At vende årsag og virkning er ingen problemer for kvantecomputere

Se en film baglæns, og du vil sandsynligvis blive forvirret - men en kvantecomputer ville ikke. Det er konklusionen fra forsker Mile Gu ved Center for Quantum Technologies (CQT) ved National University of Singapore og Nanyang Technological University og samarbejdspartnere.

I forskning offentliggjort 18. juli i Fysisk gennemgang X , det internationale team viser, at en kvantecomputer er mindre i gang med tidspilen end en klassisk computer. I nogle tilfælde, det er som om, at kvantecomputeren slet ikke behøver at skelne mellem årsag og virkning.

Det nye værk er inspireret af en indflydelsesrig opdagelse for næsten 10 år siden af ​​kompleksitetsforskere James Crutchfield og John Mahoney ved University of California, Davis. De viste, at mange statistiske datasekvenser vil have en indbygget pil i tiden. En observatør, der ser dataene afspilles fra start til slut, som rammer i en film, kan modellere det næste ved kun at bruge en beskeden mængde hukommelse om, hvad der skete før. En observatør, der forsøger at modellere systemet omvendt, har en meget sværere opgave - muligvis nødt til at spore størrelsesordener mere information.

Denne opdagelse blev kendt som kausal asymmetri. Det virker intuitivt - trods alt at modellere et system, når tiden løber baglæns, er som at forsøge at udlede en årsag fra en virkning. Vi er vant til at finde det sværere end at forudsige en effekt fra en årsag. I hverdagen, det er lettere at forstå, hvad der vil ske næste gang, hvis du ved, hvad der lige er sket, og hvad der skete før det.

Imidlertid, forskere er altid fascinerede af at opdage asymmetrier, der er knyttet til tidsbestilling. Dette skyldes, at de fysiske grundlove er ambivalente om, hvorvidt tiden bevæger sig fremad eller omvendt. "Når fysikken ikke påtvinger nogen retning til tiden, hvor kommer kausal asymmetri - hukommelsesomkostningerne, der er nødvendige for at vende årsag og virkning - fra? "spørger Gu.

De første undersøgelser af kausal asymmetri brugte modeller med klassisk fysik til at generere forudsigelser. Crutchfield og Mahoney gik sammen med Gu og samarbejdspartnere Jayne Thompson, Andrew Garner og Vlatko Vedral på CQT for at finde ud af, om kvantemekanik ændrer situationen.

De fandt ud af, at det gjorde det. Modeller, der bruger kvantefysik, holdet beviser, helt kan afbøde hukommelsesomkostningerne. En kvantemodel, der er tvunget til at efterligne processen i omvendt tid, vil altid udkonkurrere en klassisk model, der efterligner processen i fremadrettet tid.

Arbejdet har nogle dybe konsekvenser. "Det mest spændende for os er den mulige forbindelse med tidens pil, "siger Thompson, første forfatter på værket. "Hvis kausal asymmetri kun findes i klassiske modeller, det antyder vores opfattelse af årsag og virkning, og dermed tid, kan komme ud af at håndhæve en klassisk forklaring på begivenheder i en grundlæggende kvanteverden, " hun siger.

Næste, teamet ønsker at forstå, hvordan dette hænger sammen med andre ideer om tid. "Hvert samfund har sin egen tidspil, og alle vil forklare, hvor de kommer fra, "siger Vedral. Crutchfield og Mahoney kaldte kausal asymmetri et eksempel på tidens" pigtast. "

Mest ikonisk er den termodynamiske pil. Det kommer af tanken om, at uorden, eller entropi, vil altid stige - lidt her og der, i alt hvad der sker, indtil universet ender som et stort, varmt rod. Selvom kausal asymmetri ikke er det samme som den termodynamiske pil, de kunne hænge sammen. Klassiske modeller, der sporer mere information, skaber også mere uorden. "Dette antyder, at kausal asymmetri kan have entropisk konsekvens, "siger Thompson.

Resultaterne kan også have praktisk værdi. At gøre op med den klassiske overhead for at vende årsag og virkning kan hjælpe kvantesimulering. "Som en film, der spiller omvendt, nogle gange kan vi blive forpligtet til at give mening om ting, der præsenteres i en rækkefølge, der er iboende vanskelig at modellere. I sådanne tilfælde, kvantemetoder kunne vise sig at være langt mere effektive end deres klassiske modstykker, "siger Gu.