کامپیوترهای کوانتومی از ابررایانه‌ها پیشی گرفتند_صبح سریع

محققان USC با نشان دادن این که روش بازپخت کوانتومی می‌تواند مسائل بهینه‌سازی پیچیده را سریع تر از راه حلهای کلاسیک حل کند، به نقطه عطفی در محاسبات کوانتومی دست یافته‌اند.

با تصحیح خطای پیشرفته، آنها با منفعت گیری از پردازنده کوانتومی D-Wave، الگوریتم‌های کلاسیک برتر را ناکامی دادند.

مزیت کوانتومی اثبات شد

در یک پیشرفت بزرگ، محققان دانشگاه USC نشان داده‌اند که رایانه‌های کوانتومی می‌توانند حتی از سریع‌ترین ابررایانه‌ها در حل برخی مسائل پیچیده بهتر عمل کنند.

این جهش رو به جلو، که به گفتن مزیت کوانتومی شناخته می‌شود، با منفعت گیری از تکنیکی تخصصی به نام آنیلینگ کوانتومی نشان داده شد. آن را به گفتن روشی هوشمندانه‌تر برای جستجوی راه‌حل‌های عالی (نه لزوماً بی‌نقص) برای معما‌های پیچیده‌ای که رایانه‌های سنتی با آنها دست و پنجه نرم می‌کنند، در نظر بگیرید. نتایج اخیراً در Physical Review Letters انتشار شده است.

دانیل لیدار، نویسنده‌ی مسئول این مطالعه و استاد مهندسی برق و کامپیوتر، شیمی، فیزیک و نجوم در دانشکده‌ی مهندسی ویتربی دانشگاه کالیفرنیای جنوبی و کالج ادبیات، هنر و علوم دورنسیف دانشگاه کالیفرنیای جنوبی، او گفت: «روش کار آنیلینگ کوانتومی، یافتن حالت‌های کم‌انرژی در سیستم‌های کوانتومی است که با راه‌حل‌های بهینه یا نزدیک به بهینه برای مسائل حل‌شده مطابقت دارند.»

تحول به سمت بهینه‌سازی تقریبی

سال‌ها است که دانشمندان تلاش می‌کنند ثابت کنند کامپیوتر‌های کوانتومی می‌توانند با بزرگتر شدن مسائل، مقیاس‌پذیرتر شوند و سیستم‌های کلاسیک را ناکامی دهند. این مطالعه با تحول تمرکز از یافتن راه‌حل‌های بی‌نقص و در عوض مقصد قرار دادن جواب‌های تقریباً بی‌نقص، که زیاد تر در دنیای واقعی بیشتر از حد کافی خوب می باشند، رویکرد جدیدی را در پیش می‌گیرد.

این نوع «بهینه‌سازی تقریبی» به اختصاصی در حوزه‌هایی همانند امور مالی، لجستیک و یادگیری ماشین سودمند است، جایی که نزدیک شدن سریع به بهترین راه‌حل ارزشمندتر از صرف زمان زیاد برای رسیدن به کمال است.

با منفعت گیری از بازپخت کوانتومی، محققان توانستند جواب‌های با کیفیت بالا را سریع تر از بهترین الگوریتم‌های کلاسیک اشکار کنند – که گامی بزرگ به سوی محاسبات کوانتومی در دنیای واقعی است.

آنیلینگ کوانتومی نوع خاصی از محاسبات کوانتومی است که می‌تواند از اصول فیزیک کوانتومی برای یافتن راه‌حل‌های با کیفیت بالا برای مسائل بهینه‌سازی دشوار منفعت گیری کند. این مطالعه به جای نیاز به راه‌حل‌های بهینه دقیق، بر یافتن راه‌حل‌هایی در محدوده درصد مشخصی (≥۱%) از مقدار بهینه تمرکز داشت.

کاربرد‌های دنیای واقعی جواب‌های تقریبی

تعداد بسیاری از مسائل دنیای واقعی نیازی به راه‌حل‌های دقیق ندارند، و این رویکرد را عملاً مرتبط می‌سازد. برای مثال، در تعیین این که کدام سهام را در یک صندوق اندوخته‌گذاری مشترک قرار دهیم، زیاد تر کافی است که فقط یک شاخص بازار پیشرو را ناکامی دهیم تا این که هر سبد سهام فرد دیگر را ناکامی دهیم.

برای نشان دادن مزیت مقیاس‌بندی کوانتومی الگوریتمی، محققان از یک پردازنده‌ی بازپخت کوانتومی D-Wave Advantage، نوع خاصی از دستگاه محاسبات کوانتومی که در موسسه‌ی علوم اطلاعات USC نصب شده است، منفعت گیری کردند. همانند همه رایانه‌های کوانتومی جاری، نویز نقش مهمی در از بین بردن مزیت کوانتومی در بازپخت کوانتومی ایفا می‌کند.

برای تسلط بر این مشکل، تیم تکنیکی به نام اصلاح بازپخت کوانتومی (QAC) را روی پردازنده D-Wave پیاده‌سازی کرد و بیشتر از ۱۳۰۰ کیوبیت منطقیِ سرکوب‌شده با اشتباه تشکیل کرد. این سرکوب اشتباه، کلید دستیابی به مزیت نسبت به تعدیل موازی با حرکات خوشه‌ای هم‌انرژی (PT-ICM)، کارآمدترین الگوریتم کلاسیک جاری برای مسائل شبیه، می بود.

معیارسنجی با مسائل اسپین-گلاس

این مطالعه با منفعت گیری از چندین روش تحقیقاتی، مزیت کوانتومی را نشان داد و بر خانواده‌ای از مسائل اسپین-گلاس دوبعدی با برهمکنش‌های با دقت بالا تمرکز کرد. لیدار او گفت: «مسائل اسپین-گلاس دسته‌ای از چالش‌های بهینه‌سازی پیچیده می باشند که از مدل‌های فیزیک آماری سیستم‌های مغناطیسی بی‌نظم سرچشمه می‌گیرند.» محققان به جای جستجوی راه‌حل‌های دقیق، کارکرد «زمان به اپسیلون» را محک زدند و اندازه‌گیری کردند که هر رویکرد با چه سرعتی می‌تواند راه‌حل‌هایی را در درصد مشخصی از جواب بهینه اشکار کند.

به سوی بهینه‌سازی کوانتومی آینده

محققان تصمیم دارند یافته‌های خود را به مسائل چگال‌تر و با ابعاد بالاتر تعمیم دهند و کاربرد‌های آن را در بهینه‌سازی دنیای واقعی بازدید کنند. لیدار او گفت که پیشرفت‌های زیاد تر در سخت‌افزار کوانتومی و حذف اشتباه می‌تواند مزیت مشاهده‌شده را تحکیم کند. «این کار راه‌های جدیدی را برای الگوریتم‌های کوانتومی در ماموریت های بهینه‌سازی باز می‌کند که در آنها راه‌حل‌های تقریباً بهینه کافی می باشند.»

مرجع: «مزیت مقیاس‌بندی در بهینه‌سازی تقریبی با آنیلینگ کوانتومی» نوشته‌ی هامبرتو مونوز-باوزا و دنیل لیدار، ۲۳ آوریل ۲۰۲۵، Physical Review Letters.

DOI: ۱۰.۱۱۰۳/PhysRevLett.۱۳۴.۱۶۰۶۰۱

درمورد این مطالعه: این مطالعه با همکاری هومبرتو مونوز-باوزا از مرکز تحقیقات ایمز ناسا و لیدار انجام شده است.

این مطالعه توسط: آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) با پشتیبانی‌های مالی HR۰۰۱۱۲۱۹۰۰۷۱ و NASA-DARPA SAA۲-۴۰۳۶۸۸، دفتر تحقیقات ارتش ایالات متحده با پشتیبانی هزینه W۹۱۱NF۲۳۱۰۲۵۵، ناسا حمایتشده است.