Модель ИИ предсказывает, будет ли данная квантовая машина иметь какое-либо квантовое преимущество. Она основана на нейронной сети, которая анализирует сетевую структуру квантовой системы и постепенно учится предсказывать ее поведение. Это поможет ученым разработать новые эффективные квантовые устройства.
Квантовые вычисления имеют потенциал для решения различных сложных проблем, которые современные компьютеры не могут даже обработать. Например, это может помочь ученым детально изучить химические реакции и обнаружить стабильные молекулярные структуры для фармацевтики и других областей.
Однако одной из ключевых проблем как в классической, так и в квантовой вычислительной технике является ускорение вычислений. Хотя квантовые компьютеры могут работать намного быстрее классических, разработка таких машин потребует много времени и денег. Даже в этом случае никто не может гарантировать, что эти машины будут обладать квантовыми преимуществами.
Недавно исследовательская группа в Московском физико-техническом институте, университете ИТМО и Физико-техническом институте имени К.А. Валиева разработала новый инструмент, который предсказывает, будет ли данная квантовая машина иметь какое-либо квантовое преимущество.
Этот новый инструмент основан на нейронной сети, которая анализирует сетевую структуру квантовой системы и постепенно учится предсказывать ее поведение. Это поможет ученым разработать новые эффективные квантовые устройства.
использовались в последние годы для эффективной обработки квантовой информации. Они являются квантовыми аналогами классических случайных блужданий. Вы можете визуализировать это явление как частицу, путешествующую в определенной сети, которая лежит в основе квантовой цепи.
В отличие от классического состояния “ходячего”, состояние квантового ходячего может быть когерентным суперпозицией нескольких позиций. Устройство будет иметь квантовое преимущество, если частица в цепи устройства проявляет квантовое перемещение (от одного узла сети к другому) быстрее, чем ее классический аналог.
В этом исследовании исследователи использовали модель машинного обучения для определения таких превосходных сетей. Модель различает сети и постепенно учится предсказывать, даст ли данная сеть какое-либо квантовое преимущество. Это дает нам сети, которые могут быть использованы для разработки эффективного квантового компьютера.
Обучающие примеры были получены путем моделирования динамики случайного блуждания как классических, так и квантовых частиц. Каждый обучающий пример содержал матрицу смежности и соответствующий ярлык («классический» или «квантовый»).
Исследовательская группа также создала инструмент для упрощения разработки вычислительных схем на основе квантовых алгоритмов. Он может быть использован для проведения исследований в области материаловедения и биофотоники.
Квантовые блуждания обеспечат простой способ (намного более простой, чем архитектуры, основанные на кубитах и элементах) реализации квантовых вычислений природных явлений. Например, они обладают потенциалом точно описать возбуждение фоточувствительных белков, таких как хлорофилл или родопсин.
Поскольку белок представляет собой сложную биомолекулу со структурой, подобной структуре сети, определение времени квантового блуждания от одного узла сети к другому может показать, что на самом деле происходит внутри молекулы: где электрон будет двигаться и какое возбуждение он вызовет.
Исследование опубликовано в .
