

专题丨光量子计算研究与应用

信息通信技术与政策

2022-08-26

导读：王新文，金贤敏

作者简介

王新文

上海图灵智算量子科技有限公司生态工程师，主要从事量子计算产业化工作。

金贤敏

上海图灵智算量子科技有限公司创始人兼CEO，上海交通大学长聘教授，长江学者，主要从事光量子计算领域研究和量子计算产业化等工作。

论文引用格式：

王新文, 金贤敏. 光量子计算研究与应用[J]. 信息通信技术与政策, 2022,48(7):37-43.

光量子计算研究与应用

王新文¹ 金贤敏^1,2

（1.上海图灵智算量子科技有限公司，上海 200240；2.上海交通大学集成量子信息技术研究中心、区域光纤通信网与新型光通信系统国家重点实验室，上海 200240）

摘要：分析了光量子计算带来的产业变革大背景，结合国内外相关政策及公司发展实例论述了光量子计算的优势，指明了光量子计算技术的发展是解决后摩尔时代算力不足的关键，并列举了目前量子计算在不同行业的应用。

关键词：光量子计算；量子人工智能；光量子芯片；量子计算应用

中图分类号：F49；F424；Q413 文献标志码：A

引用格式：王新文, 金贤敏. 光量子计算研究与应用[J]. 信息通信技术与政策, 2022,48(7):37-43.

DOI：10.12267/j.issn.2096-5931.2022.07.006

0 引言

在推动光量子计算创新应用时，需深刻理解各行业痛点，考虑如何利用量子优势解决各类问题。同时，要把国家的战略布局和企业的现实需求有机结合，利用光量子计算赋能百业。因此，有必要理解光量子计算的本质内涵、把握光量子计算的基本逻辑、找到光量子计算发展的现实路径。

1 光量子计算的背景

量子计算是一个结合了物理学、计算机科学、数学和工程学技术的跨学科领域^[1]。与传统计算机相比，量子计算具有超高算力、并行计算、可逆计算等特点。目前，由于对量子技术规模化和商业化的渴望，相关研究工作已经部分地转移到了工业界^[2]，可应用在人工智能、电信网络、航空航天、金融交易、生物医药等领域。早期的量子计算机正在向公众开放，例如通过云端访问量子硬件。量子计算的许多应用，如因式分解^[3-4]和哈密顿模拟^[5-6]需要大规模的容错量子计算机。量子计算算法和应用不断拓展，有可能率先在量子化学、组合优化、人工智能等方面获得突破。现有的量子计算机的规模、连接性和电路深度都较为有限^[7]。目前它们是次通用的，为执行特定的任务而定制^[8-12]。光量子计算属于量子计算路径的一种，将量子信息编码在光子上，进行操控和测量实现计算（见图1）。

图1 在单光子上编码和操控量子比特

量子计算市场空间潜力巨大，2021年更是量子计算备受瞩目的一年，被业界称为“光量子计算元年”，多个大额单笔融资均投给了光量子路线。知名前沿科技咨询公司光子盒研究院发布的报告显示，2021年量子科技公司完成融资共计49 笔，全年融资总额近32 亿美元，这一数字是2020年的3 倍多，其中，量子计算公司包揽了42 笔，融资总额26.91 亿美元^[13]。据国际数据公司（IDC）预计，全球量子计算市场将从2020年的4.12 亿美元增长至2027年的86 亿美元，年复合增长率高达50.9%^[14]。

近十年来，随着摩尔定律濒临极限，全球多个国家和地区围绕光子产业发展纷纷开展了系统的部署和行动。2022年4月，美国政府拨款数千万美元支持芯片代工厂格芯开发光量子计算机。

与此同时，荷兰集成光子学生态联盟PhotonDelta宣布获得11 亿欧元（约合76 亿元人民币）用于投资开展为期6年的光子集成电路项目，旨在召集200 家初创公司扩大生产规模、进一步开发基础设施建设，加速光子芯片技术创新，以保持荷兰在下一代半导体技术领域的领先地位。来自荷兰经济事务和气候政策部及其他组织的资金将通过推动光子芯片技术产业化，解决诸如可持续性等社会挑战，创造一个新的欧洲产业，并为包括量子计算在内的大量新应用打开大门。该投资主要来自荷兰国家增长基金（Nationaal Groeifonds）及其他合作伙伴和利益相关者。其远期目标是到2030年，建立一个拥有数百家公司并具备年产量超10 万片的芯片生产能力的生态联盟共同为全球客户提供服务^[15]。

2021年7月，上海市人民政府办公厅印发《上海市战略性新兴产业和先导产业发展“十四五”规划》^[16]，明确把光子芯片与器件列为面向未来的先导产业之首，提出要重点突破硅光子、光通信器件、光子芯片等新一代光子器件的研发与应用，在光子器件模块化技术、基于互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）的硅光子工艺、光通信技术、光互联技术、芯片集成化技术、光电集成模块封装技术等方面的研究开展重点攻关。未来五年，上海将力争实现新一代光子器件在数据中心、超级计算机、汽车自动驾驶、家用机器人、电信设备以及国防装备等领域产业链的颠覆性革新^[16]。

2 光量子计算技术优势

目前可用的量子计算机可在多种物理平台上实现：超导量子比特^[17]、离子阱^[18]、光量子^[19]、量子退火器^[20]、半导体量子比特^[21]和里德堡原子^[22]都被作为建立量子计算机的范例而被追求。这些方法中有几个已经被研究了几十年，而其他的则是最近才被发现的。

光量子计算技术是将量子比特信息编码在单个光子上，通过对光子进行量子操控及测量来完成计算。与超导、离子阱、半导体等技术路线相比，光子与外部环境的相互作用极其微弱，无需真空和低温；信息存储量大、热量散发少、能耗相对较小；兼容量子通信。光量子计算是没有相对劣势的技术路线。

近期光学领域中光学神经网络和光子神经形态计算的发展受到越来越多的关注^[23-24]。神经网络是一个由节点和链接组成的高度互联的网络，其中信息通过网络分布，与信息在大脑中分布和处理高度相似。神经网络可以采取从经典计算机上使用软件实现的数字神经网络，和到在专用硬件上实现的模拟神经网络，也称为神经形态计算系统。

光学和光子学非常适合神经网络的模拟，因为光具有在大量光学节点之间形成自由空间互连的优越能力。深度机器学习在过去5年中得以迅速发展，随后神经网络的光学也有了大幅度的发展。特别是，现在可以使用传统的深度机器学习来设计用于固定任务的模拟光学神经网络的互连，如图像识别^[25]。其核心优势在于计算速度和能耗。

在神经计算中，大约90%的时间和能耗用于矩阵乘法运算。驱动经典计算机的深度学习算法需要使用嵌套循环进行乘法运算。光学技术非常适合于以完全并行的方式进行矩阵乘法。此外，使用光学的硬件以光速运行，延迟只受到光学系统的飞行时间的限制。如果光学系统是1 m，那么完整计算的时间只有几纳秒，几乎没有能量耗散，结合光的自然平行性和速度已经产生了前所未有的计算速度。例如，最近验证的光学矢量卷积加速器运算速度已经超过10 万亿次运算每秒（Tera Operation Per Second，TOPS）^[26]。

3 玻色采样与光量子霸权

量子计算在操纵和测量简单的量子系统方面取得了稳步的进展，但量子计算的理论前景与实验室中的结果之间存在差距。2011年，Scott Aaronson和Alex Arkhipov在一项研究中报告了易于测试的计算模型的重要进展，这项研究的内在计算能力来自于不可区分的、非相互作用的玻色子的量子干涉^[27]。所提出的具体问题称为玻色采样。这个问题吸引人的原因在于其相对直接的实施线性光学元件，如分束器和移相器。

此研究将难以区分的单个光子注入到单模波导的线性光学网络中。由于光子通过网络时的量子干涉，光子呈现出复杂的纠缠效应，最后用单光子探测器测量光子的位置。这与经典高尔顿棋盘相似（见图2），其中的球随机落入一系列的钉板。然而，尽管这些可区分的经典球沿着熟悉的、不同的路径向下移动，从它们遇到的每个钉子向左或向右滚动，但在某种意义上，光子在它们的网络中共同采用所有可能的路径。

图2 经典高尔顿板和玻色采样

2012年，牛津、布里斯班、维也纳和罗马的4个小组进行了实验^[28-31]，并在同一周内公布了实验结果。使用光子进行玻色采样，可以在室温下操作，而且抗退相干性强。2012年年底，其中两个小组在《科学》杂志上报道了玻色采样实验^[28-29]。

高斯玻色子采样（Gaussian Boson Sampling，GBS）^[32-33]作为一种新的范式出现，作为玻色采样问题的一种，不仅可以为大规模的实现提供一种高效的方法，而且在基于图的问题^[34]和量子化学^[35]中提供潜在的应用。GBS不使用单光子，而是充分利用参数下转换源的高斯性质，并利用单模挤压态作为输入的非经典光源。

2020年，中国科学技术大学潘建伟团队构建了76 个光子100模式的量子计算原型机“九章”^[36]，量子态空间达到了10³⁰，相比之下，谷歌“悬铃木”的量子态空间约为10¹⁶。九章实现了GBS任务的快速求解，九章在200 s内完成了当时世界最强超算“富岳”6 亿年才能完成的任务，快10¹⁴倍。2021年，潘建伟团队又构建了113 个光子144 模式的量子计算原型机“九章二号”^[37]，产生的希尔伯特空间维度高达10⁴³，求解高斯玻色采样问题比经典超算快10²⁴。

2022年，加拿大Xanadu团队与美国国家标准与技术研究所合作研发可编程光量子芯片Borealis^[38]，并证明了量子计算的优越性。使用具有三维连接性的216压缩态量子比特执行GBS，日本最快超算富岳产生一个样本需要9 000 多年，而Borealis只需要36 μs。这项工作同样是通往实用量子计算机道路上的重要里程碑。

4 光量子计算全球主要参与者

目前在全球范围内已形成重要影响力，且备受资本青睐的3 家光量子初创公司分别是美国的PsiQ、加拿大的Xanadu和中国的首家光量子计算公司图灵量子（TuringQ）。来自美国的PsiQ创立于2016年，致力于整个量子计算堆栈的研究，从光子和电子芯片到封装和控制电子、低温系统、量子架构和容错，再到量子应用。2021年，PsiQ融资4.5 亿美元，包含微软的风险投资部门M12的投资，总融资额为6.65 亿美元，估值为30 亿美元。作为全球量子计算领域融资最高的创业公司，PsiQ与世界第三大芯片制造商格芯（Global Foundries）宣布合作共同打造世界首台100 万量子比特的量子计算机，而此前双方已开始制造该量子计算机所需的硅光子和电子芯片。

来自加拿大的Xanadu在2021年宣布B轮融资1 亿美元，2022年又获得1 亿美元融资，累计融资总额达到2.45 亿美元。这些光量子计算公司的大额融资，足见市场对于光量子计算的信心，同时也意味着光量子计算的竞争正在加剧。如在PsiQ宣布将于2025年实现100 万量子比特后，Xanadu也表示将在2026年实现100 万量子比特。

国内首家光量子计算公司图灵量子成立于2021年2月，经过不到一年即完成3轮大额融资，累计融资额超过5 亿元人民币，前两轮均为国内量子计算领域最大的早期融资。目前，图灵量子已启动国内第一条光子芯片中试线建设，两年内有望建成专注于新一代信息技术需求的光子芯片前沿研究和产业化支撑平台，其技术团队已具备从设计、流片、封测，到系统集成和算法应用的全链条研发能力。

5 光量子计算芯片

量子芯片是量子计算机的核心部分，作为执行计算和信息处理的硬件装置。光量子计算的芯片化已成为必然趋势。光量子芯片采用传统的微纳加工工艺在单个芯片上集成大量的光量子器件来实现量子计算过程，具有高集成度、超高速度、超强并行性、超高带宽、超低延迟、超低损耗等优势。而实现通用量子计算机有3个前提，即100 万量子比特的操纵能力、低环境要求、高集成度，光量子路径是都能够满足这些条件的技术体系，是通向大规模通用量子计算的可行路径。全球各大光量子计算公司纷纷与芯片制造商合作或自建芯片中试线。

PsiQ已经与全球领先的半导体制造商GlobalFoundries合作，共同研发基于硅光子集成的Q1量子系统。PsiQ将单光子源和单光子探测技术纳入GlobalFoundries位于德国德累斯顿的最先进的300 mm晶圆产线的工艺流程，使量子硬件的生产具备规模化和可扩展的特性。

位于加拿大的光量子计算公司Xanadu与GlobalFoundries和世界领先的纳米电子和数字技术研究创新中心Imec都有合作。2021年8月，Xanadu与Imec合作开发基于超低损耗氮化硅（SiN）波导的下一代量子比特。2022年3月，Xanadu与GlobalFoundries合作，使用其Fotonix平台设计集成光子器件，并制造300 mm硅光子器件以实现量子纠错。

2021年11月，无锡市滨湖区、蠡园开发区与上海交通大学共同成立了无锡光子芯片联合研究中心。在光子芯片驱动新一代信息技术变革的大背景下，集光子芯片前沿应用研究和产业化于一体的我国首个光子芯片中试线应运而生。上海交通大学教授、长江学者、图灵量子的创始人兼CEO金贤敏担任该联合研究中心主任。

无锡光子芯片联合研究中心光子芯片中试线平台一期投资4 亿元人民币，建设以铌酸锂薄膜（LNOI）及三维光子芯片工艺研发和迭代为核心，融入传统CMOS工艺，可研发出能够快速迭代的高端光子芯片工艺技术，预计不久后可实现批量化生产（见图3）。

图3 超快可编程光量子芯片

虽然我国相较欧美国家进入光量子计算领域较晚，但通过近几年在技术上的快速追赶，已逐步实现关键核心技术的自主可控，并开始努力解决芯片“卡脖子”难题。

6 光量子计算的产业与应用

量子计算的发展最终将落实到各行业的具体应用当中，对于产业界而言，重要的是将量子计算应用与自身业务相结合。量子计算有望在不远的将来，在某些特定领域找到杀手级应用，并逐步向通用量子计算过渡。据波士顿咨询和麦肯锡的研究，预计在未来几年，全球能源和材料、金融以及药品和医疗产品的先驱可能会开始从量子计算产品中产生巨大价值。鉴于解决最复杂的医学问题需要模拟深度复杂的分子，药物的巨大回报可能要到下一个十年才会到来。生物医药、化学模拟、能源、天气预报、金融科技、运输物流、人工智能、大数据以及数据安全等众多行业将有潜力从量子计算中创造重大价值。

2022年4月，PsiQ宣布了与梅赛德斯-奔驰研发部门的共同研究^[39]，锂离子电池（LiB）中的电解质分子如何可以在容错量子计算机上进行模拟，从而使汽车制造商在下一代电池设计中寻求突破。此研究系统地阐述了容错量子计算如何加速电池设计，包括锂离子电池，这是当今电动汽车电池设计中最普遍的技术。锂离子电池在充放电过程中通过电解质材料将电荷从一个电极移动到另一个电极而起作用。新的改进的电解质将对电池性能的各个方面产生重大影响，包括能量密度（效率）、充电速度、电池寿命、范围、成本和安全性。开发新的锂离子电池目前需要大量的试验和错误。原则上，这种缓慢而昂贵的研发过程可以通过计算机模拟和验证新的化学物质而得到显著加速，这在空气动力学、机械设计和其他应用中已经成为常规。然而，经典超级计算机很难模拟这些分子的重要量子行为和反应。量子计算机有望克服这一限制。

2022年5月，Xanadu团队开发了一种有望在容错量子计算机上模拟锂离子电池的方法^[40]，以提供对更好性能的洞察。这些模拟有能力改善材料性能，为在量子水平上进行工业模拟奠定了基础。

图灵量子具备国际领先的光量子芯片集成全栈核心技术，于2021年发布了国内首个全系统集成的商用科研级专用光量子计算机——TuringQ Gen 1（见图4），包括量子光源、光量子信息处理芯片、探测系统、专用光量子计算软件、光量子芯片EDA软件云接入、光量子计算操作系统（TuringQ OS）及量子云平台。

图4 国内首个全系统集成的商用科研级专用光量子计算机—TuringQ Gen 1

2021年图灵量子提出DeepQuantum量子-经典混合算法架构，使得量子-经典混合的神经网络在应用实现上有巨大潜力，结合底层的CPU、GPU以及光子芯片和光量子芯片的异构架构的支撑有望实现更高的运行效率和更低的能耗。

图灵量子将量子计算和人工智能技术相结合，先后发布四大量子AI制药模块与两大量子金融应用模块。图灵量子在AI制药领域实现重大技术突破^[41]，推出一系列量子AI应用模块，其中基因组学（QuOmics）、药物分子结构设计（QuChen）、药物虚拟筛选（QuDocking）、化学分子逆合成（QuSynthesis）四大模块已实现不同程度的量子算法增强，另有蛋白结构预测（QuProtein）和分子动力学模拟（QuDynamics）的功能模块正在开发中。图灵量子在金融科技领域推出量子计算应用模块产品和商用服务系列——图灵金科，其中信用卡欺诈预判（QuFraudDetection）和投资组合优化（QuPortfolio）两大模块均已实现一定程度的量子算法增强。

7 结束语

量子计算是一项对传统计算体系产生冲击、进行重构的重大颠覆性技术创新，是关系到国家战略的关键性技术，也是各国必争之地。量子计算与传统产业的融合，不仅可提高产业发展的效率，而且可实现产业的升级换代，形成新业态，构建新型创新生态圈，催生新的经济增长点。我国应当把握大趋势，下好先手棋，在新一轮的国际量子竞赛中赢得先机。

参考文献

[1] LADD T, JELEZKO F, LAFLAMME R, et al. Quantum computers[J]. Nature, 2010,464(7285):45-53.

[2] MOHSENI M, READ P, NEVEN H, et al. Commercialize quantum technologies in five years[J]. Nature, 2017,543(7644):171-174.

[3] SHOR P W. Algorithms for quantum computation: discrete logarithms and factoring[C]. Proc. 35th Annual Symp. on Foundations of Computer Science. IEEE Comput. Soc. Press, 1994:124-134.

[4] GIDNEY C, EKERÅ M. How to factor 2048 bit RSA integers in 8 hours using 20 million noisy qubits[J]. Quantum, 2021,5:433.

[5] LLOYD S. Universal quantum simulators[J]. Science, 1996,273(5278):1073-1078.

[6] BERRY D W, CHILDS A M, KOTHARI R. Hamiltonian simulation with nearly optimal dependence on all parameters [C]. IEEE 56th Annual Symposium on Foundations of Computer Science, 2015.

[7] PRESKILL J. Quantum computing in the NISQ era and beyond[J]. Quantum, 2018,2:79.

[8] KADOWAKI T, NISHIMORI H. Quantum annealing in the transverse Ising model[J]. Physical Review E, 1998,58(5):5355-5363.

[9] JOHNSON M, AMIN M, GILDERT S, et al. Quantum annealing with manufactured spins[J]. Nature, 2011,473(7346):194-198.

[10] WANG H, HE Y, LI YH, et al. High-efficiency multiphoton boson sampling[J]. Nature Photon, 2017,11:361-365.

[11] GEORGESCU I M, ASHHAB S, NORI F. Quantum simulation[J]. Reviews of Modern Physics, 2014,86(1):153-185.

[12] BERNIEN H, SCHWARTZ S, KEESLING A, et al. Probing many-body dynamics on a 51-atom quantum simulator[J]. Nature,2017,551(7682):579-584.

[13] 光子盒研究院. 光子盒年度系列|量子科技公司全年融资32 亿美元[EB/OL]. (2021-12-31)[2022-06-28]. https://mp.weixin.qq.com/s/yLH3ni0LAVUSE5ATVYnOog.

[14] IDC. IDC forecasts worldwide quantum computing market to grow to $ 8.6 billion in 2027[EB/OL].(2021-11-29)[2022-06-28]. https://www.idc.com/getdoc.jsp?containerId=prUS48414121.

[15] PhotonDelta. PhotonDelta lands 1.1 billion to usher in a new generation of semiconductor technology [EB/OL]. (2022-04-14)[2022-06-28]. https://www.photondelta.com/news/photondelta-lands-1-1-billion-tousher-in-a-new-generation-of-semiconductor-technology/.

[16] 上海市人民政府办公厅. 上海市战略性新兴产业和先导产业发展“十四五”规划[Z], 2021.

[17] DEVORET M H, SCHOELKOPF R J. Superconducting circuits for quantum information: an outlook[J]. Science, 2013,339(6124):1169-1174.

[18] HÄFFNER H, ROOS C F, BLATT R, et al. Quantum computing with trapped ions[J]. Physics Reports, 2008,469(4):155-203.

[19] O'BRIEN J L, FURUSAWA A, VU CˇKOVIC'J.Photonic quantum technologies[J]. Nature, 2009,3(12):687-695.

[20] DAS A, CHAKRABARTI B K. Colloquium: quantum annealing and analog quantum computation[J]. Reviews of Modern Physics, 2008,80(3):1061-1081.

[21] KLOEFFEL C, LOSS D. Prospects for spin-based quantum computing in quantum dots[J]. Annual Review of Condensed Matter Physics, 2013,4(1):51-81.

[22] ADAMS C S, PRITCHARD J D, SHAFFER J P. Rydberg atom quantum technologies[J]. J.Phys.B:At.Mol.Opt.Phys., 2019,53:012002.

[23] HUANG C, SORGER V J, MISCUGLIO M, et al. Prospects and applications of photonic neural networks[J]. Advances in Physics:X, 2022,7(1):1981155.

[24] WETZSTEIN G, OZCAN A, GIGAN S, et al. Inference in artificial intelligence with deep optics and photonics[J]. Nature, 2020,588(7836):39-47.

[25] LIN X, RIVENSON Y, YARDIMCI N T, et al. Alloptical machine learning using diffractive deep neural networks[J]. Science, 2018,361(6406):1004-1008.

[26] XU X, TAN M, CORCORAN B, et al. 11 TOPS photonic convolutional accelerator for optical neural networks[J]. Nature, 2021,589(7840):44-51.

[27] AARONSON S, ARKHIPOV A. The computational complexity of linear optics[C]. Proc. 43rd Annual ACM Symposium on Theory of Computing, 2011.

[28] SPRING J B, METCALF B J, HUMPHREYS P C, et al. Boson sampling on a photonic chip[J]. Science, 2012,339(6121):798-801.

[29] BROOME M A, FEDRIZZI A, RAHIMI-KESHARI S, et al. Photonic boson sampling in a tunable circuit[J]. Science, 2012,339(6121):794-798.

[30] TILLMANN M, DAKIC' B, HEILMANN R, et al. Experimental boson sampling[J]. Nature Photon, 2013,7(7):540-544.

[31] CRESPI A, OSELLAME R, RAMPONI R, et al. Integrated multimode interferometers with arbitrary designs for photonic boson sampling[J]. Nature Photon, 2013,7(7):545-549.

[32] HAMILTON C S, KRUSE R, SANSONI L, et al. Gaussian boson sampling[J]. Physical Review Letters, 2017,119(17):170501.

[33] QUESADA N, ARRAZOLA J M, KILLORAN N. Gaussian boson sampling using threshold detectors[J]. Physical Review A, 2018,98(6):062322.

[34] ARRAZOLA J M, BROMLEY T R. Using gaussian boson sampling to find dense subgraphs[J]. Physical Review Letters, 2018,121(3):030503.

[35] HUH J, GUERRESCHI G, PEROPADRE B, et al. Boson sampling for molecular vibronic spectra[J]. Nature Photon, 2015,9:615-620.

[36] ZHONG H S, WANG H, DENG Y H, et al. Quantum computational advantage using photons[J]. Science, 2020,370(6523):1460-1463.

[37] ZHONG H S, DENG Y H, QIN J, et al. Phaseprogrammable gaussian boson sampling using stimulated squeezed light[J]. Physical Review Letters, 2021,127(18):180502.

[38] MADSEN L S, LAUDENBACH F, ASKARANI M F, et al. Quantum computational advantage with a programmable photonic processor[J]. Nature, 2022,606:75-81.

[39] KIM I H, LIU Y H, PALLISTER S, et al. Faulttolerant resource estimate for quantum chemical simulations[J]. Physical Review Research, 2022,4(2):023019.

[40] DELGADO A, CASARES P A M, REIS R, et al. How to simulate key properties of lithium-ion batteries with a fault-tolerant quantum computer[J]. arXiv:2204.11800, 2022.

[41] JIN Y X, HU J J, LI Q, et al. Quantum deep learning for mutant COVID-19 strain prediction[J]. arXiv:2203.03556, 2022.

Research and application of photonic quantum computing

WANG Xinwen¹, JIN Xianmin^1,2

(1. TuringQ, Shanghai 200240, China; 2. Center for Integrated Quantum Information Technologies (IQIT), School of Physics and Astronomy and State Key Laboratory of Advanced Optical Communication Systems and Networks, Shanghai Jiao Tong University, Shanghai 200240, China)

Abstract: This paper analyzes the general background of industrial change brought by photonic quantum computing, discusses the advantages of photonic quantum computing with relevant domestic and foreign policies and examples of company development, indicates that the development of photonic quantum computing technology is the key to solve the lack of arithmetic power in the post-Moore era, and cites the current applications of quantum computing in different industries.

Keywords: photonic quantum computing; quantum AI; photonic quantum chips; quantum computing applications

本文刊于《信息通信技术与政策》2022年第7期

主办：中国信息通信研究院

《信息通信技术与政策》是工业和信息化部主管、中国信息通信研究院主办的专业学术期刊。本刊定位于“信息通信技术前沿的风向标，信息社会政策探究的思想库”，聚焦信息通信领域技术趋势、公共政策、国家/产业/企业战略，发布前沿研究成果、焦点问题分析、热点政策解读等，推动5G、工业互联网、数字经济、人工智能、区块链、大数据、云计算等技术产业的创新与发展，引导国家技术战略选择与产业政策制定，搭建产、学、研、用的高端学术交流平台。