Kredit:Unsplash/CC0 Public Domain
Ett samarbete mellan Harvard University med forskare vid QuEra Computing, MIT, University of Innsbruck och andra institutioner har visat på en banbrytande tillämpning av neutral-atom kvantprocessorer för att lösa problem av praktisk användning.
Studien leddes av Mikhail Lukin, George Vasmer Leverett professor i fysik vid Harvard och meddirektör för Harvard Quantum Initiative, Markus Greiner, George Vasmer Leverett professor i fysik och Vladan Vuletic, Lester Wolfe professor i fysik vid MIT . Med titeln "Quantum Optimization of Maximum Independent Set using Rydberg Atom Arrays" publicerades forskningen den 5 maj 2022 i Science .
Tidigare hade neutral-atom kvantprocessorer föreslagits för att effektivt koda vissa hårda kombinatoriska optimeringsproblem. I denna landmärkepublikation implementerar författarna inte bara den första implementeringen av effektiv kvantoptimering på en riktig kvantdator, utan visar också upp oöverträffad kraft för kvanthårdvara.
Beräkningarna utfördes på Harvards kvantprocessor på 289 qubits som arbetar i analogt läge, med effektiva kretsdjup upp till 32. Till skillnad från tidigare exempel på kvantoptimering gjorde den stora systemstorleken och kretsdjupet som användes i detta arbete det omöjligt att använda klassisk simuleringar för att föroptimera styrparametrarna. En kvantklassisk hybridalgoritm var tvungen att distribueras i en sluten slinga, med direkt, automatiserad återkoppling till kvantprocessorn.
Denna kombination av systemstorlek, kretsdjup och enastående kvantkontroll kulminerade i ett kvantsprång:Probleminstanser hittades med empiriskt bättre än förväntat prestanda på kvantprocessorn kontra klassisk heuristik. Genom att karakterisera svårigheten med optimeringsproblemen med en "hårdhetsparameter", identifierade teamet fall som utmanade klassiska datorer, men som löstes mer effektivt med kvantprocessorn med neutrala atomer. En superlinjär kvanthastighetsuppgång hittades jämfört med en klass av generiska klassiska algoritmer. QuEras paket med öppen källkod GenericTensorNetworks.jl och Bloqade.jl var avgörande för att upptäcka svåra instanser och förstå kvantprestanda.
"En djup förståelse för kvantalgoritmens underliggande fysik såväl som de grundläggande begränsningarna hos dess klassiska motsvarighet gjorde det möjligt för oss att inse hur kvantmaskinen kunde uppnå en snabbare hastighet", säger Madelyn Cain, doktorand vid Harvard och en av huvudförfattarna .
Vikten av matchmaking mellan problem- och kvanthårdvara är central i detta arbete:"I en nära framtid, för att utvinna så mycket kvantkraft som möjligt, är det avgörande att identifiera problem som kan kartläggas naturligt till den specifika kvantarkitekturen, med lite ingen overhead", sa Shengtao Wang, seniorforskare vid QuEra Computing och en av meduppfinnarna av kvantalgoritmerna som används i detta arbete, "och vi uppnådde precis det i den här demonstrationen."
Problemet med "maximal independent set", löst av teamet, är en paradigmatisk svår uppgift inom datavetenskap och har breda tillämpningar inom logistik, nätverksdesign, ekonomi och mer. Identifieringen av klassiskt utmanande probleminstanser med kvantaccelererade lösningar banar vägen för tillämpning av kvantdatorer för att tillgodose verkliga industriella och sociala behov.
"Dessa resultat representerar det första steget mot att ge användbara kvantfördelar till svåra optimeringsproblem som är relevanta för flera branscher," tillade Alex Keesling, VD för QuEra Computing och medförfattare till det publicerade arbetet. "Vi är mycket glada över att se kvantberäkningen börja nå den nödvändiga mognadsnivån där hårdvaran kan informera utvecklingen av algoritmer utöver vad som kan förutsägas i förväg med klassiska beräkningsmetoder. Dessutom förekomsten av en kvanthastighetsuppgång för svåra probleminstanser är oerhört uppmuntrande. Dessa resultat hjälper oss att utveckla bättre algoritmer och mer avancerad hårdvara för att hantera några av de svåraste och mest relevanta beräkningsproblemen." + Utforska vidare
