Traditionelle computere kan løse nogle kvanteproblemer

Der har været meget buzz om kvantecomputere og med god grund. De futuristiske computere er designet til at efterligne, hvad der sker i naturen i mikroskopiske skalaer, hvilket betyder, at de har magten til bedre at forstå kvanteverdenen og fremskynde opdagelsen af ​​nye materialer, herunder lægemidler, miljøvenlige kemikalier og mere. Eksperter siger dog, at levedygtige kvantecomputere stadig er et årti væk eller mere. Hvad skal forskerne gøre i mellemtiden?

En ny Caltech-ledet undersøgelse i tidsskriftet Science beskriver, hvordan maskinlæringsværktøjer, der kører på klassiske computere, kan bruges til at lave forudsigelser om kvantesystemer og dermed hjælpe forskere med at løse nogle af de sværeste fysik- og kemiproblemer. Selvom denne idé er blevet vist eksperimentelt før, er den nye rapport den første til matematisk at bevise, at metoden virker.

"Kvantecomputere er ideelle til mange typer af fysik og materialevidenskabelige problemer," siger hovedforfatter Hsin-Yuan (Robert) Huang, en kandidatstuderende, der arbejder med John Preskill, Richard P. Feynman professor i teoretisk fysik og Allen V. C. Davis og Lenabelle Davis lederskabsformand for Institute for Quantum Science and Technology (IQIM). "Men vi er der ikke helt endnu og er blevet overrasket over at erfare, at klassiske maskinlæringsmetoder kan bruges i mellemtiden. I sidste ende handler dette papir om at vise, hvad mennesker kan lære om den fysiske verden."

På mikroskopiske niveauer bliver den fysiske verden et utroligt komplekst sted styret af kvantefysikkens love. I dette rige kan partikler eksistere i en superposition af tilstande eller i to tilstande på én gang. Og en superposition af tilstande kan føre til sammenfiltring, et fænomen, hvor partikler er forbundet, eller korreleret, uden selv at være i kontakt med hinanden. Disse mærkelige tilstande og forbindelser, som er udbredt inden for naturlige og menneskeskabte materialer, er meget svære at beskrive matematisk.

"Det er meget svært at forudsige et materiales lavenergitilstand," siger Huang. "Der er et enormt antal atomer, og de er overlejret og viklet ind. Du kan ikke skrive en ligning ned for at beskrive det hele."

Det nye studie er den første matematiske demonstration af, at klassisk maskinlæring kan bruges til at bygge bro mellem os og kvanteverdenen. Machine learning er en type computerapplikation, der efterligner den menneskelige hjerne for at lære af data.

"Vi er klassiske væsener, der lever i en kvanteverden," siger Preskill. "Vores hjerner og vores computere er klassiske, og dette begrænser vores evne til at interagere med og forstå kvantevirkeligheden."

Mens tidligere undersøgelser har vist, at maskinlæringsapplikationer har evnen til at løse nogle kvanteproblemer, fungerer disse metoder typisk på måder, der gør det svært for forskere at lære, hvordan maskinerne nåede frem til deres løsninger.

"Normalt når det kommer til maskinlæring, ved man ikke, hvordan maskinen løste problemet. Det er en sort boks," siger Huang. "Men nu har vi i det væsentlige fundet ud af, hvad der sker i boksen gennem vores numeriske simuleringer." Huang og hans kolleger lavede omfattende numeriske simuleringer i samarbejde med AWS Center for Quantum Computing på Caltech, som bekræftede deres teoretiske resultater.

Den nye undersøgelse vil hjælpe videnskabsmænd med bedre at forstå og klassificere komplekse og eksotiske faser af kvantestof.

"Bekymringen var, at folk, der skaber nye kvantetilstande i laboratoriet, måske ikke er i stand til at forstå dem," forklarer Preskill. "Men nu kan vi få rimelige klassiske data til at forklare, hvad der foregår. De klassiske maskiner giver os ikke bare et svar som et orakel, men guider os mod en dybere forståelse."

Medforfatter Victor V. Albert, en NIST (National Institute of Standards and Technology) fysiker og tidligere DuBridge Prize Postdoctoral Scholar ved Caltech, er enig. "Den del, der begejstrer mig mest ved dette arbejde, er, at vi nu er tættere på et værktøj, der hjælper dig med at forstå den underliggende fase af en kvantetilstand uden at kræve, at du ved ret meget om den tilstand på forhånd."

I sidste ende vil fremtidige kvantebaserede maskinlæringsværktøjer naturligvis overgå klassiske metoder, siger forskerne. I en relateret undersøgelse, der blev vist den 10. juni 2022 i Science , Huang, Preskill og deres samarbejdspartnere rapporterer, at de bruger Googles Sycamore-processor, en rudimentær kvantecomputer, for at demonstrere, at kvantemaskinelæring er overlegen i forhold til klassiske tilgange.

"Vi er stadig helt i begyndelsen af ​​dette felt," siger Huang. "Men vi ved, at kvantemaskinelæring i sidste ende vil være den mest effektive."

Videnskaben undersøgelsen har titlen "Sikkert effektiv maskinlæring til kvante-mangekropsproblemer." + Udforsk yderligere

Teorien antyder, at kvantecomputere burde være eksponentielt hurtigere til nogle læringsopgaver end klassiske maskiner