Искусственный интеллект предсказывает поведение квантовых систем

• Модель искусственного интеллекта предсказывает, будет ли квантовая машина иметь какое-либо квантовое преимущество.
• Он основан 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 могут решать различные сложные проблемы, которые современные компьютеры даже не могут решить. Например, он может помочь ученым подробно изучать химические реакции и обнаруживать стабильные молекулярные структуры для фармацевтики и других областей.

Однако одной из ключевых проблем как классической, так и квантовой информатики является ускорение вычислений. Хотя квантовые компьютеры могут работать намного быстрее, чем классические компьютеры, разработка таких машин потребует много времени и денег. Даже в этом случае никто не может гарантировать, что эти машины продемонстрируют квантовые преимущества.

Недавно группа исследователей из Московского физико-технического института, Университета ИТМО и Физико-технического института им. Валиева разработала новый инструмент, который предсказывает, будет ли 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 разрабатывать новые эффективные квантовые устройства.

AI определяет кандидатов на создание квантовых компьютеров

Квантовые блуждания использовались в последние годы для эффективной обработки квантовой информации. Они являются квантовыми аналогами классических случайных блужданий. Вы можете представить себе это явление как частицу, перемещающуюся в определенной сети, лежащей в основе квантовой схемы.

В отличие от состояния классического ходока, состояние квантового ходока может быть когерентной суперпозицией нескольких положений. Устройство будет иметь квантовое преимущество, если частица в схеме устройства демонстрирует квантовый переход (от одного сетевого узла к другому) быстрее, чем его классический аналог.

Ссылка:New Journal of Physics | DOI:10.1088 / 1367-2630 / ab5c5e | МФТИ

В этом исследовании исследователи использовали модель машинного обучения для определения таких превосходных сетей. Модель различает сети и постепенно учится предсказывать, принесет ли данная сеть какое-либо квантовое преимущество. Это дает нам сети, которые можно использовать для разработки эффективного квантового компьютера.

Иллюстрация ИИ, стремящегося к квантовым преимуществам

Обучающие примеры были созданы путем моделирования динамики случайных блужданий как классических, так и квантовых частиц. Каждый обучающий пример содержал матрицу смежности и соответствующую метку («классический» или «квантовый»).

Исследовательская группа также создала инструмент для упрощения разработки вычислительных схем на основе квантовых алгоритмов. Его можно использовать для проведения исследований в области материаловедения и биофотоники.

Квантовые прогулки

Квантовые прогулки предоставят простой способ (намного более простой, чем архитектуры, основанные на кубитах и ​​вентилях) для реализации квантовых вычислений природных явлений. Например, они могут точно описать возбуждение светочувствительных белков, таких как хлорофилл или родопсин.

Читайте:5 квантовых процессоров с новой вычислительной парадигмой

Поскольку белок представляет собой сложную биомолекулу со структурой, аналогичной структуре сети, определение времени квантового перехода от одного узла сети к другому может выявить, что на самом деле происходит внутри молекулы:куда будет двигаться электрон и какое возбуждение он вызовет. .