الگوریتم کوانتومی که در مسائل بهینه‌سازی از سالورهای کلاسیک پیشی میگیرد
عنوان خبر: الگوریتم کوانتومی که در مسائل بهینه‌سازی از سالورهای کلاسیک پیشی میگیرد
ژانر/موضوع: محاسبات کوانتومی، بهینه‌سازی کوانتومی
تاریخ انتشار خبر: 17 مه 2025
لینک خبر: The Quantum Insider
چکیده:
یک مطالعه جدید از شرکت‌های Kipu Quantum و IBM نشان میدهد که یک الگوریتم کوانتومی خاص به نام BF-DCQO، که روی پردازنده‌های ۱۵۶-کیوبیتی IBM اجرا شده، می‌تواند مسائل سخت بهینه‌سازی را سریع‌تر از حل‌کننده‌های کلاسیکی مانند CPLEX و آنیل شبیه‌سازی شده حل کند. این روش کوانتومی در عرض چند ثانیه، پاسخ‌هایی هم‌تراز یا بهتر از روش‌های کلاسیکی ارائه داد، در حالیکه روش‌های کلاسیکی ده‌ها ثانیه یا بیشتر زمان در ۲۵۰ نمونه مسئله سخت HUBO نیاز داشتند. الگوریتم BF-DCQO با استفاده از تحول ضددیاباتیک و فیلتر CVaR، مدارهای کوانتومی کم‌عمق را بدون نیاز به تصحیح خطا به سمت پاسخ‌های بهینه هدایت می‌کند. این مطالعه با بهره‌گیری از سخت‌افزار فعلی کوانتومی IBM و پردازش ترکیبی کلاسیکی و کوانتومی، یک مزیت کوانتومی در زمان اجرا در دنیای واقعی را نشان میدهد و امید به کاربردهای صنعتی بهینه‌سازی در آینده نزدیک را افزایش میدهد.
شرح کامل خبر:
یک مطالعه جدید از شرکت‌های Kipu Quantum و IBM یکی از قوی‌ترین شواهد تاکنون را برای برتری زمانی رایانش کوانتومی با استفاده از سخت‌افزار امروزی ارائه میدهد. پژوهشگران با استفاده از پردازنده‌های کوانتومی ۱۵۶ کیوبیتی Marrakesh و Kingston شرکت IBM و با معرفی الگوریتم جدیدی به نام بهینه‌سازی کوانتومی دیجیتالی‌شده با میدان بایاس و رانش پادادیاباتیک (BF-DCQO)، موفق شدند مسائل بهینه‌سازی دشوار را سریع‌تر از روش‌های کلاسیکی مانند CPLEX و آنیل شبیه‌سازی‌شده حل کنند.
در این پژوهش، ۲۵۰ مسئله تصادفی از نوع بهینه‌سازی higher-order unconstrained binary optimization (HUBO) مورد آزمایش قرار گرفتند که کاربردهایی در دنیای واقعی مانند انتخاب سبد سرمایه، طراحی مولکول و مسیریابی شبکه دارند. در مسائلی با حداکثر ۱۵۶ متغیر، الگوریتم BF-DCQO در عرض چند ثانیه به راه‌حل‌های با کیفیت بالا رسید، در حالی که CPLEX بین ۳۰ تا ۵۰ ثانیه زمان نیاز داشت، حتی با اجرای موازی روی ۱۰ رشته پردازشی. در برخی موارد، برتری زمانی کوانتومی تا ۸۰ برابر ثبت شد.
از نظر فنی، BF-DCQO سیستم کوانتومی را با استفاده از میدان‌های ضد دیاباتیک (counterdiabatic) هدایت می‌کند و به آن کمک می‌کند تا در حالت‌های کم‌انرژی باقی بماند این روش با استفاده از تحول دیجیتالی و فیلترگذاری CVaR (که بهترین ۵٪ نتایج را انتخاب می‌کند) مسیر حل را به‌تدریج بهبود می‌بخشد. پیش‌پردازش و پس‌پردازش کلاسیکی (مانند شروع با آنیل شبیه‌سازی‌شده) به عملکرد کمک کردند، اما منبع کامل برتری نبودند.
آزمایش‌ها در چارچوب محدودیت‌های سخت‌افزار NISQ انجام شدند: بدون اصلاح خطا، با مدارهای کم‌عمق و تنها یک لایه مبادله یا Swap کیوبیت. با این حال، سیستم کوانتومی همچنان برتری عملکردی معناداری نسبت به روش‌های کلاسیکی نشان داد. هرچند این نتایج به نمونه‌های خاصی از مسائل وابسته‌اند، اما نشان می‌دهند که با بهبود سخت‌افزار کوانتومی، این برتری‌ها می‌توانند به افزایش‌های چند مرتبه‌ای تبدیل شوند.
این مطالعه که در arXiv منتشر شده، چشم‌اندازی از آینده‌ای را ترسیم می‌کند که در آن روش‌های ترکیبی کوانتومی-کلاسیکی قادر به حل مسائل بهینه‌سازی در مقیاس صنعتی هستند—نه به‌صورت فرضی، بلکه با سخت‌افزار واقعی موجود. این یافته گامی مهم به‌سوی دستیابی به ارزش عملی رایانش کوانتومی در حوزه‌هایی مانند لجستیک، مالی و طراحی مواد است.
منابع:
[1] https://thequantuminsider.com/2025/05/17/quantum-algorithm-outpaces-classical-solvers-in-optimization-tasks-study-indicates/
[2] https://arxiv.org/html/2505.08663v1
دیدگاه خود را درباره این خبر با ما به اشتراک بگذارید.
