在一場 24 小時的量子計算實驗里，看見未來

波士頓的周日清晨，初雪未消。

根據 MIT iQuHACK 的官方日程表，此刻正值上午 9:00。對于身處坎布里奇（MIT 校園內）線下賽場的學生們來說，這不僅僅是一個早晨，而是一場長達 24 小時的腦力馬拉松的終點。

從周六上午 10:00 的啟動儀式，到通宵的開發，再到現在的代碼凍結，時間在這里被折疊了。我有幸通過網絡，以一個線上參賽者的身份，旁觀并參與了這場實驗。

很多人問我，為什么要在這個周末，去關心一場發生在地球另一端的比賽？

我想，或許是因為我們都想看看，當人類最前沿的理論物理，遇上最暴力的計算工程，會發生什么。

1

第一章

什么是“黑客松”？

“黑客松”（Hackathon）這個詞，聽起來總帶著點破壞性。大眾往往以為是一群蒙面人在攻擊銀行的防火墻。

其實不然。如果把寫代碼比作蓋房子，平時的軟件開發像是在修筑萬里長城，需要經年累月的規劃；而黑客松，或許叫它“24 小時極限筑巢大賽”更為合適吧。

主辦方給你一堆木頭（數據）、錘子（算法）和釘子（算力），要求你在一天一夜里，從無到有，搭出一個能遮風避雨的房子。

它考驗的不是你背了多少書，而是你解決問題的直覺。在 MIT iQuHACK，這個挑戰更特殊一些——我們手里的錘子，是量子計算。

2

第二章

我們在算什么？（五道關于自然的思考題）

這次比賽，我有機會翻閱了所有的“考卷”（GitHub 代碼倉庫）。拋開那些復雜的數學公式，這些賽題本質上，都是人類在向大自然提問。

我們可以把這五道題，看作五個物理寓言。

1. 尋找最低的能級（NVIDIA Challenge）

核心：QAOA 與 LABS 問題

這道題的學術名稱叫 LABS（低自相關二元序列）問題。在物理上，它對應的是一個復雜的哈密頓量系統。簡而言之，我們的工作是在一個巨大的解空間里，找到系統能量最低的那個基態。

被廣泛使用的QAOA 算法，是一種經典的“量子-經典混合”算法。它利用量子線路制備出參數化的量子態，再通過經典優化器不斷調整參數，逼近基態能量。

想象你站在一片漆黑的崇山峻嶺中，任務是找到海拔最低的山谷。

經典計算機的做法叫“爬山法”，摸黑走一步，很容易被困在一個小山溝里（局部最優）。而量子算法利用了“量子隧穿”效應。它像水流一樣，不需要看地圖，能同時探索所有路徑，直接穿過小土坡，流向真正的最低點。

▲QAOA 算法如何在起伏不定的復雜能量景觀中尋找最低點（基態）的 3D 示意圖

LABS 序列在高性能雷達和5G 通信中至關重要。序列的自相關性越低，雷達信號的旁瓣干擾就越小，看得就越準。

2. 操控微觀的排斥力（QuEra Challenge）

核心：里德堡阻塞

賽題的核心物理機制叫做 “里德堡阻塞”。當我們將一個原子激光激發到高能級的“里德堡態”時，它會產生巨大的電偶極矩，導致距離它 Rb 半徑內的其他原子能級發生移動，從而無法被激發。這種條件激發機制，正是構建量子邏輯門（如 CNOT 門）的基礎。

就像是在微觀世界吹氣球。如果你把一個原子吹大（激發它），它就會霸占周圍的空間，旁邊的原子就怎么也吹不起來了。

我們不再用電線連接邏輯門，而是像上帝一樣，用光鑷把原子擺成特定的幾何形狀，利用它們之間天然的“排斥力”來傳遞信息。

▲里德堡原子可以被捕獲在光鑷陣列中。處于里德堡激發態（紅色）的原子的存在會使附近原子（藍色）的能級發生移動，從而阻止驅動場（黃色箭頭）將它們激發到里德堡態

在算法應用層面，這類系統特別適合映射圖優化問題（如最大獨立集 MIS）。在物流調度、金融組合優化領域有巨大的潛力。

3. 驗證世界的非定域性（Alice & Bob / IQM）

核心：貓態編碼與 CHSH 不等式

Alice & Bob 賽道關注的是量子糾錯問題。他們采用“貓態編碼”，利用諧振腔中的光子數奇偶性來編碼信息。由于光子損耗屬于連續誤差過程，這種編碼方式可以在一定程度上同時承擔被動糾錯與主動糾錯功能。

IQM 賽道則更偏向量子基礎物理。參賽者需要編寫量子線路測量 CHSH 關聯函數 S。在經典定域實在論框架下，|S| ≤ 2；而在量子力學中，其理論上限為 2√2。當計算結果超過 2 時，意味著系統表現出量子非定域關聯。

如果用更直觀的方式理解，大家熟知的“薛定諤的貓”，既死又活，一碰就坍縮。但“貓態編碼”讓這只貓擁有了九條命，雖然處于疊加態，卻能自我修復錯誤。 而 CHSH 實驗則是為了證明“幽靈般的超距作用”真實存在。當我們在代碼里跑出大于 2.0 的數值時，我們實際上是在計算機上重現了諾貝爾物理學獎級別的實驗。在實際應用中，前者是制造容錯量子計算機（FTQC）的必經之路；后者則是檢驗量子計算機保真度和糾纏能力的金標準。

▲布洛赫球上的量子態演化軌跡

4. 概率幅的干涉（State Street – 金融）

核心：量子振幅估算（QAE）

這是 Grover 搜索算法的變體。在經典統計中，誤差收斂速度是 O(1/√N)；而 QAE 算法利用酉算子的特征值估計，將收斂速度提升到了 O(1/N)，實現了二次加速。

經典方法像扔飛鏢，扔一百萬次才能統計出概率。這很笨，也很慢。 量子算法利用的是波的干涉。我們設計一種程序，讓代表“錯誤答案”的概率波互相抵消（波峰遇波谷，變成平靜水面），讓代表“正確答案”的概率波互相疊加（波峰遇波峰，變成巨浪）。不需要扔一百萬次，只需要看哪里浪最高，哪里就是答案。

▲當不同量子態的概率振幅相互作用，影響某些事件發生的概率時，就會出現一種稱為量子干涉的現象。量子干涉在量子計算中被用來抵消錯誤答案，并提高正確答案的概率。

在現實中，這個問題對應著金融界最關心的 VaR (風險價值) 計算：傳統方法需要消耗巨大的算力進行蒙特卡洛模擬，而量子算法能在極短時間內，給出更精確的風險預測，這對高頻交易和風控至關重要。

5. 預測指數墻（Quantum Rings）

▲通用量子神經網絡 (QNN) 結構。

核心：指數級狀態空間

量子系統的狀態空間隨著粒子數 N 呈指數級增長（2N）。當 N=50 時，存儲這個狀態所需的內存就已經超過了當今最強的超級計算機。這就是所謂的“指數墻”。 這個賽題引入了機器學習 (ML)，通過訓練神經網絡來學習量子電路的特征（指紋），從而預測其運行結果。

好比是預測天氣。當蝴蝶扇動翅膀所帶來的變量太多，目前算力就無法承載了。 既算不動，不如讓 AI 去“猜”。看一眼電路圖，就預測它運行起來需要多久、精度如何。這其實是在側面承認人類當前算力的局限性，并試圖用另一種智慧（AI）去在墻上鑿開一條縫隙。

這也正是量子芯片設計驗證的關鍵。在造出真正的千比特量子計算機之前，我們需要先知道“它應該算成什么樣”。

3

第三章

結語——在云端仰望

比賽結束了。

透過直播的鏡頭，在那場簡短得甚至有些草率的頒獎禮上，我觀察到了一個細節。

上臺領獎的年輕人們，幾乎沒有人穿正裝。他們大多穿著標志性的連帽衛衣，背著那只從未離身的雙肩包。

那種神情，行色匆匆。

他們似乎并不認為這是一個終點，反而像是在車站等待換乘的旅客。眼神里透著一種“未完待續”的緊迫感——仿佛下一秒，他們就要背著包沖出禮堂。

去哪里？也許是回宿舍補那缺失的睡眠，也許是趕去波士頓的下一堂課，又或許，是他們腦子里的那行代碼還沒跑完，急著奔赴下一個未知的計算。

直播信號掐斷了，屏幕黑了下去。持續 24h 對于量子的極限探索之旅結束了，在現實里，我也該去補覺了。