خلاصه خبر:
محققان افزایش سرعت الگوریتمی کوانتومی را برای الگوریتم بهینهسازی تقریبی کوانتومی (QAOA) نشان دادهاند. QAOA کاربردهای بالقوه ای در لجستیک، مخابرات، امور مالی و علم مواد دارد. این تیم عملکرد QAOA را در مسائل با مقیاس بزرگ شبیهسازی کرد و نشان داد که میتواند مشکلات پیچیدهتر را سریعتر از روشهای کلاسیک حل کند. آنها همچنین QAOA را بر روی کامپیوترهای کوانتومی یون به دام افتاده Quantinuum با استفاده از تکنیک های تشخیص خطا برای کاهش تأثیر خطاها تا 65٪ پیاده سازی کردند. این کار نشان دهنده گامی مهم به سمت مزیت کوانتومی عملی است که زمینه را برای کاربردهای دنیای واقعی آینده فراهم میکند. همکاری بین صنعت، آزمایشگاههای ملی و ارائهدهندگان سختافزار کوانتومی، این پیشرفت را ممکن ساخت.
توضیحات تکمیلی:
محققان در نشان دادن شواهد واضحی از افزایش سرعت الگوریتمی کوانتومی برای الگوریتم بهینهسازی تقریبی کوانتومی (quantum approximate optimization algorithm) یا همان (QAOA) به پیشرفت چشمگیری دست یافتهاند. این الگوریتم مدتهاست برای کاربردهای بالقوهاش در زمینههایی مانند لجستیک، مخابرات، مدلسازی مالی و علم مواد مورد مطالعه قرار گرفته است.
در یک مقاله جدید در Science Advances، یک تیم مشترک از JPMorgan Chase، Argonne National Lab و Quantinuum الگوریتم QAOA را روی مسئله توالیهای باینری خودهمبستگی کم یا همان Low Autocorrelation Binary Sequences (LABS) problem آزمایش کردند. LABS در درک سیستم های فیزیکی، پردازش سیگنال و رمزنگاری اهمیت دارد و به طور کلاسیک حتی برای نمونه هایی با اندازه متوسط قابل حل است.
محققان ابتدا شبیهسازیهای بدون نویز QAOA را روی مسئله LABS در مقیاسهای تا 40 کیوبیت انجام دادند. آنها دریافتند که زمان اجرا QAOA بهتر از پیشرفته ترین حل کننده های کلاسیک شاخه و کران است. ترکیب QAOA با یافتههای حداقل کوانتومی بهترین مقیاسبندی تجربی را از هر الگوریتمی برای LABS تا به امروز ارائه داد.
برای انجام این تحقیق به سمت تحقق عملی، تیم سپس اجرای آزمایشی در مقیاس کوچک QAOA را بر روی کامپیوترهای کوانتومی یون به دام افتاده از Quantinuum نشان داد. با اعمال تشخیص خطای خاص الگوریتم، آنها توانستند تأثیر خطاها بر عملکرد QAOA را تا 65٪ کاهش دهند.
مارکو پیستویا از JPMorgan Chase میگوید: «این کار گامی مهم در جهت دستیابی به مزیت کوانتومی است. توانایی محققان در استفاده از محاسبات کلاسیک با کارایی بالا در Argonne برای پیشرفت علم اطلاعات کوانتومی نیز قابل توجه بود.
به طور کلی، این مطالعه شواهد قوی برای پتانسیل QAOA برای فعال کردن سرعت های کوانتومی در مسائل دشوار بهینه سازی ارائه می دهد. همکاری بین صنعت، آزمایشگاههای ملی و ارائهدهندگان سختافزار کوانتومی در انتقال این تحقیق از شبیهسازی تا اولین گامهای پیادهسازی در دنیای واقعی حیاتی بود. پیشرفتهای بیشتر در تصحیح خطا و مقیاسبندی میتواند برنامههای کوانتومی دگرگونکننده را در سالهای آینده باز کند.
منبع
Ruslan Shaydulin et al, Evidence of scaling advantage for the quantum approximate optimization algorithm on a classically intractable problem, Science Advances (2024). DOI: 10.1126/sciadv.adm6761