Google Quantum Echoes: первый верифицируемый квантовый прорыв с реальными применениями

Квантовый эхо-эффект

22 октября 2025 года Google Quantum AI опубликовала в журнале Nature результаты эксперимента, который команда называет первым случаем верифицируемого квантового преимущества (verifiable quantum advantage) в истории вычислительной техники. Алгоритм Quantum Echoes, запущенный на 65-кубитном сверхпроводящем процессоре Willow, измерил квантовый интерференционный эффект — out-of-time-order correlator второго порядка (OTOC(2) — метрика распространения возмущений в квантовых системах) — за 2,1 часа. Для сравнения: классический суперкомпьютер Frontier потребовал бы 3,2 года для выполнения той же задачи.

Это не просто демонстрация вычислительной мощности. Впервые квантовый компьютер производит физически значимый результат, который может быть воспроизведён на другом квантовом устройстве сопоставимого уровня или верифицирован через сравнение с реальным экспериментом — например, измерением ядерно-магнитного резонанса (ЯМР) в лабораторных условиях.

Как работает алгоритм

Quantum Echoes использует технику временной инверсии (time-reversal protocol), позволяющую «перемотать» квантовую эволюцию системы назад во времени. Алгоритм состоит из четырёх этапов:

1. Прямая эволюция: система из 65 кубитов эволюционирует вперёд во времени через последовательность случайных одно- и двухкубитных квантовых операций (вентилей).
2. Возмущение: один кубит подвергается малому возмущению — так называемому «эффекту бабочки» (butterfly perturbation), который запускает распространение информации по системе.
3. Обратная эволюция: система эволюционирует назад во времени, повторяя те же операции в обратном порядке.
4. Измерение интерференции: конструктивная интерференция между прямыми и обратными квантовыми траекториями создаёт «эхо» — усиленный сигнал, который можно измерить на удалённых кубитах.

Этот интерференционный эффект раскрывает информацию о том, как возмущение распространяется через квантовую систему — процесс, известный как квантовая scrambling (перемешивание квантовой информации в запутанных состояниях). Классические компьютеры не могут эффективно моделировать этот процесс, поскольку число параметров растёт экспоненциально с увеличением числа кубитов.

Масштаб вычислений

Команда Google сравнила результаты с классическими методами симуляции: tensor-network contraction (метод сжатия тензорных сетей для моделирования квантовых систем) и алгоритмами Монте-Карло. Для задач на 40 кубитах классические графические процессоры справлялись за несколько дней. Однако для конфигурации на 65 кубитов все известные классические методы оказались неэффективны.

По оценкам исследователей, для воспроизведения полного набора данных Quantum Echoes на суперкомпьютере Frontier (с более чем 9000 графических процессоров) потребовалось бы 3,2 года непрерывной работы. Квантовый процессор Willow справился за 2,1 часа, включая калибровку и считывание результатов.

Практическое применение

Молекулярная геометрия через ЯМР-спектроскопию

В отдельном proof-of-principle эксперименте (демонстрация концепции), проведённом совместно с Калифорнийским университетом в Беркли, команда применила Quantum Echoes для анализа структуры двух молекул — одной с 15 атомами, другой с 28 атомами. Результаты квантового компьютера совпали с данными традиционной ЯМР-спектроскопии, но при этом алгоритм выявил информацию, которая обычно недоступна стандартным методам.

Том О'Брайен (Tom O'Brien), ведущий научный сотрудник Google Quantum AI, описал метод как «расширенную молекулярную линейку» (longer molecular ruler): квантовый компьютер может «видеть» взаимодействия между парами атомных ядер, разделёнными большим расстоянием. В традиционной ЯМР-спектроскопии чувствительность резко падает с увеличением дистанции между атомами.

Hamiltonian Learning: обучение квантовых параметров

Во второй части исследования команда продемонстрировала метод Hamiltonian learning — извлечения неизвестных параметров, управляющих эволюцией квантовой системы. Варьируя один фазовый параметр в модельной системе, исследователи показали, что экспериментальные данные OTOC(2) могут точно определить его значение через простую оптимизацию.

Это открывает возможность использовать квантовые процессоры как диагностические инструменты для реальных физических систем: сравнивая экспериментальные данные с квантовыми симуляциями, можно извлекать параметры гамильтониана — характеристики, которые остаются недоступны для традиционной спектроскопии или классических вычислений.

Стратегические выводы для бизнеса

От демонстрации к применению

Hartmut Neven, вице-президент инженерной службы Google и руководитель Google Quantum AI, назвал Quantum Echoes «исполнением мечты Ричарда Фейнмана» — физика-теоретика, который в 1981 году предложил концепцию квантовых компьютеров для моделирования природы. Алгоритм не просто вычисляет абстрактные математические объекты, но производит предсказания, которые можно проверить двумя способами:

1. Повторить вычисление на другом квантовом компьютере аналогичной мощности.
2. Провести реальный физический эксперимент (например, измерение ЯМР) и сравнить результаты.

Это критически важно для перехода от исследовательских демонстраций к практическому квантовому преимуществу.

Дорожная карта Google: два параллельных трека

Google Quantum AI движется по шестиэтапной дорожной карте с двумя параллельными треками:

• Аппаратный трек (Hardware track): построение логически надёжных кубитов и масштабирование систем. Пройдены два первых milestone: квантовое превосходство (2019) и подавление квантовых ошибок (Willow, декабрь 2024).
• Программный трек (Software track): разработка алгоритмов с измеримым преимуществом в реальных задачах. Quantum Echoes — первый программный milestone.

По прогнозу Neven, в течение следующих пяти лет появятся реальные приложения, доступные только на квантовых компьютерах: квантово-усиленный сенсинг (quantum-enhanced sensing), гибридные симуляции и алгоритмы, дающие уникальные инсайты, недоступные классическим машинам.

Ограничения и реалистичные ожидания

Команда Google подчёркивает: это не универсальное квантовое преимущество. Ускорение 13 000× применимо конкретно к этому классу задач (измерение интерференционных эффектов OTOC) и основано на предположении о классической симуляции через tensor-network contraction на текущей архитектуре Frontier.

Классические алгоритмы продолжают совершенствоваться, и альтернативные стратегии симуляции могут сократить разрыв для определённых задач. Кроме того, эксперимент требовал тщательной оптимизации схем и обширных техник подавления ошибок. Медианная ошибка двухкубитных вентилей составила 0,15%, общая точность системы — 0,001 при 40 циклах схемы. Это впечатляет по современным стандартам, но всё ещё далеко от порогов, необходимых для fault-tolerant вычислений (отказоустойчивых квантовых систем).

Что дальше

Квантово-классическая гонка

Арам Харроу (Aram Harrow), специалист по квантовой физике из MIT, который не участвовал в исследовании, отметил: «Довольно убедительно, что для симуляции этого классическим путём потребуется огромное количество вычислительных ресурсов и алгоритмические прорывы, которых пока нет. Но не исключено, что они появятся».

Эффективно верифицируемое квантовое преимущество — один из главных вызовов последних лет. Quantum Echoes — достойный кандидат на решение этой проблемы.— Скотт Ааронсон, специалист по компьютерным наукам, Техасский университет в Остине

Однако Ааронсон также отметил: ещё лучше был бы алгоритм, который можно верифицировать классическим компьютером, а не другим квантовым устройством. Например, алгоритм Шора (Shor's algorithm) для факторизации больших чисел легко проверить: достаточно перемножить два простых числа и убедиться, что результат совпадает с исходным.

Следующие этапы

Будущая работа команды сосредоточится на:

• Применении эхо-протоколов для исследования фазовых переходов, критичности и термализации в квантовых системах.
• Измерении коррелляторов более высокого порядка (OTOC(3), OTOC(4)), которые могут раскрыть ещё более богатые интерференционные эффекты.
• Применении Hamiltonian learning к твердотельным ЯМР-системам, где спиновые связи могут быть частично обращены — потенциальный мост между экспериментами на квантовом оборудовании и реальными лабораторными материалами.
• Достижении Milestone 3 на аппаратной дорожной карте: создании долгоживущего логического кубита (long-lived logical qubit).

Изучить подробнее

Материал подготовлен на основе официальной публикации Google Quantum AI в журнале Nature (22 октября 2025), пресс-релизов Google Research Blog (21 октября 2025), аналитических материалов The Quantum Insider, Science News, Reuters. Данные актуальны на 22 октября 2025 года.