Som rapporterats i en ny artikel i Naturrecensioner Fysik , istället för att vänta på att fullt mogna kvantdatorer ska dyka upp, Los Alamos National Laboratory och andra ledande institutioner har utvecklat klassiska hybrid-/kvantalgoritmer för att extrahera mest prestanda – och potentiellt kvantfördelar – från dagens bullriga, felbenägen hårdvara. Kända som variationskvantalgoritmer, de använder kvantlådorna för att manipulera kvantsystem samtidigt som de flyttar mycket av arbetsbelastningen till klassiska datorer för att låta dem göra det de för närvarande är bäst på:lösa optimeringsproblem.

"Kvantdatorer har löftet att överträffa klassiska datorer för vissa uppgifter, men på för närvarande tillgänglig kvanthårdvara kan de inte köra långa algoritmer. De har för mycket ljud när de interagerar med miljön, som korrumperar den information som behandlas, sa Marco Cerezo, en fysiker specialiserad på kvantberäkning, kvantmaskininlärning, och kvantinformation på Los Alamos och en huvudförfattare till tidningen. "Med variationsmässiga kvantalgoritmer, vi får det bästa av två världar. Vi kan utnyttja kraften i kvantdatorer för uppgifter som klassiska datorer inte kan göra lätt, använd sedan klassiska datorer för att komplettera beräkningskraften hos kvantenheter."

Ström bullriga, kvantdatorer i mellanskala har mellan 50 och 100 qubits, förlorar sin "kvantitet" snabbt, och saknar felkorrigering, som kräver mer qubits. Sedan slutet av 1990-talet, dock, teoretiker har utvecklat algoritmer utformade för att köras på en idealiserad stor, felkorrigering, feltålig kvantdator.

"Vi kan inte implementera dessa algoritmer ännu eftersom de ger nonsensresultat eller kräver för många qubits. Så folk insåg att vi behövde ett tillvägagångssätt som anpassar sig till begränsningarna för hårdvaran vi har - ett optimeringsproblem, sa Patrick Coles, en teoretisk fysiker som utvecklar algoritmer vid Los Alamos och den seniora huvudförfattaren till tidningen.

"Vi fann att vi kunde förvandla alla problem av intresse till optimeringsproblem, potentiellt med kvantfördelar, vilket betyder att kvantdatorn slår en klassisk dator vid uppgiften, " sa Coles. Dessa problem inkluderar simuleringar för materialvetenskap och kvantkemi, factoring siffror, stordataanalys, och praktiskt taget varje applikation som har föreslagits för kvantdatorer.

Algoritmerna kallas variationer eftersom optimeringsprocessen varierar algoritmen i farten, som ett slags maskininlärning. Den ändrar parametrar och logiska grindar för att minimera en kostnadsfunktion, vilket är ett matematiskt uttryck som mäter hur väl algoritmen har utfört uppgiften. Problemet är löst när kostnadsfunktionen når sitt lägsta möjliga värde.

I en iterativ funktion i variationskvantumalgoritmen, kvantdatorn uppskattar kostnadsfunktionen, skickar sedan resultatet tillbaka till den klassiska datorn. Den klassiska datorn justerar sedan ingångsparametrarna och skickar dem till kvantdatorn, som kör optimeringen igen.

Översiktsartikeln är tänkt att vara en heltäckande introduktion och pedagogisk referens för forskning som börjar på detta begynnande område. I det, författarna diskuterar alla applikationer för algoritmer och hur de fungerar, samt täcka utmaningar, fallgropar, och hur man åtgärdar dem. Till sist, den ser in i framtiden, överväger de bästa möjligheterna för att uppnå kvantfördelar på de datorer som kommer att finnas tillgängliga under de närmaste åren.