Традиционните компютри могат да решат някои квантови проблеми


квантово

Кредит: CC0 Public Domain

Имаше много шум около квантовите компютри и има защо. Футуристичните компютри са проектирани да имитират това, което се случва в природата в микроскопични мащаби, което означава, че имат силата да разберат по-добре квантовата сфера и да ускорят откриването на нови материали, включително фармацевтични продукти, екологични химикали и др. Експертите обаче казват, че жизнеспособните квантови компютри са все още след десетилетие или повече. Какво трябва да правят изследователите междувременно?

Ново проучване, ръководено от Caltech, в списанието Наука описва как машинно обучение инструменти, бягайте класически компютриможе да се използва за правене на прогнози за квантови системи и по този начин помага на изследователите да решат някои от най-трудните проблеми по физика и химия. Въпреки че тази идея е била показана експериментално преди, новият доклад е първият, който математически доказва, че методът работи.

„Квантовите компютри са идеални за много видове проблеми на физиката и науката за материалите“, казва водещият автор Хсин-Юан (Робърт) Хуанг, аспирант, работещ с Джон Прескил, професорът по теоретична физика на Ричард П. Фейнман и Алън В. К. Дейвис и Ленабел Дейвис, председател на ръководството на Института за квантова наука и технологии (IQIM). „Но все още не сме съвсем там и бяхме изненадани да научим, че междувременно могат да се използват класически методи за машинно обучение. В крайна сметка тази статия е за показване на това, което хората могат да научат за физическия свят.“

На микроскопични нива физическият свят се превръща в невероятно сложно място, управлявано от законите на квантовата физика. В тази област частиците могат да съществуват в a суперпозиция от щати или в две щати едновременно. А наслагването на състояния може да доведе до заплитане, феномен, при който частиците са свързани или корелирани, без дори да са в контакт една с друга. Тези странни състояния и връзки, които са широко разпространени в природни и създадени от човека материали, са много трудни за математически описание.

„Предвиждането на нискоенергийното състояние на даден материал е много трудно“, казва Хуанг. “Има огромен брой атоми и те са насложени и заплетени. Не можете да напишете уравнение, което да опише всичко.”

Новото изследване е първата математическа демонстрация, че класическото машинно обучение може да се използва за преодоляване на пропастта между нас и квантовия свят. Машинното обучение е вид компютърно приложение, което имитира човешки мозък да се учи от данни.

„Ние сме класически същества, живеещи в квантов свят“, казва Прескил. „Нашите мозъци и компютри са класически и това ограничава способността ни да взаимодействаме и разбираме квантовата реалност.“

Докато предишни проучвания показват, че приложенията за машинно обучение имат способността да решават някои квантови проблеми, тези методи обикновено работят по начини, които затрудняват изследователите да научат как машините са стигнали до своите решения.

„Обикновено, когато става дума за машинно обучение, не знаете как машината е решила проблема. Това е черна кутия“, казва Хуанг. „Но сега по същество разбрахме какво се случва в кутията чрез нашите числени симулации.“ Хуанг и колегите му направиха много числени симулации в сътрудничество с AWS Center for Quantum Computing в Caltech, който потвърди техните теоретични резултати.

Новото изследване ще помогне на учените да разберат и класифицират по-добре сложни и екзотични фази на квантовата материя.

„Притеснението беше, че хората, създаващи нови квантови състояния в лабораторията, може да не са в състояние да ги разберат“, обяснява Прескил. „Но сега можем да получим разумни класически данни, за да обясним какво се случва. Класическите машини не просто ни дават отговор като оракул, но ни насочват към по-дълбоко разбиране.“

Съавторът Виктор В. Албърт, физик от NIST (Национален институт за стандарти и технологии) и бивш постдокторант на наградата DuBridge в Caltech, е съгласен. „Частта, която ме вълнува най-много в тази работа, е, че сега сме по-близо до инструмент, който ви помага да разберете основната фаза на квантово състояние, без да изисква да знаете много за това състояние предварително.“

В крайна сметка, разбира се, бъдещите квантово-базирани инструменти за машинно обучение ще надминат класическите методи, казват учените. В свързано проучване, публикувано на 10 юни 2022 г., в НаукаHuang, Preskill и техните сътрудници съобщават, че използват процесора Sycamore на Google, елементарен квантов компютърза да демонстрира, че квантовото машинно обучение превъзхожда класическите подходи.

„Все още сме в самото начало на тази област“, ​​казва Хуанг. „Но ние знаем, че квантовото машинно обучение в крайна сметка ще бъде най-ефективното.“

The Наука проучването е озаглавено „Доказано ефективно машинно обучение за квантови проблеми с много тела“.


Теорията предполага, че квантовите компютри трябва да бъдат експоненциално по-бързи при някои учебни задачи от класическите машини


Повече информация:
Hsin-Yuan Huang, Доказано ефективно машинно обучение за квантови проблеми с много тела, Наука (2022). DOI: 10.1126/science.abk3333. www.science.org/doi/10.1126/science.abk3333

Цитат: Традиционните компютри могат да решат някои квантови проблеми (2022 г., 22 септември), извлечено на 22 септември 2022 г. от https://phys.org/news/2022-09-traditional-quantum-problems.html

Този документ е обект на авторско право. Освен всяко честно отношение за целите на частно проучване или изследване, никоя част не може да бъде възпроизвеждана без писмено разрешение. Съдържанието се предоставя само за информационни цели.