我们越来越清楚的是，量子计算机不会有明显优于经典硬件时的那一刻。我们应该会先看到它们对一些狭窄的问题有用，然后会逐渐扩展到越来越多的计算范围。所以问题显然变成了量子优势首先出现在哪里的问题。

量子计算初创公司Rigetti最近发布了一份白皮书，它里面确定了一些量子计算硬件应该能提供哪些优势。量子计算实际上很有用，它能替换用于分析天气数据的神经网络。

Rigetti研究的问题涉及通过获取部分天气数据并推断其余数据的情形。地球上还有许多地区缺乏良好的天气雷达覆盖，因此只能获得与当地有关的部分信息。如果有商用飞机之类的东西经过上述偏远地区，我们通常会想通过它们来更全面地了解那里的情况。

为了解决这个问题，科学家在拥有更完整天气数据的地区训练了神经网络。一旦经过训练，系统就可以接收部分数据并推断其余部分可能是什么。例如，经过训练的系统可以使用卫星云图像和雷击数据等内容创建可能的天气雷达图。这正是神经网络擅长的事情：识别模式和推断相关性。

引起Rigetti团队注意的是，神经网络可以很好地映射到量子处理器上。在典型的神经网络中，一层“神经元”在将其结果转发到下一层之前执行操作。这种网络通过改变不同层单元之间的连接强度来“学习”。在量子处理器上，每个量子比特都可以执行等效的操作。量子比特之间能共享连接，还可以调整连接的强度。因此，可以在量子处理器上实现和训练神经网络。

谷歌的研究人员已经制定了一个指标，可以用来比较在经典硬件和量子硬件上实现的人工智能。Rigetti也已经构建了一个32-qubit的量子处理器，因此它也有能力进行这种比较。基于这种标，至少在某些用例情况下量子系统的性能应该优于经典系统。

然而，这些用例情况究竟是什么，我们仍不清楚。因此，研究人员尝试了多种将量子处理器用来作为混合量子经典系统的一部分的方法。他们发现该系统在不同的天气数据方面或多或少是成功的。例如，当使用量子处理器重建闪电数据时，他们发现它在低海拔地区会做得更好，但通常情况下与经典神经网络相当。

在一项单独的测试中，他们简单地用量子比特替换了神经网络。对于闪电数据，量子版本优于经典版本。然而，当它根据卫星数据进行测试时，情况发生了变化，经典系统要更准确。

需要强调的是，与运行此类天气分析的现有方法相比，量子系统在任何时候都没有表现出实际的量子优势。此处的重要发现表明，还可以实现更好的性能。

他们用量子硬件执行部分分析并获得不错结果的能力表明，将量子方法集成到此类分析中也没有任何障碍。虽然这不是那种容易引起注意的突破，但要让量子计算发挥其潜力，需要付出更多艰苦的努力。（编译:Qtech）