Tradiciniai kompiuteriai gali išspręsti kai kurias kvantines problemas


kvantinis

Kreditas: CC0 viešasis domenas

Apie kvantinius kompiuterius buvo daug diskusijų ir dėl geros priežasties. Futuristiniai kompiuteriai sukurti taip, kad imituotų tai, kas vyksta gamtoje mikroskopiniais masteliais, o tai reiškia, kad jie gali geriau suprasti kvantinę sritį ir pagreitinti naujų medžiagų, įskaitant vaistus, aplinkai nekenksmingas chemines medžiagas ir kt., atradimą. Tačiau ekspertai teigia, kad iki gyvybingų kvantinių kompiuterių tebėra dešimt ar daugiau metų. Ką tuo tarpu daryti mokslininkams?

Naujas Caltech vadovaujamas tyrimas žurnale Mokslas aprašo, kaip mašininis mokymasis įrankiai, bėk toliau klasikiniai kompiuteriaigali būti naudojamas prognozuoti apie kvantinės sistemos ir taip padėti tyrėjams išspręsti kai kurias sudėtingiausias fizikos ir chemijos problemas. Nors ši mintis buvo eksperimentiškai parodyta anksčiau, nauja ataskaita yra pirmoji matematiškai įrodanti, kad metodas veikia.

„Kvantiniai kompiuteriai idealiai tinka daugeliui fizikos ir medžiagų mokslo problemų sprendimo būdų“, – sako pagrindinis autorius Hsin-Yuanas (Robertas) Huangas, magistrantas, dirbantis su Johnu Preskillu, Richardu P. Feynmanu, teorinės fizikos profesoriumi ir Allenu VC Davisu. Lenabelle Davis Kvantinio mokslo ir technologijos instituto (IQIM) lyderystė. “Tačiau mes dar to nepadarėme ir nustebome sužinoję, kad tuo tarpu galima naudoti klasikinius mašininio mokymosi metodus. Galiausiai šis dokumentas skirtas parodyti, ką žmonės gali išmokti apie fizinį pasaulį.”

Mikroskopiniame lygmenyje fizinis pasaulis tampa neįtikėtinai sudėtinga vieta, kurią valdo kvantinės fizikos dėsniai. Šioje srityje dalelės gali egzistuoti a superpozicija valstybių arba dviejose valstybėse vienu metu. Ir gali sukelti valstybių superpoziciją įsipainiojimasreiškinys, kai dalelės yra susietos arba koreliuojamos, net nesusiliedamos viena su kita. Šias keistas būsenas ir ryšius, plačiai paplitusius natūraliose ir žmogaus sukurtose medžiagose, labai sunku apibūdinti matematiškai.

„Labai sunku numatyti mažos energijos būseną“, – sako Huangas. “Yra didžiulis atomų skaičius, jie yra vienas ant kito ir susipynę. Negalite užrašyti lygties, kad visa tai apibūdintumėte.”

Naujasis tyrimas yra pirmasis matematinis įrodymas, kad klasikinis mašininis mokymasis gali būti naudojamas norint įveikti atotrūkį tarp mūsų ir kvantinio pasaulio. Mašininis mokymasis yra kompiuterio programos rūšis, kuri imituoja žmogaus smegenys mokytis iš duomenų.

“Mes esame klasikinės būtybės, gyvenančios kvantiniame pasaulyje”, – sako Preskill. „Mūsų smegenys ir kompiuteriai yra klasikiniai, o tai riboja mūsų gebėjimą bendrauti su kvantine tikrove ir ją suprasti.

Nors ankstesni tyrimai parodė, kad mašininio mokymosi programos gali išspręsti kai kurias kvantines problemas, šie metodai paprastai veikia taip, kad tyrėjams sunku sužinoti, kaip mašinos pasiekė savo sprendimus.

“Paprastai, kai kalbama apie mašininį mokymąsi, jūs nežinote, kaip mašina išsprendė problemą. Tai juodoji dėžė”, – sako Huangas. “Tačiau dabar mes iš esmės išsiaiškinome, kas vyksta dėžutėje, naudodami skaitmeninius modeliavimus.” Huangas ir jo kolegos padarė daug skaitmeniniai modeliavimai bendradarbiaujant su Caltech AWS kvantinio skaičiavimo centru, kuris patvirtino jų teorinius rezultatus.

Naujasis tyrimas padės mokslininkams geriau suprasti ir klasifikuoti sudėtingas ir egzotiškas kvantinės medžiagos fazes.

„Nerimą kelia tai, kad žmonės, kuriantys naujas kvantines būsenas laboratorijoje, gali nesugebėti jų suprasti“, – aiškina Preskill. “Tačiau dabar galime gauti pagrįstų klasikinių duomenų, kad paaiškintume, kas vyksta. Klasikinės mašinos ne tik pateikia atsakymą kaip orakulas, bet ir nukreipia mus gilesnio supratimo link.”

Bendraautorius Viktoras V. Albertas, NIST (Nacionalinis standartų ir technologijų institutas) fizikas ir buvęs Caltech DuBridge premijos doktorantas, sutinka. „Šis darbas mane labiausiai jaudina tai, kad dabar esame arčiau įrankio, kuris padeda suprasti pagrindinę kvantinės būsenos fazę, nereikalaujant iš anksto daug žinoti apie tą būseną.

Galiausiai, žinoma, būsimos kvantinės mašinų mokymosi priemonės pranoks klasikinius metodus, teigia mokslininkai. A susijęs tyrimas, kuris pasirodys 2022 m. birželio 10 d MokslasHuang, Preskill ir jų bendradarbiai praneša, kad naudoja Google Sycamore procesorių – pradinį kvantinį kompiuterissiekiant parodyti, kad kvantinis mašinų mokymasis yra pranašesnis už klasikinius metodus.

„Mes vis dar esame pačioje šios srities pradžioje“, – sako Huangas. “Tačiau mes žinome, kad kvantinis mašinų mokymasis galiausiai bus efektyviausias.”

The Mokslas Tyrimas pavadintas „Įrodomas efektyvus mašininis mokymasis kvantinėms daugelio kūno problemoms spręsti“.


Teorija rodo, kad kvantiniai kompiuteriai turėtų būti eksponentiškai greitesni kai kuriose mokymosi užduotyse nei klasikinės mašinos


Daugiau informacijos:
Hsin-Yuan Huang, įrodyta, kad efektyvus mašininis mokymasis sprendžiant kvantines daugelio kūnų problemas, Mokslas (2022). DOI: 10.1126/science.abk3333. www.science.org/doi/10.1126/science.abk3333

Citata: tradiciniai kompiuteriai gali išspręsti kai kurias kvantines problemas (2022 m. rugsėjo 22 d.), gauta 2022 m. rugsėjo 22 d. iš https://phys.org/news/2022-09-traditional-quantum-problems.html

Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.