کشف نرم افزار کوانتومی تازه به وسیله دانشمندان EPFL - مجله سرگرمی

به گزارش خبرنگار ، به نقل از actu.epfl.ch، دو فیزیکدان از EPFL و دانشگاه کلمبیا، روشی را برای شبیه سازی الگوریتم بهینه سازی تقریبی کوانتومی با استفاده از رایانه سنتی معرفی نموده اند. به جای اجرای الگوریتم بر روی پردازنده های کوانتومی پیشرفته، رویکرد تازه از یک الگوریتم کلاسیک یادگیری ماشین استفاده می نماید که رفتار کامپیوتر های کوانتومی نزدیک مدت را شبیه سازی می نماید. مقاله منتشر شده در Nature Quantum Information، به وسیله جوزپه کارلو، پروفسور EPFL و ماتیا مدیدوویچ دانشجوی کارشناسی ارشد دانشگاه کلمبیا و موسسه Flatiron در نیویورک، راهی را برای اجرای یک الگوریتم پیچیده محاسبات کوانتومی بر روی رایانه های سنتی به جای رایانه های کوانتومی نشان می دهد.

نرم افزار کوانتومی خاصی که دانشمندان در نظر دارند به اسم الگوریتم بهینه سازی تقریبی کوانتومی (QAOA) شناخته می گردد و برای حل مسائل بهینه سازی کلاسیک در ریاضیات استفاده می گردد. اساساً این نرم افزار راهی برای انتخاب برترین راه چاره برای یک مشکل از مجموعه راه چاره های ممکن است. کارلئو می گوید: علاقه زیادی به درک این موضوع وجود دارد که چه مشکلاتی را می توان با رایانه کوانتومی به طور موثر حل کرد و QAOA یکی از برجسته ترین نامزد ها است. speedup، افزایش سرعت پیش بینی شده ای است که می توانیم به جای رایانه های معمولی با رایانه های کوانتومی به دست آوریم. بدیهی است که QAOA تعدادی حامی از جمله گوگل دارد که منظره خود را بر روی فناوری های کوانتومی و محاسبات در آینده نزدیک متمرکز نموده اند. در سال 2019 آن ها Sycamore، پردازنده کوانتومی 53 کیوبیتی را ایجاد کردند. جالب است بدانید تکمیل یک ابر رایانه کلاسیک 10 هزار سال طول می کشد، اما Sycamore همین کار را در 200 ثانیه انجام داد.

این دو دانشمند در مطالعه خود به یک مسئله کلیدی در این زمینه پرداختند؛ آیا الگوریتم های اجرا شده بر روی رایانه های کوانتومی فعلی و کوتاه مدت می توانند مزایای قابل توجهی نسبت به الگوریتم های کلاسیک برای کار های مورد علاقه داشته باشند؟ کارلئو می گوید: اگر بخواهیم به این سوال پاسخ دهیم، ابتدا باید محدودیت های محاسبات کلاسیک را در شبیه سازی سیستم های کوانتومی درک کنیم، زیرا نسل فعلی پردازنده های کوانتومی در شرایطی کار می نمایند که هنگام اجرای نرم افزار کوانتومی دچار خطا می شوند و بنابراین فقط می توانند الگوریتم هایی با پیچیدگی محدود اجرا نمایند.

با استفاده از رایانه های معمولی، دو محقق روشی را توسعه دادند که تقریباً می تواند رفتار کلاس خاصی از الگوریتم ها را که به اسم الگوریتم های کوانتومی متغیر شناخته می شوند، شبیه سازی کند که روش هایی برای معین کمترین حالت انرژی یا حالت پایه یک سیستم کوانتومی است. QAOA یکی از نمونه های مهم از الگوریتم های کوانتومی است که محققان معتقدند از رایج ترین کاندیدا ها برای مزیت کوانتومی در رایانه های کوانتومی کوتاه مدت هستند.

این رویکرد بر اساس این ایده است که ابزار های مدرن یادگیری ماشین به اسم مثال مواردی که در یادگیری بازی های پیچیده مانند Go به کار می رود، می تواند برای یادگیری و شبیه سازی عملکرد های داخلی یک کامپیوتر کوانتومی هم استفاده گردد. ابزار اصلی این شبیه سازی ها حالت های کوانتومی شبکه عصبی هستند. یک شبکه عصبی مصنوعی که Carleo در سال 2016 با ماتیاس ترویر توسعه داد و اکنون برای اولین بار برای شبیه سازی QAOA استفاده شد. نتایج بدست آمده محاسبات کوانتومی محسوب می شوند و معیار تازهی برای توسعه آینده سخت افزار کوانتومی معین می نمایند.

کارلئو می گوید: کار ما نشان می دهد QAOA که بر روی رایانه های کوانتومی فعلی و کوتاه مدت اجرا می گردد، می تواند با دقت خوب در رایانه های کلاسیک هم شبیه سازی گردد. با این حال، این بدان معنا نیست که الگوریتم های کوانتومی کاربردی که می توانند در پردازنده های کوانتومی کوتاه مدت اجرا شوند، می توانند به طور کلاسیک شبیه سازی شوند. در واقع، ما امیدواریم که رویکرد ما به اسم هدایت برای طراحی الگوریتم های کوانتومی تازه باشد که هم برای رایانه های کلاسیک مفید و هم شبیه سازی آن ها سخت است.

gardeshia.ir: گردشیا: مجله سفر و گردشگری

picoro.ir: پیکورو: وبلاگ ماشین و خودرو