محققان IBM Quantum در گامی مهم در جهت عملی و مفید کردن محاسبات کوانتومی، گزارش می‌دهند که در پیشرفت پردازنده‌های کوانتومی کوتاه‌مدت گام‌هایی برداشته‌اند و در عین حال، بستر را برای ابررایانه‌های کوانتوم محور مقاوم به خطا فراهم کرده‌اند.
تحقیقات اخیر IBM که در Nature منتشر شده است، نشان داد که رایانه‌های کوانتومی ممکن است بتوانند از طریق الگوریتم‌های رایانه‌ای بسیار مهم و پرکاربرد سریع‌تر از رایانه‌های کلاسیک عبور کنند. این افزایش سرعت، اگر در مقیاس های بزرگتر ادامه یابد، می تواند گلوگاه های محاسباتی مرتبط با مشکلات نمونه برداری در یادگیری ماشین، فیزیک آماری و بهینه سازی را برطرف کند. همچنین ارزش عملی الگوریتم و پتانسیل آن را برای حل مسائل نمونه برداری مفید به جای مسائل دشوار نشان می دهد.
رایانه‌های کوانتومی نمی‌توانند فقط مسائل دشوار را حل کنند تا ارزشمند باشند، بلکه باید مسائل مفیدی را نیز حل کنند. و با توجه به کار جدید، کوانتوم ممکن است برای نمونه هایی از یک الگوریتم کامپیوتری بسیار مهم و پرکاربرد، به نام الگوریتم متروپلیس-هیستینگ، سرعت بخشد.
زنجیره مارکوف مونت کارلو (MCMC) که الگوریتم متروپلیس-هیستینگز نمونه‌ای شناخته شده از آن است، الگوریتمی است که به محققان اجازه می‌دهد آیتم‌های تصادفی و معرف از یک مجموعه بزرگ، که به عنوان نمونه‌گیری شناخته می‌شود، انتخاب کنند. تمرکز کار آی‌بی‌ام یافتن الگوریتمی بود که بتواند روی دستگاه‌های کوانتومی کوتاه‌مدت اجرا شود، پاسخ صحیح را تضمین کند و برای برنامه‌های کاربردی دنیای واقعی ارزش ارائه کند. تیم مسئله چالش برانگیز نمونه برداری از توزیع بولتزمن مدل کلاسیک ایزینگ را انتخاب کرد.
مدل Ising مقادیر انرژی را به مجموعه ای از اعداد باینری یا رشته های بیتی اختصاص می دهد. با استفاده از توزیع بولتزمن، احتمالات برای هر رشته بیت بر اساس دما محاسبه می‌شوند، با حالت‌های انرژی پایین که احتمالات بیشتری دارند. با این حال، محاسبه این احتمالات به طور موثر مستلزم تعیین تابع پارتیشن است که با افزایش اندازه رشته های بیتی، به طور تصاعدی وقت گیر است.
نمونه برداری از توزیع بولتزمن کاربردهای عملی متعددی دارد، از جمله محاسبه خواص مغناطیسی مواد و تسهیل فرآیند آموزش در یادگیری عمیق برای کاربردهای یادگیری ماشین. با این حال، روش‌های فعلی، مانند تکنیک زنجیره‌ای مارکوف مونت کارلو (MCMC) دارای گلوگاه‌های محاسباتی هستند که اثربخشی آنها را محدود می‌کند.
ادغام محاسبات کوانتومی در این رویکرد حل مسئله راه حل امیدوارکننده ای را ارائه می دهد. با تبدیل رشته‌های بیتی به مقادیر کیوبیت و تکامل کیوبیت‌ها بر اساس ویژگی‌های مدل Ising، رایانه‌های کوانتومی می‌توانند پرش‌های هوشمندی برای تسریع فرآیند انجام دهند. احتمال پذیرش برای این پرش ها با استفاده از رایانه های کلاسیک محاسبه می شود و یک حلقه بازخورد بین محاسبات کوانتومی و کلاسیک ایجاد می کند.
محققان گزارش کردند که شبیه‌سازی‌هایی را برای یک کامپیوتر کوانتومی ایده‌آل انجام دادند و بسته به اندازه مسئله، سرعت متوسطی از مرتبه دو تا مرتبه سه پیدا کردند. برای تایید یافته های خود، آنها همچنین این الگوریتم را بر روی یک پردازنده 27 کیوبیتی IBM Quantum Falcon پیاده سازی کردند. بر اساس این پست، نسخه کوانتومی در مقایسه با روش‌های کلاسیک، سرعت بیشتری را نشان می‌دهد و پاسخ صحیح را برای مشکلات خاص آزمایش شده ارائه می‌کند.
این تحقیق پتانسیل محاسبات کوانتومی را در حل مسائل پیچیده، حتی با محدودیت‌های پردازنده‌های کوانتومی نویز فعلی، برجسته می‌کند. در حالی که هدف نهایی توسعه رایانه های کوانتومی جهانی مقاوم در برابر خطا است، این پیشرفت های تدریجی بینش های ارزشمند و سرعت های مفیدی را در طول مسیر ارائه می دهند.
همانطور که IBM Quantum به بهبود مقیاس، کیفیت و سرعت پردازنده‌های خود ادامه می‌دهد، انتظار می‌رود که کاربردهای محاسبات کوانتومی گسترش یابد. محققان با مقابله با چالش‌های نمونه‌برداری از توزیع‌های احتمالی پیچیده، راه را برای پیشرفت‌ها در زمینه‌های مختلف، از جمله علم مواد، یادگیری ماشین، و سایر حوزه‌هایی که به تکنیک‌های نمونه‌گیری کارآمد وابسته هستند، هموار می‌کنند.
این کار نشان می دهد که چگونه امیدواریم آینده محاسبات کوانتومی رقم بخورد. البته، هدف نهایی یک کامپیوتر کوانتومی جهانی مقاوم در برابر خطا و قادر به حل مسائل مختلف است. اما همانطور که برای رسیدن به این هدف کار می کنیم، می توانیم به دنبال افزایش سرعت مفید در طول مسیر باشیم. زنجیره مارکوف کوانتومی مونت کارلو نمونه کاملی از این موضوع است. حتی با یک کامپیوتر کوانتومی نویزی، می تواند پاسخ صحیح را ارائه دهد. و با افزایش مقیاس، کیفیت و سرعت پردازنده‌های ما، سرعت حل این مشکل نیز افزایش می‌یابد.
لینک مقاله:
https://www.nature.com/articles/s41586-023-06095-4
