Att skapa kvantdatorer är kostsamt och tidskrävande, och de resulterande enheterna är inte garanterade att uppvisa några kvantfördelar – det vill säga, de fungerar ofta inte snabbare än en konventionell dator. Så forskare behöver verktyg för att förutsäga om en given kvantenhet kommer att ha en kvantfördel.

Ett av sätten att implementera kvantberäkningar är kvantvandringar. I förenklade termer, metoden kan visualiseras som en partikel som färdas i ett visst nätverk som ligger bakom en kvantkrets. Om en partikels kvantvandring från en nätverksnod till en annan sker snabbare än dess klassiska analog, en enhet baserad på den kretsen kommer att ha en kvantfördel. Sökandet efter sådana överlägsna nätverk är en viktig uppgift som quantum walk-experter tar sig an.

Ryska forskare från Moskvainstitutet för fysik och teknik, Valiev Institute of Physics and Technology och ITMO University har skapat ett neuralt nätverk som lärt sig att förutsäga beteendet hos ett kvantsystem genom att analysera dess nätverksstruktur. Det neurala nätverket hittar autonomt lösningar som är väl anpassade för demonstrationer av kvantfördelar. Detta kommer att hjälpa forskare att utveckla nya effektiva kvantdatorer. Fynden redovisas i New Journal of Physics .

En lång rad problem inom modern vetenskap löses genom kvantmekaniska beräkningar. Några av exemplen är forskning om kemiska reaktioner och sökandet efter stabila molekylära strukturer för medicin, läkemedel och andra industrier. De inblandade problemens kvantkaraktär gör kvantberäkningar bättre lämpade för dem. Klassiska beräkningar, däremot, tenderar att endast returnera skrymmande ungefärliga lösningar.

Vad de ryska forskarna gjorde är att träna en AI-modell för att skilja mellan nätverk och avgöra om ett givet nätverk har en kvantfördel. Detta pekar ut de nätverk som är bra kandidater för att bygga en kvantdator. Teamet använde ett neuralt nätverk inriktat på bildigenkänning. En närliggande matris fungerade som indata, tillsammans med numren på ingångs- och utgångsnoderna. Det neurala nätverket gav en förutsägelse om huruvida den klassiska eller kvantvandringen mellan de givna noderna skulle vara snabbare.

"Det var inte självklart att detta tillvägagångssätt skulle fungera, men det gjorde det. Vi har varit ganska framgångsrika i att träna datorn att göra autonoma förutsägelser om huruvida ett komplext nätverk har en kvantfördel, " sa docent Leonid Fedichkin vid avdelningen för teoretisk fysik vid MIPT.

Gränsen mellan kvantbeteenden och klassiska beteenden är ofta suddig. Det utmärkande för vår studie är den resulterande datorseendet för speciella ändamål, kapabel att urskilja denna fina linje i nätverksutrymmet, " sa MIPT-utexaminerade och ITMO University-forskaren Alexey Melnikov.

Med deras medförfattare Alexander Alodjants, forskarna skapade ett verktyg som förenklar utvecklingen av beräkningskretsar baserade på kvantalgoritmer. De resulterande enheterna kommer att vara av intresse inom biofotonikforskning och materialvetenskap.

En av de processer som kvantvandringar beskriver väl är exciteringen av ljuskänsliga proteiner som rodopsin eller klorofyll. Ett protein är en komplex molekyl vars struktur liknar ett nätverk. Att lösa ett problem som formellt innebär att hitta kvantgångstiden från en nod till en annan kan faktiskt avslöja vad som händer med en elektron vid en viss position i en molekyl, vart den ska flytta, och vilken typ av excitation det kommer att orsaka.

Jämfört med arkitekturer baserade på qubits och grindar, kvantvandringar förväntas erbjuda ett enklare sätt att implementera kvantberäkningen av naturfenomen. Anledningen till detta är att själva promenaderna är en naturlig fysisk process.