هوش مصنوعی مزایای کوانتومی را "می بیند" - به سمت رایانه های جدید کوانتومی کارآمد کمک کنید

محققان روسی از انستیتوی فیزیک و فناوری مسکو ، موسسه فیزیک و فناوری والیف و دانشگاه ITMO شبکه عصبی ایجاد کرده اند که یادگیری رفتار یک سیستم کوانتومی را با "بررسی" ساختار شبکه آن فرا گرفته است. شبکه عصبی به طور مستقل راه حل هایی را می یابد که به خوبی برای نمایش مزیت های کوانتومی سازگار باشد. این امر به محققان در توسعه رایانه های کوانتومی کارآمد کمک خواهد کرد. یافته ها در New Journal of Physics گزارش شده است.

طیف گسترده ای از مشکلات در علوم مدرن از طریق محاسبات مکانیکی کوانتوم حل می شود. برخی از این مثالها تحقیق در مورد واکنشهای شیمیایی و جستجوی ساختارهای مولکولی پایدار برای دارو ، داروسازی و سایر صنایع است. ماهیت کوانتومی مشکلات درگیر ، محاسبات کوانتومی را برای آنها مناسب تر می کند. برعکس ، محاسبات کلاسیک فقط راه حل های تقریبی بزرگ را برمی گردانند.

ایجاد رایانه های کوانتومی هزینه بر و زمانبر است و دستگاه های بدست آمده هیچ گونه مزیت کوانتومی را به نمایش نمی گذارند. یعنی سریعتر از رایانه معمولی کار کنید. بنابراین محققان به ابزارهایی برای پیش بینی اینکه آیا یک دستگاه کوانتومی معین از مزیت کوانتومی برخوردار است ، نیاز دارند.

یکی از راه های پیاده سازی محاسبات کوانتومی پیاده روی کوانتومی است. به عبارت ساده تر ، این روش را می توان بصورت ذره ای در حال حرکت در یک شبکه خاص ، که زیربنای یک مدار کوانتومی است ، مشاهده کرد.

اگر راه رفتن کوانتومی یک ذره از یک گره شبکه به گره دیگر سریعتر از آنالوگ کلاسیک آن اتفاق بیفتد ، دستگاهی که بر اساس آن مدار باشد یک مزیت کوانتومی خواهد داشت. جستجوی چنین شبکه های برتر کار مهمی است که توسط متخصصان پیاده روی کوانتومی انجام می شود.

آنچه محققان روسی انجام دادند این است که آنها هوش مصنوعی را جایگزین متخصصان کردند. آنها این ماشین را آموزش دادند تا بین شبکه ها تشخیص دهد و تشخیص دهد که آیا یک شبکه معین از مزیت کوانتومی برخوردار است. این شبکه هایی را مشخص می کند که کاندیداهای خوبی برای ساخت رایانه کوانتومی هستند.

این تیم از یک شبکه عصبی جهت شناسایی تصویر استفاده کردند. یک ماتریس همجواری به عنوان داده های ورودی ، همراه با تعداد گره های ورودی و خروجی خدمت می کند. شبکه عصبی پیش بینی اینکه آیا پیاده روی کلاسیک یا کوانتومی بین گره های داده شده سریعتر است را بازگرداند.

"مشخص نبود که این رویکرد م workثر باشد ، اما این کار نیز انجام شد. ما در آموزش رایانه برای پیش بینی خودمختار اینکه یک شبکه پیچیده دارای مزیت کوانتومی است کاملاً موفق بوده ایم. "، دانشیار لئونید فدیچکین ، از گروه فیزیک نظری در MIPT ، گفت.

"مرز بین رفتارهای کوانتومی و کلاسیک اغلب نامشخص است. ویژگی بارز مطالعه ما بینایی رایانه ای خاص است که قادر به تشخیص این خط خوب در فضای شبکه است. "الکسی ملنیکوف ، محقق فارغ التحصیل MIPT و محقق دانشگاه ITMO ، افزود.

محققان با همکاری الکساندر الودجانتس ، ابزاری را ایجاد کردند که توسعه مدارهای محاسباتی مبتنی بر الگوریتم های کوانتوم را ساده می کند. دستگاه های بدست آمده در تحقیقات بیوفوتونیک و علوم مواد مورد توجه قرار خواهند گرفت.

یکی از فرایندهایی که پیاده روی کوانتومی به خوبی توصیف می کند ، تحریک پروتئین های حساس به نور ، مانند رودوپسین یا کلروفیل است. پروتئین یک مولکول پیچیده است که ساختار آن شبیه شبکه است. حل مسئله ای که به طور رسمی شامل یافتن زمان پیاده روی کوانتومی از یک گره به گره دیگر است ، ممکن است واقعاً نشان دهد که برای یک الکترون در یک موقعیت خاص در یک مولکول چه اتفاقی می افتد ، جایی که حرکت خواهد کرد و چه نوع تحریکی ایجاد می کند.

در مقایسه با معماری های ساخته شده بر اساس کیوبیت ها و دروازه ها ، انتظار می رود پیاده روی های کوانتومی راهی آسان تر برای اجرای محاسبه کوانتومی پدیده های طبیعی ارائه دهند. دلیل این امر این است که پیاده روی ها خود یک روند فیزیکی طبیعی هستند.