På senare år har kvantenheter har blivit tillgängliga som gör det möjligt för forskare – för första gången – att använda riktig kvanthårdvara för att börja lösa vetenskapliga problem. Dock, på kort sikt, antalet och kvaliteten på qubits (den grundläggande enheten för kvantinformation) för kvantdatorer förväntas förbli begränsad, vilket gör det svårt att använda dessa maskiner för praktiska tillämpningar.

Ett hybridt kvant- och klassiskt tillvägagångssätt kan vara svaret på att ta itu med detta problem med befintlig kvanthårdvara. Forskare vid US Department of Energy's (DOE) Argonne National Laboratory och Los Alamos National Laboratory, tillsammans med forskare vid Clemson University och Fujitsu Laboratories of America, har utvecklat hybridalgoritmer för att köras på kvantmaskiner och har demonstrerat dem för praktiska tillämpningar med hjälp av IBM kvantdatorer (se nedan för beskrivning av Argonnes roll i IBM Q Hub vid Oak Ridge National Laboratory [ORNL]) och en D-Wave kvantdator.

"Detta tillvägagångssätt kommer att göra det möjligt för forskare att använda kortsiktiga datorer för att lösa applikationer som stöder DOE-uppdraget. Till exempel, det kan användas för att hitta samhällsstrukturer i metaboliska nätverk eller en mikrobiom, säger Yuri Alexeev, huvudprojektspecialist, Division Computational Science

Teamets arbete presenteras i en artikel med titeln "A Hybrid Approach for Solving Optimization Problems on Small Quantum Computers" som visas i juninumret 2019 av Institute of Electrical and Electronics Engineers (IEEE) Dator Tidskrift.

Oro över qubit-anslutning, höga ljudnivåer, den ansträngning som krävs för att rätta till fel, och skalbarheten hos kvanthårdvara har begränsat forskarnas förmåga att leverera de lösningar som framtida kvantdatorer lovar.

Hybridalgoritmerna som teamet utvecklade använder de bästa egenskaperna och kapaciteten hos både klassiska och kvantdatorer för att hantera dessa begränsningar. Till exempel, klassiska datorer har stora minnen som kan lagra enorma datamängder – en utmaning för kvantenheter som bara har ett litet antal kvantbitar. Å andra sidan, kvantalgoritmer fungerar bättre för vissa problem än klassiska algoritmer.

För att skilja mellan de beräkningstyper som utförs på två helt olika typer av hårdvara, teamet hänvisade till de klassiska och kvantstadierna av hybridalgoritmer som centrala bearbetningsenheter (CPU) för klassiska datorer och kvantprocessorer (QPU) för kvantdatorer.

Teamet tog på grafpartitionering och klustring som exempel på praktiska och viktiga optimeringsproblem som redan kan lösas med hjälp av kvantdatorer:ett litet grafproblem kan lösas direkt på en QPU, medan större grafproblem kräver hybridkvantklassiska tillvägagångssätt.

När ett problem blev för stort för att köras direkt på kvantdatorer, forskarna använde nedbrytningsmetoder för att bryta ner problemet i mindre bitar som QPU kunde hantera – en idé som de lånade från högpresterande datorer och klassiska numeriska metoder.

Alla bitar sattes sedan ihop till en slutlig lösning på CPU, som inte bara hittade bättre parametrar, men identifierade också den bästa underproblemstorleken att lösa på en kvantdator.

Sådana hybridmetoder är inte en silverkula; de tillåter inte kvanthastigheter eftersom användning av nedbrytningsscheman begränsar hastigheten när problemets storlek ökar. Under de kommande 10 åren, fastän, förväntade förbättringar i qubits (kvalitet, räkna, och anslutning), felkorrigering, och kvantalgoritmer kommer att minska körtiden och möjliggöra mer avancerad beräkning.

"Sålänge, " enligt Yuri Alexeev, huvudprojektspecialist inom avdelningen Computational Science, "det här tillvägagångssättet kommer att göra det möjligt för forskare att använda kvantdatorer på kort sikt för att lösa applikationer som stöder DOE-uppdraget. Till exempel, det kan användas för att hitta samhällsstrukturer i metaboliska nätverk eller en mikrobiom."