Två fysiker, från EPFL och Columbia University, har introducerat ett tillvägagångssätt för att simulera den ungefärliga kvantoptimeringsalgoritmen med hjälp av en traditionell dator. Istället för att köra algoritmen på avancerade kvantprocessorer, det nya tillvägagångssättet använder en klassisk maskininlärningsalgoritm som nära efterliknar beteendet hos kvantdatorer på kort sikt.

I en tidning publicerad i Natur Quantum Information , EPFL professor Giuseppe Carleo och Matija Medvidović, en doktorand vid Columbia University och vid Flatiron Institute i New York, har hittat ett sätt att exekvera en komplex kvantberäkningsalgoritm på traditionella datorer istället för kvantdatorer.

Den specifika "kvantmjukvara" de överväger är känd som Quantum Approximate Optimization Algorithm (QAOA) och används för att lösa klassiska optimeringsproblem inom matematik; det är i huvudsak ett sätt att välja den bästa lösningen på ett problem ur en uppsättning möjliga lösningar. "Det finns ett stort intresse för att förstå vilka problem som kan lösas effektivt med en kvantdator, och QAOA är en av de mer framstående kandidaterna, säger Carleo.

I sista hand, QAOA är tänkt att hjälpa oss på vägen mot den berömda "kvanthastigheten, " den förutspådda ökningen av bearbetningshastighet som vi kan uppnå med kvantdatorer istället för konventionella. Förståeligt nog, QAOA har ett antal förespråkare, inklusive Google, som har siktet inställt på kvantteknik och datoranvändning inom en snar framtid:2019 skapade de Sycamore, en 53-qubit kvantprocessor, och använde den för att köra en uppgift som den uppskattade att den skulle ta en toppmodern klassisk superdator runt 10, 000 år att slutföra. Sycamore körde samma uppgift på 200 sekunder.

"Men barriären för "quantum speedup" är nästan stel och den omformas kontinuerligt av ny forskning, även tack vare framstegen i utvecklingen av mer effektiva klassiska algoritmer, säger Carleo.

I deras studie, Carleo och Medvidović tar upp en viktig öppen fråga inom området:kan algoritmer som körs på nuvarande och kortsiktiga kvantdatorer erbjuda en betydande fördel jämfört med klassiska algoritmer för uppgifter av praktiskt intresse? "Om vi ​​ska svara på den frågan, vi måste först förstå gränserna för klassisk beräkning vid simulering av kvantsystem, " säger Carleo. Detta är särskilt viktigt eftersom den nuvarande generationen av kvantprocessorer fungerar i en regim där de gör fel när de kör kvantmjukvara, " och kan därför bara köra algoritmer med begränsad komplexitet.

Använda konventionella datorer, de två forskarna utvecklade en metod som ungefär kan simulera beteendet hos en speciell klass av algoritmer som kallas variationskvantalgoritmer, vilka är sätt att arbeta ut det lägsta energitillståndet, eller "grundtillstånd" för ett kvantsystem. QAOA är ett viktigt exempel på en sådan familj av kvantalgoritmer, som forskare tror är bland de mest lovande kandidaterna för "kvantfördelar" i kortsiktiga kvantdatorer.

Tillvägagångssättet bygger på idén att moderna verktyg för maskininlärning, t.ex. de som används för att lära sig komplexa spel som Go, kan också användas för att lära sig och efterlikna det inre arbetet i en kvantdator. Nyckelverktyget för dessa simuleringar är Neural Network Quantum States, ett artificiellt neuralt nätverk som Carleo utvecklade 2016 med Matthias Troyer, och det användes nu för första gången för att simulera QAOA. Resultaten anses vara provinsen för kvantberäkning, och sätta ett nytt riktmärke för den framtida utvecklingen av kvanthårdvara.

"Vårt arbete visar att QAOA du kan köra på nuvarande och korttidskvantdatorer kan simuleras, med god noggrannhet, på en klassisk dator också, " säger Carleo. "Men, detta betyder inte att användbara kvantalgoritmer som kan köras på kortsiktiga kvantprocessorer kan emuleras klassiskt. Faktiskt, vi hoppas att vårt tillvägagångssätt kommer att fungera som en guide för att ta fram nya kvantalgoritmer som är både användbara och svåra att simulera för klassiska datorer."