Модель искусственного интеллекта прогнозирует наличие у данной квантовой машины квантового преимущества. Ее основа — нейронная сеть, которая изучает структуру сети квантовой системы и постепенно научается предсказывать ее действия. Это позволит ученым создавать новые эффективные квантовые устройства.
Квантовые вычисления способны решать задачи, недоступные для обычных компьютеров, например, глубоко изучать химические реакции и находить устойчивые молекулы для медицины и прочих отраслей.
Одним из главных затруднений как традиционных, так и квантовых вычислительных систем является ускорение вычислений. Несмотря на то, что квантовые компьютеры могут работать значительно быстрее классических, создание таких машин займет много времени и ресурсов. При этом никто не может гарантировать, что такие машины будут обладать квантовыми преимуществами.
Группа исследователей из Московского физико-технического института, ИТМО и Физико-технического института имени К.А. Валиева разработала новый инструмент для предсказания возможности у данной квантовой машины иметь квантовое преимущество.
Новый инструмент использует нейронную сеть для анализа структуры квантовой системы и обучения предсказанию её поведения.
Искусственный интеллект отбирает претендентов на создание квантовых компьютеров.
В последние годы для эффективной обработки квантовой информации применяются квантовые аналоги случайных блужданий. Представьте себе частицу, перемещающуюся по сети, являющейся основой квантовой цепи.
Квантовый ходячий отличается от классического «ходячего» тем, что может быть когерентной суперпозицией нескольких позиций. Устройство получит квантовое преимущество, если частица в цепи устройства проявляет квантовое перемещение (с одного узла сети на другой) быстрее, чем ее классический аналог.
В исследовании применялась модель машинного обучения для выявления превосходных сетей. Модель сравнивает сети и постепенно учится предсказывать, сможет ли данная сеть предоставить квантовое преимущество. Это позволяет получить сети, пригодные для создания эффективного квантового компьютера.
Для обучения использовались примеры, созданные на основе моделирования движения случайных частиц, как обычных, так и квантовых. Каждый пример включал матрицу смежности и метку («классический» или «квантовый»).
Группа исследователей разработала инструмент, который облегчает создание вычислительных схем на базе квантовых алгоритмов. Его можно применять для научных изысканий в областях материаловедения и биофотоники.
Квантовые блуждания
Квантовые блуждания позволят реализовать квантовые вычисления природных явлений простым способом (гораздо проще, чем архитектуры, основанные на кубитах и элементах). У них есть потенциал точно описать возбуждение фоточувствительных белков, таких как хлорофилл или родопсин.
Сложность белка, структура которого похожа на сеть, позволяет изучить квантовое блуждание электрона между ее узлами. Измерение времени этого блуждания может пролить свет на процессы внутри молекулы: маршрут движения электрона и возбуждение, которое он вызывает.
Исследование опубликовано в .