1.3　混合计算

前文提到，量子计算机非常擅长处理一些特定的问题，但并非所有问题。因此，利用一种新形式的混合计算可能可以取得最好的结果，即用量子系统解决一部分问题，用经典计算机解决其余部分。

事实上这并不是一个全新的方法，大多数现代计算机系统已经采用了中央处理器（Central Processing Unit，CPU）与图形处理单元（Graphics Processing Unit，GPU）并用的类似模式。GPU适于执行某些任务（例如图形或深度学习应用程序所需的矢量运算），但并非所有任务。许多现代UI框架，包括JavaFX在内，都利用了CPU和GPU的可用性，并将部分工作委托给CPU，而将另一些部分工作委托给GPU，从而优化需要执行的任务，如图1.5所示。

图1.5　CPU与GPU分担工作

对不同任务使用不同协处理器的思路可以扩展到量子计算中。在理想情况下，软件应用程序可以将一些任务委托给CPU，一些委托给GPU，剩下的委托给量子处理单元（Quantum Processing Unit，QPU），如图1.6所示。

图1.6　CPU、GPU与QPU分担工作

当工具用于其适合的工作时，就能取得最好的结果。对此，软件应用程序应该使用GPU进行矢量计算，将QPU用于在经典系统上速度较慢但在量子系统上速度较快的算法，而将CPU用于所有GPU或QPU不占优势的事情。

如果每个终端应用程序都需要判断哪个部分应当委托给哪个处理器，那么软件开发人员的工作会非常困难。我们希望框架和库能够提供一些帮助，并将这个问题从终端开发者那里抽象出来。

如果使用JavaFX API在Java中创建用户界面，就不必担心哪些部分在GPU上执行、哪些部分在CPU上执行的问题，JavaFX API的内部已经实现了此功能。JavaFX框架可以检测有关GPU的信息并将工作委托给它。虽然开发人员仍然可以直接访问CPU或GPU，但这通常是Java等高级语言所不允许的。

图1.6对QPU进行了非常简化的表示。GPU很容易适用于现代的服务器、桌面系统以及移动和嵌入式设备，但量子处理器则相对更困难，因为它要求在受控、无噪声的环境中操纵量子效应（例如硬件的温度需保持在接近绝对零度的低温）。至少一开始，大多数真正的量子计算资源有可能要通过特定的云服务器，而非嵌在芯片上的协处理器才能获得。同理，因为库可以将复杂任务拆分，并将一些任务委托给通过云服务访问的量子系统，从而使终端软件应用程序获益，如图1.7所示。

图1.7　依赖云服务的量子计算