Samarbejdspartnere observerer kvantehastigheden i optimeringsproblemer

Et samarbejde mellem Harvard University med forskere ved QuEra Computing, MIT, University of Innsbruck og andre institutioner har vist en banebrydende anvendelse af neutral-atom kvanteprocessorer til at løse problemer af praktisk brug.

Undersøgelsen blev ledet af Mikhail Lukin, George Vasmer Leverett professor i fysik ved Harvard og meddirektør for Harvard Quantum Initiative, Markus Greiner, George Vasmer Leverett professor i fysik og Vladan Vuletic, Lester Wolfe professor i fysik ved MIT . Undersøgelsen med titlen "Quantum Optimization of Maximum Independent Set using Rydberg Atom Arrays" blev offentliggjort den 5. maj 2022 i Science .

Tidligere var neutral-atom kvanteprocessorer blevet foreslået til effektivt at kode visse hårde kombinatoriske optimeringsproblemer. I denne skelsættende publikation implementerer forfatterne ikke kun den første implementering af effektiv kvanteoptimering på en rigtig kvantecomputer, men fremviser også hidtil uset kvantehardwarekraft.

Beregningerne blev udført på Harvards kvanteprocessor på 289 qubits, der opererede i analog tilstand, med effektive kredsløbsdybder op til 32. I modsætning til tidligere eksempler på kvanteoptimering gjorde den store systemstørrelse og kredsløbsdybde, der blev brugt i dette arbejde, det umuligt at bruge klassisk simuleringer for at præoptimere kontrolparametrene. En kvante-klassisk hybridalgoritme skulle implementeres i et lukket sløjfe med direkte, automatiseret feedback til kvanteprocessoren.

Denne kombination af systemstørrelse, kredsløbsdybde og enestående kvantekontrol kulminerede i et kvantespring:Der blev fundet problemtilfælde med empirisk bedre end forventet ydeevne på kvanteprocessoren kontra klassisk heuristik. Ved at karakterisere vanskeligheden ved optimeringsproblemtilfældene med en "hårdhedsparameter" identificerede holdet sager, der udfordrede klassiske computere, men som blev løst mere effektivt med neutral-atom kvanteprocessoren. En super-lineær kvantehastighed blev fundet sammenlignet med en klasse af generiske klassiske algoritmer. QuEras open source-pakker GenericTensorNetworks.jl og Bloqade.jl var medvirkende til at opdage svære tilfælde og forstå kvanteydelse.

"En dyb forståelse af den underliggende fysik af kvantealgoritmen såvel som de grundlæggende begrænsninger af dens klassiske modstykke gjorde det muligt for os at indse måder, hvorpå kvantemaskinen kan opnå en speedup," siger Madelyn Cain, Harvard kandidatstuderende og en af ​​hovedforfatterne .

Vigtigheden af ​​matchmaking mellem problem- og kvantehardware er central i dette arbejde:"I den nærmeste fremtid, for at udvinde så meget kvantekraft som muligt, er det afgørende at identificere problemer, der kan kortlægges naturligt til den specifikke kvantearkitektur, med lidt at ingen overhead," sagde Shengtao Wang, seniorforsker ved QuEra Computing og en af ​​medopfinderne af de kvantealgoritmer, der bruges i dette arbejde, "og vi opnåede præcis det i denne demonstration."

Problemet med "maksimalt uafhængigt sæt", løst af teamet, er en paradigmatisk hård opgave inden for datalogi og har brede anvendelser inden for logistik, netværksdesign, økonomi og meget mere. Identifikationen af ​​klassisk udfordrende problemforekomster med kvanteaccelererede løsninger baner vejen for anvendelse af kvantecomputere for at imødekomme den virkelige verden af ​​industrielle og sociale behov.

"Disse resultater repræsenterer det første skridt mod at bringe nyttige kvantefordele til hårde optimeringsproblemer, der er relevante for flere industrier," tilføjede Alex Keesling, administrerende direktør for QuEra Computing og medforfatter til det offentliggjorte arbejde. "Vi er meget glade for at se, at kvanteberegning begynder at nå det nødvendige modenhedsniveau, hvor hardwaren kan informere udviklingen af ​​algoritmer ud over, hvad der kan forudsiges på forhånd med klassiske beregningsmetoder. Desuden tilstedeværelsen af ​​en kvante-speedup for svære problemtilfælde er yderst opmuntrende. Disse resultater hjælper os med at udvikle bedre algoritmer og mere avanceret hardware til at tackle nogle af de sværeste, mest relevante beregningsproblemer." + Udforsk yderligere

Forskere udvikler quantum gate, der muliggør undersøgelse af optimeringsproblemer