
巴黎的一项最新实验首次证明,与传统通信相比,量子通信确实有显著优势。
索邦大学电气工程师Eleni Diamanti、其研究合作者Iordanis Kerenidis以及Niraj Kumar共同指出,“我们率先进行了量子通信实验,结果显示,发送与接收双方必须以共享方式方可完成通信——而这也正是量子通信的优势所在。”
一边,人们普遍认为量子计算机(即利用物质的量子特性进行信息编码)有望彻底改变人类的计算方式,但研究进展相当缓慢。之所以如此,原因之一是科学家们还没有证明出量子计算机是否真比经典计算机更快。举例来说,去年夏季一位来自德克萨斯州的少年就证明,某个长期以来只能在量子计算机上解决的问题,实际上也可以在经典计算机上快速完成。
另一边,而在通信领域(而非计算领域)当中,量子技术却有着相当明确的比较优势。早在十多年前,计算机科学家们就已经证明,至少在理论层面,量子通信在立足某些任务进行信息发送时,确实优于传统通信方式。
Kerenidis解释称,“大多数人都在研究计算任务。但相比之下,通信任务其实更有价值,因为其优势可以得到证明。”
2004年,Kerenidis和另外两位计算机科学家勾勒出一个实验场景:一个人向另一个人发信息,以便后者能够回答某个特定问题。研究人员证明,量子装置能够在达成这一目的的同时,传输少于传统系统的实际信息量。但他们想象出的这种量子通信只存在于理论层面——当时的技术还远无法实现Kerenidis解释,“我们虽然能证明这种量子优势,但也发现量子通信协议极难实现。”
图从上至下:索邦大学电气工程师Eleni Diamanti,巴黎狄德罗大学IRIF算法与复杂性小组CNRS高级研究员Iordanis Kerenidis和索邦大学量子信息与密码学博士生Niraj Kumar
在后续工作当中,Kerenidis及其同事对原本的设想场景做出了修改。实验涉及两个用户,分别为Alice与Bob。Alice拥有一组标有编号的球,每个球随机为红色或蓝色。Bob需要知道自己随机选定的某一对特定球颜色是否相同。Alice希望尽可能少地向Bob传递信息,但同时又确保Bob能够据此得到正确答案。
这个问题被称为“抽样匹配问题(sampling matching problem)”,其在密码学以及加密货币领域拥有重要意义,因为用户经常希望交换信息但又无需公开自己的一切信息。此外,这个问题也适合被用于证明量子通信的优势。
加利福尼亚大学计算机科学家Thomas Vidick指出,“我们不可能简单把发送内容设定为一部电影或者其它GB级别的大文件,然后轻松将其编码为量子状态”并指望发挥量子通信优势。相反,“大家必须关注那些更有技术含量的任务。”
为了解决这类经典匹配问题,Alice必须向Bob发送与球数的平方根成比例的信息量。而量子信息自身的一些反传统特性,使得更多更高效的解决方案成为可能。
图:量子通信能够以少于经典通信方式的传输量发送特定类型的信息
在新的量子通信实验场景设置当中,Alice与Bob通过激光脉冲进行通信。每次脉冲代表一个球。脉冲通过分束器,分束器将每个脉冲的一半发送给Alice,并将另一半发送给Bob。当一次脉冲经过Alice处时,她可以对所谓激光脉冲相位进行转换,以对每个球的信息进行编码——即其为红色或者蓝色。
与此同时,Bob将自己想要了解的一对目标球的信息编码到自己这一半激光脉冲之内。接下来,脉冲将汇聚在另一个分束器内,并在这里相互干扰。两组脉冲相互干扰的具体方式,反映出每次脉冲相位移动方式上的差异。Bob可以读取到附近光子探测器检测到的干扰模式。
在Bob“读取”到Alice激光消息的那一刻之前,Alice的量子信息能够回答关于任何小球对的所有问题。然而,在这一量子信息读取活动当中,信息本身将会崩溃,最终坍缩为仅一对球的信息。
量子信息的这种特性——即能够以多种角度读取,但读取方最终只能选择其中一种角度所对应的结果——极大减少了解决抽样匹配问题时需要传输的信息量。如果Alice在使用经典bit时需要向Bob发送100 bit数据才能回答问题,那么如今,Alice只需要向Bob发送10量子位或者说10 qubit即可实现同样的目标。
科罗拉多州博尔德实验天体物理联合研究所物理学家、从事量子技术研究的Graeme Smith指出,“如果你打算建立一套真正的量子网络,这就是最实际的原理性证明。”
这项新实验证明,量子通信技术确实拥有优于传统方法的优势。研究人员在实验中确切了解到需要多少信息才能以传统方式解决问题;接下来,他们严谨地证明,量子传输手段可以更简单的解决问题。Smith指出,“这篇论文的意义在于,研究人员首先证明以传统方式解决问题的困难性,而后进一步证明以量子技术解决这一难题的简单性。”
这项研究结果还给计算机科学长期面临的困境提供了一条潜在出路,即如何证明量子计算机胜过经典计算机。这种量子“至上”的结论在纯计算领域很难证明,但在实际工作中,很多重要的问题并不仅仅涉及计算。
Kerenidis表示,“将我们能够实现的计算与通信能力结合起来,这种合并能够更轻松地证明量子技术的优势所在。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。