Ученые из двух ведущих университетов представили способ решения квантовых задач на обычном компьютере. Этот метод можно масштабировать на относительно бюджетные устройства.
Физики из Швейцарского федерального технологического института Лозанны (EPFL) и Колумбийского университета представили подход к моделированию квантового алгоритма с помощью обычного компьютера. Новый подход использует классический алгоритм машинного обучения, который имитирует поведение квантовых компьютеров ближайшего будущего.
В работе, опубликованной в журнале Nature Quantum Information, профессор EPFL Джузеппе Карлео и аспирант Колумбийского университета Матия Медвидович, нашли способ выполнить сложный алгоритм квантовых вычислений на традиционных компьютерах вместо квантовых.
«Квантовое программное обеспечение», известное как Quantum Approximate Optimization Algorithm (QAOA) используется для решения классических задач оптимизации в математике. По сути, это способ выбора наилучшего решения задачи из множества возможных решений. Существует большой интерес к пониманию того, какие проблемы могут быть эффективно решены квантовым компьютером, и QAOA является одним из наиболее заметных кандидатов для этого», — объяснил Карлео.
У QAOA есть множество сторонников, в том числе и Google, который делает ставку на квантовые технологии и вычисления в ближайшем будущем: в 2019 году они создали Sycamore, 53-кубитный квантовый процессор, и использовали его для выполнения задачи, на которую, по их оценкам, современному классическому суперкомпьютеру потребовалось бы около 10 тыс. лет. Sycamore выполнил ту же задачу за 200 секунд.
Используя обычные компьютеры, ученые разработали метод, который может приблизительно имитировать поведение особого класса алгоритмов, известных как вариационные квантовые алгоритмы, они представляют собой способы определения состояния с наименьшей энергией или «основного состояния» квантовой системы. QAOA является одним из важных примеров такого семейства квантовых алгоритмов, которые, по мнению исследователей, являются одними из наиболее перспективных кандидатов на «квантовое преимущество» в компьютерах ближайшего будущего.
В основе подхода лежит идея о том, что современные инструменты машинного обучения можно использовать для обучения и эмуляции внутренней работы квантового компьютера. Ключевым инструментом для этих симуляций является Neural Network Quantum States, искусственная нейронная сеть, которую Карлео разработал в 2016 году вместе с Матиасом Тройером и которая теперь впервые использовали для симуляции QAOA.