زیر سوال رفتن تمام برتری های کوانتومی قبلی با شبیه سازی های کلاسیک!

محاسبات کوانتومی به عنوان یک تغییر دهنده بازی معرفی می شود که به طور بالقوه می تواند قابلیت های محاسباتی ما را به رغم مرگ قانون مور Moore Law افزایش دهد. ما هنوز در مراحل اولیه توسعه فناوری‌های کوانتومی هستیم و الگوریتم های مشهور مانند الگوریتم Shor (مقصر نگرانی‌های امنیتی در مورد شکستن رمزگذاری‌ها با رایانه‌های کوانتومی) با فناوری‌های کنونی غیرممکن است. با این حال، این دانشمندان را از تلاش برای نشان دادن اینکه دستگاه‌های کوانتومی آنها در حال حاضر قادر به انجام کارهایی هستند که با یک کامپیوتر کلاسیک غیرممکن است، متوقف نکرد.

اولین نمایش، آزمایش برتری کوانتومی گوگل با استفاده از کیوبیت‌های ابررسانا [1] است، که در آن یک کامپیوتر کوانتومی 53 کیوبیتی برای تولید نتایج تصادفی که دارای همبستگی‌های کوانتومی غیرمعمول هستند (نمونه‌گیری مدار تصادفی) برنامه‌ریزی شده است. بعداً، دانشمندان دانشگاه علم و صنعت چین (USTC) همان طرح را با تعداد بیشتری در سال‌های 2021 [2] و 2022 [3] با 56 و 60 کیوبیت تکرار کردند و گوگل اخیراً اندازه سیستم خود را به 70 کیوبیت در سال 2023 افزایش داد. [4]. با استفاده از فناوری متفاوت، دانشمندان USTC [5] و Xanadu [6] وظایف نمونه‌برداری مشابهی را با استفاده از دستگاه‌های نوری (نمونه‌گیری بوزونی گاوسی) به ترتیب در سال‌های 2020 و 2022 انجام دادند. جدیدترین آزمایش برتری کوانتومی نمونه‌برداری بوزون USTC در سال 2023 انجام شد [7]. اعتقاد بر این است که همه آزمایش‌ها به زمان نجومی برای شبیه‌سازی روی قوی‌ترین ابررایانه کلاسیک نیاز دارند. با این حال، دانشمندان دیگر بلافاصله شروع به ساخت الگوریتم‌های کلاسیک بهتر برای شبیه‌سازی این آزمایش‌های کوانتومی کردند و ادعاهای برتری کوانتومی را به درجات مختلف به چالش کشیدند. به طور خاص، کار اخیر ما نشان می‌دهد که آزمایش‌های برتری کوانتومی نمونه‌برداری از بوزون گاوس در واقع می‌تواند به سرعت در یک ابر رایانه کلاسیک شبیه‌سازی شود، و کیفیت شبیه‌سازی بالاتر از آزمایش تحت تمام معیارهای تا کنون قابل آزمایش است [8].

دلیل اینکه چرا این آزمایش‌های برتری کوانتومی ممکن است شبیه‌سازی کلاسیک کارآمد را بپذیرند این است که آزمایش‌ها ناقص هستند. در ابتدا، تحلیل‌های نظری پیشنهادهای تجربی برتری کوانتومی فرض می‌کند که دستگاه‌های کوانتومی کامل هستند. فرض رایج دیگر این است که کامپیوتر کوانتومی قادر است تا فضای کامل حالت های کوانتومی احتمالی (فضای هیلبرت) را کاوش کند، که، همانطور که ممکن است شنیده شود، به طور تصاعدی بزرگ است. در هر دو نمونه‌برداری مدار تصادفی و نمونه‌برداری بوزون گاوسی، دستگاه به‌طور تصادفی پیکربندی می‌شود تا سیستم بتواند به حالت کوانتومی تصادفی برسد که خروجی‌ها از آن نمونه‌برداری می‌شوند. حالت اولیه یک حالت ساده است که با عملیات کوانتومی "درهمتنیده" می شود و کیوبیت ها یا فوتون ها به صورت کوانتومی همبسته می شوند (درهمتنیده می شوند). حالت کوانتومی به طور بالقوه می تواند کل فضای هیلبرت را کاوش کند اگر عملیات کوانتومی به اندازه کافی انجام شود. هر دو فرض معمولاً در استخراج سختی شبیه‌سازی کلاسیک استفاده می‌شوند، که در واقعیت درست نیست و سختی شبیه‌سازی کلاسیک آزمایش‌های کوانتومی نویزی را به یک سوال باز تبدیل می‌کند.

با این حال، شبیه‌سازی نمونه‌گیری بوزونی گاوسی کلاسیک از تمام عیوب تجربی بهره‌برداری می‌کند، و حالت کوانتومی نویزی را  میتوان شبیه‌سازی کرد (که هزینه کمتری نسبت به حالت بدون نویز دارد). به عنوان مثال، بزرگترین آزمایش Xanadu از 288 حالت نوری با فوتون های ورودی و خروجی 407.64 و 147.65 استفاده می کند. با تکنیک جدید کلاسیک، معلوم می شود که از 147.65 فوتون خروجی، تنها 10.687 باید به طور کامل با مکانیکی کوانتومی شبیه سازی شوند، و بقیه را می توان بعداً با حداقل هزینه به حالت کوانتومی اضافه کرد. علاوه بر این، محدودیت شدید Connectivity آزمایش‌های Xanadu به این معنی است که درهم تنیدگی کوچک است. آزمایش‌های USTC قابلیت اتصال بهتری دارند، اما تعداد فوتون‌ها کمتر است. به طور کلی، بزرگترین شبیه سازی کلاسیک انجام شده در این تحقیق از بزرگترین آزمایش های برتری کوانتومی [5،6،7] حالت کوانتومی را در 10 دقیقه به دست می آورد و 10 میلیون نمونه را در 1 ساعت تولید می کند. علاوه بر این، شبیه‌سازی‌ها نتایج بهتری نسبت به آزمایش‌ها بر روی تمام معیارهای آزمایش‌پذیر تا کنون دارند.

از سوی دیگر، فلسفه شبیه‌سازی نمونه‌گیری تصادفی مدار براساس این واقعیت است که نقص‌های تجربی باعث می‌شود حالت‌های کوانتومی نسبتاً ذات اصلی آن منحرف شوند. بنابراین، شبیه‌سازی‌های کلاسیک که از مسئله اصلی منحرف می‌شوند به طور بالقوه می‌توانند آزمایش های کوانتومی را شکست دهند. به لطف بسیاری از پیشرفت های قبلی در تکنیک های شبیه سازی، آزمایش‌های برتری کوانتومی گوگل در سال 2019 را به ترتیب در 14.5 روز در سال 2021 و 15 ساعت در سال 2022 شبیه‌سازی کرد. علاوه بر این، در جدیدترین آزمایش گوگل در سال 2023 [4]، آن‌ها تکنیک‌های متعددی را ترکیب و بهینه‌سازی کردند و تخمین زدند که شبیه‌سازی روی قوی‌ترین ابررایانه‌ها 6.18 ثانیه از نتایج سال 2019 آن‌ها را می‌گیرد. آزمایشات اخیر USTC در سال 2021 [2] و 2022 [3] را می توان به ترتیب در 25.3 دقیقه و 38.7 روز شبیه سازی کرد. آزمایش 2023 خود 47.2 سال طول می کشد.

در نتیجه، آزمایش‌های برتری کوانتومی نمونه‌برداری مدار تصادفی اولیه Google و USTC و آزمایش‌های برتری کوانتومی نمونه‌برداری بوزونی گاوسی USTC و Xanadu دیگر معیارهای برتری اولیه پیشنهاد شده در این مقالات را به دلیل شبیه‌سازی‌های کلاسیک بهبودیافته برآورده نمی‌کنند، در حالی که شبیه سازی کلاسیک آزمایش‌های نمونه‌گیری تصادفی مدار تصادفی Google و USTC جدیدتر همچنان سخت هستند. برای شبیه سازی، استاندارد برتری کوانتومی را می‌توان برای ادعاهای آزمایش‌های قدیمی‌تر تطبیق داد، پیشرفت‌های آینده در شبیه‌سازی کلاسیک می‌تواند بار دیگر آخرین آزمایش‌ها را به چالش بکشد، و آزمایش‌های آینده اندازه سیستم را افزایش داده و از رژیم شبیه‌سازی فراتر خواهد رفت. بحث پیرامون معنای برتری کوانتومی و همچنین میزان تحقق یا به چالش کشیدن آن در آینده نزدیک چندوجهی، ذهنی و تحریک آمیز باقی خواهد ماند.

لینک مقاله:
https://arxiv.org/abs/2306.03709

لیست مراجع:

[1]: Arute, F., Arya, K., Babbush, R. et al. Quantum supremacy using a programmable superconducting processor. Nature 574, 505–510 (2019).

[2]: Wu, Y., Bao, W., Cao, S. et al. Strong quantum computational advantage using a superconducting quantum processor. Phys. Rev. Lett. 127, 180501 (2021).

[3]: Zhu, Q., Cao, S., Chen, F. et al. Quantum computational advantage via 60-qubit 24-cycle random circuit sampling. Science Bulletin 67, 240 (2022)

[4]: Google Quantum AI and Collaborators. Phase transition in Random Circuit Sampling. Arxiv preprint 2304.11119 (2023).

[5]: Zhong, H., Wang, H., Deng, Y. et al. Quantum computational advantage using photons. Science370,1460–1463(2020).

[6]: Madsen, L.S., Laudenbach, F., Askarani, M.F. et al. Quantum computational advantage with a programmable photonic processor. Nature 606, 75–81 (2022).

[7]: Deng, Y., Gu, Y., Liu, H. et al. Gaussian Boson Sampling with Pseudo-Photon-Number Resolving Detectors and Quantum Computational Advantage. Arxiv preprint 2304.12240 (2023).

[8]: Oh, C., Liu, M., Alexeev, Y. et al. Tensor network algorithm for simulating experimental Gaussian boson sampling. Arxiv preprint 2306.03709 (2023).

[9]: Villalonga, B., Niu, M., Li, L. et al. Efficient approximation of experimental Gaussian boson sampling. Arxiv preprint 2109.11525 (2022).