AI-metoden bestemmer kvantefordele for avanceret databehandling

At skabe kvantecomputere er dyrt og tidskrævende, og de resulterende enheder er ikke garanteret at udvise nogen kvantefordel - dvs. de fungerer ofte ikke hurtigere end en konventionel computer. Så forskere har brug for værktøjer til at forudsige, om en given kvanteenhed vil have en kvantefordel.

En af måderne at implementere kvanteberegninger på er kvantevandringer. I forenklede vendinger, metoden kan visualiseres som en partikel, der rejser i et bestemt netværk, der ligger til grund for et kvantekredsløb. Hvis en partikels kvantevandring fra en netværksknude til en anden sker hurtigere end dens klassiske analog, en enhed baseret på det kredsløb vil have en kvantefordel. Søgen efter sådanne overlegne netværk er en vigtig opgave, som eksperter i kvantevandring tager fat på.

Russiske forskere fra Moskva Institut for Fysik og Teknologi, Valiev Institute of Physics and Technology og ITMO University har skabt et neuralt netværk, der lærte at forudsige et kvantesystems adfærd ved at analysere dets netværksstruktur. Det neurale netværk finder autonomt løsninger, der er veltilpassede til demonstrationer af kvantefordele. Dette vil hjælpe forskere med at udvikle nye effektive kvantecomputere. Resultaterne er rapporteret i New Journal of Physics .

En lang række problemer i moderne videnskab løses gennem kvantemekaniske beregninger. Nogle af eksemplerne er forskning i kemiske reaktioner og søgen efter stabile molekylære strukturer til medicin, medicinalindustrien og andre industrier. De involverede problemers kvantekarakter gør kvanteberegninger bedre egnede til dem. Klassiske beregninger, derimod tendens til kun at returnere omfangsrige omtrentlige løsninger.

Det, de russiske forskere gjorde, var at træne en AI-model til at skelne mellem netværk og afgøre, om et givet netværk har en kvantefordel. Dette udpeger de netværk, der er gode kandidater til at bygge en kvantecomputer. Holdet brugte et neuralt netværk rettet mod billedgenkendelse. En tilstødende matrix fungerede som inputdata, sammen med numrene på input og output noderne. Det neurale netværk returnerede en forudsigelse af, om den klassiske eller kvantevandringen mellem de givne noder ville være hurtigere.

"Det var ikke indlysende, at denne tilgang ville fungere, men det gjorde det. Vi har haft ret succes med at træne computeren til at lave autonome forudsigelser af, om et komplekst netværk har en kvantefordel, " sagde lektor Leonid Fedichkin fra afdelingen for teoretisk fysik på MIPT.

"Grænsen mellem kvante og klassisk adfærd er ofte sløret. Det karakteristiske træk ved vores undersøgelse er det resulterende specielle computersyn, i stand til at skelne denne fine linje i netværksrummet, " sagde MIPT-kandidat og ITMO University-forsker Alexey Melnikov.

Sammen med deres medforfatter Alexander Alodjants, forskerne skabte et værktøj, der forenkler udviklingen af ​​beregningskredsløb baseret på kvantealgoritmer. De resulterende enheder vil være af interesse inden for biofotonikforskning og materialevidenskab.

En af de processer, som kvantevandringer godt beskriver, er excitationen af ​​lysfølsomme proteiner som rhodopsin eller klorofyl. Et protein er et komplekst molekyle, hvis struktur ligner et netværk. At løse et problem, der formelt involverer at finde kvantegangtiden fra en knude til en anden, kan faktisk afsløre, hvad der sker med en elektron på en bestemt position i et molekyle, hvor det vil bevæge sig, og hvilken slags excitation det vil forårsage.

Sammenlignet med arkitekturer baseret på qubits og porte, kvantevandringer forventes at tilbyde en lettere måde at implementere kvanteberegningen af ​​naturfænomener. Grunden til dette er, at selve gåturene er en naturlig fysisk proces.