Kører kvantesoftware på en klassisk computer

To fysikere, fra EPFL og Columbia University, har introduceret en tilgang til simulering af den omtrentlige kvanteoptimeringsalgoritme ved hjælp af en traditionel computer. I stedet for at køre algoritmen på avancerede kvanteprocessorer, den nye tilgang bruger en klassisk maskinlæringsalgoritme, der nøje efterligner opførselen af ​​kortsigtede kvantecomputere.

I et blad udgivet i Natur Quantum Information , EPFL professor Giuseppe Carleo og Matija Medvidović, en kandidatstuderende ved Columbia University og ved Flatiron Institute i New York, har fundet en måde at udføre en kompleks kvanteberegningsalgoritme på traditionelle computere i stedet for kvantecomputere.

Den specifikke "kvantesoftware", de overvejer, er kendt som Quantum Approximate Optimization Algorithm (QAOA) og bruges til at løse klassiske optimeringsproblemer i matematik; det er i bund og grund en måde at vælge den bedste løsning på et problem ud af en række mulige løsninger. "Der er stor interesse for at forstå, hvilke problemer der kan løses effektivt af en kvantecomputer, og QAOA er en af ​​de mere fremtrædende kandidater, siger Carleo.

Ultimativt, QAOA er beregnet til at hjælpe os på vej til den berømte "kvante-speedup, " det forudsagte løft i behandlingshastighed, som vi kan opnå med kvantecomputere i stedet for konventionelle. Forståeligt nok, QAOA har en række fortalere, inklusive Google, som har blikket rettet mod kvanteteknologier og databehandling i den nærmeste fremtid:i 2019 skabte de Sycamore, en 53-qubit kvanteprocessor, og brugte den til at køre en opgave, den anslog, at den ville tage en avanceret klassisk supercomputer omkring 10, 000 år at fuldføre. Sycamore kørte den samme opgave på 200 sekunder.

"Men barrieren for "kvantehastighedsstigning" er næsten stiv, og den bliver løbende omformet af ny forskning, også takket være fremskridtene i udviklingen af ​​mere effektive klassiske algoritmer, siger Carleo.

I deres undersøgelse, Carleo og Medvidović behandler et centralt åbent spørgsmål på området:kan algoritmer, der kører på nuværende og nære kvantecomputere, tilbyde en væsentlig fordel i forhold til klassiske algoritmer til opgaver af praktisk interesse? "Hvis vi skal svare på det spørgsmål, vi skal først forstå grænserne for klassisk databehandling i simulering af kvantesystemer, " siger Carleo. Dette er især vigtigt, da den nuværende generation af kvanteprocessorer opererer i et regime, hvor de laver fejl, når de kører kvante "software, " og kan derfor kun køre algoritmer af begrænset kompleksitet.

Ved at bruge konventionelle computere, de to forskere udviklede en metode, der tilnærmelsesvis kan simulere adfærden af ​​en speciel klasse af algoritmer kendt som variationelle kvantealgoritmer, som er måder at udarbejde den laveste energitilstand på, eller "grundtilstand" af et kvantesystem. QAOA er et vigtigt eksempel på en sådan familie af kvantealgoritmer, som forskere mener er blandt de mest lovende kandidater til "kvantefordel" i kortsigtede kvantecomputere.

Tilgangen er baseret på ideen om, at moderne maskinlæringsværktøjer, f.eks. dem, der bruges til at lære komplekse spil som Go, kan også bruges til at lære og efterligne de indre funktioner i en kvantecomputer. Nøgleværktøjet til disse simuleringer er Neural Network Quantum States, et kunstigt neuralt netværk, som Carleo udviklede i 2016 med Matthias Troyer, og det blev nu brugt for første gang til at simulere QAOA. Resultaterne betragtes som provinsen for kvanteberegning, og sætte et nyt benchmark for den fremtidige udvikling af kvantehardware.

"Vores arbejde viser, at den QAOA, du kan køre på nuværende og kortsigtede kvantecomputere, kan simuleres, med god nøjagtighed, også på en klassisk computer, " siger Carleo. "Men dette betyder ikke, at nyttige kvantealgoritmer, der kan køres på kortsigtede kvanteprocessorer, kan emuleres klassisk. Faktisk, vi håber, at vores tilgang vil tjene som en guide til at udtænke nye kvantealgoritmer, der er både nyttige og svære at simulere for klassiske computere."