那么马约拉纳 1 号是什么？让我们更详细地探讨一下我刚才提到的术语，例如拓扑量子比特和马约拉纳粒子。因此，本质上，马约拉纳 1 号（以此处至关重要的马约拉纳粒子命名），马约拉纳 1 号，

该处理器是一个量子处理单元或 QPU，有点类似于您今天可能用于机器学习的 GPU 或神经处理单元的替代品。如果您想了解更多关于 QPU 的信息以及它们与 GPU 等有何不同，您可以在本播客的两个精彩往期节目中了解更多关于它们和量子计算的信息，第 851 集与 Florian Neukart 教授的对话，以及第 721 集与 Amira Abbas 博士的对话。

无论如何，马约拉纳 1 号是一个量子处理单元或 QPU，它使用一种名为拓扑导体的新型材料构建而成。这种材料可以创建和控制马约拉纳粒子，这是一种奇特的准粒子。我不确定这意味着什么，

但它们是一种准粒子，以高度稳定的方式编码量子信息。通过利用这些主要的反粒子，微软的芯片产生的量子比特比传统的量子比特更可靠，错误更少。

微软将其描述为发明了“量子时代的晶体管”，指的是一种可以使量子计算可扩展的基本组件，就像晶体管对经典计算所做的那样。像马约拉纳 1 号中的那些拓扑量子比特被认为是“硬件保护的”。在普通的量子计算机中，量子比特非常难以捉摸。来自环境的微小干扰会将其从量子态中击出，从而导致错误。

马约拉纳量子比特通过将信息存储在系统的拓扑特性中来避免这种情况。直观地说，您可以将其想象为将量子比特的信息隐藏在两个粒子之间的秘密握手之中，因此任何单一的干扰都无法揭示或破坏该隐藏状态。这使得量子比特对噪声的敏感性大大降低。实际上，拓扑量子比特应该需要更少的纠错，从而使系统能够更高效且大规模地运行。

马约拉纳 1 号芯片目前仅包含 8 个拓扑量子比特作为概念验证。这听起来可能不多，但革命性的是，该芯片的设计显然可以扩展到单个手掌大小的芯片上拥有 100 万个量子比特。相比之下，大多数现有的量子处理器只有几十个或几百个嘈杂的量子比特，并将它们扩展到完成有用任务所需的数千个或数百万个量子比特一直是一个巨大的挑战。

微软采用马约拉纳 1 号的方法旨在通过使每个量子比特本身都稳定来跨越这一障碍，因此您可以放入更多量子比特而不会使系统崩溃。

事实上，微软断言，这种新的架构为拥有百万量子比特的量子计算机提供了一条清晰的路径，这大致是量子机器能够在广泛的重要问题上胜过经典计算机的门槛。根据该公司说法，这项发展使这一目标在几年内而不是几十年内就能实现。

至关重要的是，马约拉纳一号是为容错而构建的。量子计算的最终目标是容错量子计算机，它可以纠正自身的错误并可靠地运行长时间的计算。

微软的拓扑量子比特是朝着这一目标迈出的直接努力。他们的策略大胆而长远。直到最近，马约拉纳粒子甚至还没有实验证据，但这种大胆的长期战略现在正在产生成果。微软是 DARPA 项目中仅有的两家公司之一，该项目旨在快速推进实用规模的量子计算机，并且它已经在基于这项技术的可扩展容错量子机器的原型上开展工作。简而言之……

马约拉纳一号正在开创一条通往稳定、大规模计算机硬件的道路，比许多人预期的要早。为什么拥有百万量子比特的稳定量子计算机很重要？这是因为它可以解决经典计算机（甚至是经典超级计算机）几乎无法解决的计算问题。

以下是一些此类量子突破可能在化学和材料科学领域实现的示例：在量子水平上模拟复杂的化学反应，以发现新的催化剂和材料。

在医疗保健和生物技术领域，精确模拟分子和生物过程。量子计算可以通过评估药物分子在原子细节上的相互作用来显著加快药物发现速度，或者可以模拟蛋白质折叠和酶动力学以寻找癌症或阿尔茨海默病等疾病的治疗方法。这种详细的模拟超出了当今计算机的能力，这意味着量子计算可以为医学开辟新的领域。

同样，在物流和优化求解方面，可以轻松解决这些领域的巨大优化问题。百万量子比特处理器可以处理供应链优化、交通路线规划甚至能源网格管理等涉及无数变量的复杂场景。

量子计算机、量子突破总是会涉及到网络安全，因为量子计算机可以破解当今保护我们数据的加密算法。拥有足够稳定量子比特的机器可以以指数级更快的速度分解非常大的数字或暴力破解密码密钥，从而破坏经典加密方法。

值得庆幸的是，这是一把双刃剑。它对当前的安全协议构成威胁，但也推动了量子安全加密的发展。数据科学家和安全专业人员已经在研究后量子密码学，以应对这种情况。就对数据科学家和人工智能的影响而言，马约拉纳一号可能影响的一个特别令人兴奋的领域

是机器学习。量子计算和人工智能正在以最佳方式发生碰撞。微软和其他公司设想将量子计算的能力与现代人工智能工具相结合，以实现新的功能。但是，量子计算机究竟如何才能帮助数据科学家或机器学习工程师呢？好吧，我将为您提供一些示例。首先，由于叠加和纠缠，量子计算机可以并行处理大量的组合可能性。

这意味着量子计算机擅长处理海量数据集和复杂的概率分布。事实上，研究人员已经证明，量子方法可以比经典方法更快、更准确地压缩和分析大型数据集。例如，量子算法可以快速执行诸如对海量数据集进行主成分分析之类的任务，从而揭示对普通计算机来说计算成本很高的模式。对不起，对于普通计算机来说。

例如，澳大利亚国家科学机构最近的一项研究表明，量子机器学习可以在不丢失重要细节的情况下简化大型数据集，这突显了量子技术如何跟上我们爆炸式增长的数据量。

另一个例子是，在量子机器学习中，量子计算机可以原生解决构成机器学习基础的某些优化问题和线性代数运算。这可以转化为更快的模型训练或更有效的参数空间搜索。

随着量子硬件规模的扩大，我们可能会看到混合算法，其中人工智能工作流程中繁重的数字运算部分被卸载到量子协处理器。例如，可以想象一个量子增强的神经网络，它可以同时评估许多模型配置，或者一个利用量子处理来查找数据中最佳分组的聚类算法。

并行性。这些想法仍处于早期研究阶段，但量子机器学习 (QML) 领域正在快速发展，并且在未来具有广泛的应用。再次查看本播客的第 851 集，以了解更多关于此的信息。但在这里快速地使这个 QML，这个量子机器学习机会具体化，

通过一些现实世界的例子，想想优化城市交通流量。如果这是一个数据密集型挑战，需要评估无数的路线和时间安排，量子计算机可以并行处理这些可能性，

并可能在几秒钟内输出最佳交通灯模式以最大限度地减少拥堵，而经典求解器可能难以在任何合理的时间内做到这一点。同样，在医疗保健的计算机视觉中，量子计算可能会处理医学影像数据的组合式大型特征空间，以极高的精度检测异常。这些例子暗示了数据科学家如何利用量子计算作为一种强大的新工具，解决以前不可行的问题并显著加快人工智能工作负载。好的，在这里总结一下，微软的马约拉纳一号是大规模量子计算道路上的一个重要里程碑。通过展示一种构建稳定量子比特的新方法，马约拉纳一号开辟了一条替代路径，可以绕过其他量子方法带来的某些限制。

科技界对最近几周的这一发布感到兴奋。如果微软的说法成立，这可能会超越谷歌和 IBM 等量子竞赛中的当前领导者，并使我们更接近能够提供真正价值的量子计算机。不过……

我们应该保持谨慎乐观。微软最初的《自然》出版物和路线图只显示了解决方案的一部分，在百万量子比特机器真正实现之前，还有许多工程障碍需要克服。换句话说，马约拉纳一号是漫长旅程的第一步，但这确实是一个有希望的一步。

对于数据科学从业者来说，这一发展提醒他们要关注量子计算领域。它可能不会在明天彻底改变您的日常工作流程，但量子增强数据科学的时代正在临近。随着微软等公司努力开发可扩展的量子硬件，我们可以预期未来曾经不可想象的任务将变得司空见惯。无论是

发现挽救生命的药物、优化复杂系统还是训练下一代人工智能模型，马约拉纳一号及其后继产品都可能提供实现这些可能性所需的计算飞跃。这是一个令人兴奋的时代，处于数据科学的前沿。量子计算时代即将到来，这意味着比以往任何时候都更多可能性。

好的。这就是今天的节目内容。如果您喜欢它或认识可能喜欢它的人，请考虑与他们分享此节目。在您最喜欢的播客平台上留下节目的评论。在您的 LinkedIn 或 Twitter 帖子中标记我，分享您的想法。如果您还没有订阅该节目，当然要订阅。不过，最重要的是，您只需继续收听。直到下次，继续在外面摇滚吧。我期待着很快与您一起再次享受超级数据科学播客。