Fremskridt i algoritmer gør små, støjende kvantecomputere levedygtige

Som rapporteret i en ny artikel i Naturanmeldelser Fysik , i stedet for at vente på, at fuldt modne kvantecomputere dukker op, Los Alamos National Laboratory og andre førende institutioner har udviklet hybride klassiske/kvantealgoritmer for at udvinde den største ydeevne – og potentielt kvantefordel – fra nutidens støjende, fejltilbøjelig hardware. Kendt som variationskvantealgoritmer, de bruger kvantekasserne til at manipulere kvantesystemer, mens de flytter meget af arbejdsbyrden til klassiske computere for at lade dem gøre det, de i øjeblikket er bedst til:løse optimeringsproblemer.

"Kvantecomputere har lovet at overgå klassiske computere til visse opgaver, men på aktuelt tilgængelig kvantehardware kan de ikke køre lange algoritmer. De har for meget støj, da de interagerer med omgivelserne, som ødelægger de oplysninger, der behandles, sagde Marco Cerezo, en fysiker med speciale i kvanteberegning, kvantemaskinelæring, og kvanteinformation på Los Alamos og en hovedforfatter af papiret. "Med variationsmæssige kvantealgoritmer, vi får det bedste fra begge verdener. Vi kan udnytte kraften i kvantecomputere til opgaver, som klassiske computere ikke let kan udføre, brug derefter klassiske computere til at komplimentere beregningskraften i kvanteenheder."

Nuværende støjende, mellemstore kvantecomputere har mellem 50 og 100 qubits, mister deres "kvantelighed" hurtigt, og mangler fejlretning, som kræver flere qubits. Siden slutningen af ​​1990'erne, imidlertid, teoretikere har udviklet algoritmer designet til at køre på en idealiseret stor, fejlretning, fejltolerant kvantecomputer.

"Vi kan ikke implementere disse algoritmer endnu, fordi de giver nonsens-resultater, eller de kræver for mange qubits. Så folk indså, at vi havde brug for en tilgang, der tilpasser sig begrænsningerne for den hardware, vi har - et optimeringsproblem, " sagde Patrick Coles, en teoretisk fysiker, der udvikler algoritmer ved Los Alamos, og den senior hovedforfatter af papiret.

"Vi fandt ud af, at vi kunne omdanne alle interesseproblemer til optimeringsproblemer, potentielt med kvantefordele, hvilket betyder, at kvantecomputeren slår en klassisk computer til opgaven, "Sagde Coles. Disse problemer omfatter simuleringer for materialevidenskab og kvantekemi, factoring tal, big-data analyse, og stort set alle applikationer, der er blevet foreslået til kvantecomputere.

Algoritmerne kaldes variation, fordi optimeringsprocessen varierer algoritmen i farten, som en slags maskinlæring. Det ændrer parametre og logiske porte for at minimere en omkostningsfunktion, som er et matematisk udtryk, der måler, hvor godt algoritmen har udført opgaven. Problemet er løst, når omkostningsfunktionen når sin lavest mulige værdi.

I en iterativ funktion i den variationskvantumalgoritme, kvantecomputeren estimerer omkostningsfunktionen, sender derefter resultatet tilbage til den klassiske computer. Den klassiske computer justerer derefter inputparametrene og sender dem til kvantecomputeren, som kører optimeringen igen.

Oversigtsartiklen er tænkt som en omfattende introduktion og pædagogisk reference for forskning, der starter på dette spirende felt. I det, forfatterne diskuterer alle applikationer til algoritmer, og hvordan de virker, samt dække udfordringer, faldgruber, og hvordan man adresserer dem. Endelig, det ser ind i fremtiden, overvejer de bedste muligheder for at opnå kvantefordele på de computere, der vil være tilgængelige i de næste par år.