دانشمندان افزایش سرعت کوانتومی را در مسائل بهینه‌سازی مشاهده می‌کنند — ScienceDaily


همکاری بین دانشگاه هاروارد با دانشمندان QuEra Computing، MIT، دانشگاه Innsbruck و سایر موسسات، کاربرد موفقیت آمیز پردازنده های کوانتومی اتم خنثی را برای حل مشکلات استفاده عملی نشان داده است.

این مطالعه توسط میخائیل لوکین، پروفسور جورج واسمر لورت، استاد فیزیک در هاروارد و یکی از مدیران ابتکار کوانتومی هاروارد، مارکوس گرینر، جورج واسمر لورت، استاد فیزیک، و ولادان وولتیک، پروفسور لستر ولف، استاد فیزیک در MIT انجام شد. . با عنوان “بهینه سازی کوانتومی حداکثر مجموعه مستقل با استفاده از آرایه های اتم Rydberg” در 5 می منتشر شد.هفتم، 2022، در مجله Science.

پیش از این، پردازنده‌های کوانتومی اتم خنثی برای کدگذاری کارآمد برخی مسائل بهینه‌سازی ترکیبی سخت پیشنهاد شده بودند. در این نشریه برجسته، نویسندگان نه تنها اولین پیاده‌سازی بهینه‌سازی کوانتومی کارآمد را بر روی یک کامپیوتر کوانتومی واقعی اجرا می‌کنند، بلکه قدرت سخت‌افزار کوانتومی بی‌سابقه‌ای را نیز به نمایش می‌گذارند.

محاسبات بر روی پردازنده کوانتومی 289 کیوبیت هاروارد که در حالت آنالوگ کار می کند، با عمق مدار موثر تا 32 انجام شد. برخلاف نمونه های قبلی بهینه سازی کوانتومی، اندازه سیستم بزرگ و عمق مدار مورد استفاده در این کار، استفاده از کلاسیک را غیرممکن کرد. شبیه سازی برای از قبل بهینه سازی پارامترهای کنترل یک الگوریتم ترکیبی کوانتومی-کلاسیک باید در یک حلقه بسته با بازخورد مستقیم و خودکار به پردازنده کوانتومی مستقر می شد.

این ترکیبی از اندازه سیستم، عمق مدار و کنترل کوانتومی برجسته در یک جهش کوانتومی به اوج خود رسید: نمونه‌های مشکلی با عملکرد تجربی بهتر از حد انتظار در پردازنده کوانتومی در مقابل اکتشافی کلاسیک یافت شدند. با مشخص کردن دشواری نمونه‌های مسئله بهینه‌سازی با یک «پارامتر سختی»، این تیم مواردی را شناسایی کردند که رایانه‌های کلاسیک را به چالش می‌کشیدند، اما با استفاده از پردازنده کوانتومی اتم خنثی به طور مؤثرتری حل شدند. یک افزایش سرعت کوانتومی فوق خطی در مقایسه با کلاسی از الگوریتم‌های کلاسیک عمومی پیدا شد. بسته‌های منبع باز QuEra GenericTensorNetworks.jl و Bloqade.jl در کشف نمونه‌های سخت و درک عملکرد کوانتومی مؤثر بودند.

مادلین کین، دانشجوی فارغ التحصیل هاروارد و یکی از نویسندگان اصلی، می‌گوید: «درک عمیق فیزیک اساسی الگوریتم کوانتومی و همچنین محدودیت‌های اساسی الگوریتم کلاسیک آن به ما این امکان را می‌دهد تا راه‌هایی را برای ماشین کوانتومی برای دستیابی به سرعت افزایش پیدا کنیم. . اهمیت تطبیق بین مشکل و سخت افزار کوانتومی در این کار بسیار مهم است: “در آینده نزدیک، برای استخراج هر چه بیشتر توان کوانتومی، شناسایی مشکلاتی که می توانند به صورت بومی در معماری کوانتومی خاص نگاشت شوند، حیاتی است. Shengtao Wang، دانشمند ارشد QuEra Computing و یکی از مخترعان الگوریتم های کوانتومی مورد استفاده در این کار، گفت: “و ما دقیقاً در این نمایش به آن دست یافتیم.”

مسئله “حداکثر مجموعه مستقل” که توسط تیم حل شده است، یک کار سخت پارادایمی در علوم کامپیوتر است و کاربردهای گسترده ای در لجستیک، طراحی شبکه، امور مالی و موارد دیگر دارد. شناسایی نمونه‌های مشکل کلاسیک چالش‌برانگیز با راه‌حل‌های شتاب‌دهنده کوانتومی، مسیر را برای استفاده از محاسبات کوانتومی برای برآوردن نیازهای صنعتی و اجتماعی دنیای واقعی هموار می‌کند.

الکس کیزلینگ، مدیر اجرایی QuEra Computing و یکی از نویسندگان کار منتشر شده، اضافه کرد: «این نتایج اولین گام به سمت ایجاد مزیت کوانتومی مفید برای مشکلات بهینه‌سازی سخت مرتبط با صنایع مختلف است.» “ما بسیار خوشحالیم که می بینیم محاسبات کوانتومی شروع به رسیدن به سطح بلوغ لازم می کند، جایی که سخت افزار می تواند توسعه الگوریتم ها را فراتر از آنچه می توان از قبل با روش های محاسباتی کلاسیک پیش بینی کرد، اطلاع رسانی کند. علاوه بر این، وجود یک افزایش سرعت کوانتومی برای نمونه های مشکل سخت این نتایج به ما کمک می‌کند تا الگوریتم‌های بهتر و سخت‌افزار پیشرفته‌تری برای مقابله با برخی از سخت‌ترین و مرتبط‌ترین مشکلات محاسباتی ایجاد کنیم.

منبع داستان:

مواد تهیه شده توسط دانشگاه هاروارد. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]