各个行业都称赞量子计算的变革潜力，但其在有限规模问题上的应用的实用性仍然是一个问题。谷歌量子人工智能的合作研究旨在查明量子计算机优于经典计算机的问题并设计实用的量子算法。最近的努力包括：
研究酶化学。
探索锂离子电池的可持续替代品。
用于惯性约束聚变实验的建模材料。
虽然实用的量子计算机尚未可用，但他们正在进行的工作最终为这些应用程序运行有效的量子算法所需的硬件规格提供了信息。
Google Quantum AI 与勃林格殷格翰和哥伦比亚大学合作，探索了量子计算在理解酶家族细胞色素 P450 复杂电子结构方面的应用。这些酶在药物代谢中起着至关重要的作用。通过比较经典方法和量子方法，他们证明量子计算机的更高准确度对于准确解决该系统中复杂的化学问题至关重要。研究表明，随着系统尺寸的增大，量子优势变得越来越明显，最终表明需要数百万个物理量子位才能实现该问题的量子优势。
锂离子电池对于各种应用至关重要，但通常依赖钴，这存在环境和道德问题。研究人员探索了镍酸锂（LNO）作为钴的替代品。了解 LNO 的特性至关重要。一篇题为“使用布洛赫轨道对材料进行容错量子模拟”的论文与巴斯夫、QSimulate 和麦考瑞大学合作，开发了针对 LNO 等周期性原子结构的量子模拟技术。他们的研究发现，量子计算机可以有效地计算 LNO 的能量，但目前需要的量子比特数量不切实际，希望未来能有所改进。
研究人员探索极端条件下惯性约束聚变实验的量子模拟。它专注于计算温暖、致密物质的阻止本领，这对于反应堆效率至关重要。量子算法显示出前景，估计的资源需求落在以前的应用程序之间。尽管不确定性仍然存在，但它优于依赖平均场方法的经典替代方案，平均场方法在模拟此类复杂系统时会引入系统误差。
研究人员展示了未来纠错量子计算机在模拟物理系统方面越来越多的具体应用，展示了它们解决复杂问题的潜力。与静态基态问题不同，量子动力学涉及量子系统随时间的演化，与量子计算机固有的动态特性相一致。合作研究表明，量子算法在效率和准确性方面可以超越近似经典计算。现在开发这些算法可确保纠错量子计算机做好准备，并消除对其功能的夸张说法。
