محققان موسسه فناوری توکیو و دانشگاه توهوکو مطالعهای را در مورد پتانسیل Quantum Annealing (QA) برای بهینهسازی توابع متغیر پیوسته انجام دادهاند. این تیم QA را روی کامپیوتر کوانتومی D-Wave 2000Q آزمایش کردند و عملکرد آن را با الگوریتمهای بهینهسازی کلاسیک مقایسه کردند. یافته های آنها که در Physical Review A منتشر شده است، مزایا و محدودیت های QA را در این زمینه روشن می کند.
برای ارزیابی عملکرد QA در بهینهسازی متغیر پیوسته، محققان بر روی تابع Rastrigin، یک معیار استاندارد برای الگوریتمهای بهینهسازی، تمرکز کردند. آنها از تکنیک رمزگذاری به نام domain-wall encoding برای نگاشت متغیرهای پیوسته به متغیرهای گسسته Ising استفاده کردند و دو مجموعه benchmark test انجام دادند.
در اولین مجموعه، تیم عملکرد QA را در D-Wave 2000Q با چندین الگوریتم بهینهسازی کلاسیک پیشرفته که برای توابع متغیر پیوسته طراحی شدهاند، مقایسه کردند. آنها کشف کردند که برای موانع انرژی بالاتر، سیستم D-Wave به طور قابل مقایسه یا حتی بهتر از الگوریتم های کلاسیک اما فقط در یک محدوده زمانی محدود عمل می کند. اما برای زمان های طولانی تر، الگوریتم های کلاسیک از سیستم D-Wave بهتر عمل کردند.
در بخش دوم مطالعه، محققان عملکرد سیستم D-Wave را با الگوریتمهای بهینهسازی متغیر گسسته کلاسیک، از جمله Annealing شبیهسازی شده (SA)، QA شبیهسازیشده (SQA) و بردار اسپینی مونت کارلو (spin-vector Monte Carlo) مقایسه کردند و خاطرنشان کردند که عملکرد سیستم D-Wave تحت تأثیر ارتفاع سد انرژی قرار دارد، که نشان میدهد کاهش نویز حرارتی و نقص سختافزاری میتواند عملکرد آن را به میزان قابل توجهی افزایش دهد.
یافته های این مطالعه نشان می دهد که با بهبود سخت افزار و به حداقل رساندن نویز، QA این پتانسیل را دارد که از الگوریتم های کلاسیک در بهینه سازی توابع پیوسته بهتر عمل کند. با این حال، محققان نیاز به عملکرد منسجم و سرکوب نویز حرارتی را به منظور استفاده کامل از قابلیتهای QA لازم دانستند.
این تحقیق گام مهمی در درک کاربرد QA برای بهینهسازی متغیر پیوسته در مقایسه با الگوریتمهای کلاسیک که به خوبی تثبیت شدهاند نشان میدهد. این امر بر اهمیت بهینهسازی سختافزار و کاهش نویز در سیستمهای کوانتومی برای بهرهمندی از پتانسیل کامل آنها برای حل مسائل پیچیده بهینهسازی تاکید میکند.
منبع
Shunta Arai et al, Effectiveness of quantum annealing for continuous-variable optimization, Physical Review A (2023). DOI: 10.1103/PhysRevA.108.042403