Kunstmatige intelligentie voorspelt het gedrag van kwantumsystemen

• AI-model voorspelt of een bepaalde kwantummachine enig kwantumvoordeel zal hebben.
• Het is gebaseerd op een neuraal netwerk dat de netwerkstructuur van een kwantumsysteem analyseert en geleidelijk leert het gedrag ervan te voorspellen.
• Dit zal wetenschappers helpen nieuwe efficiënte kwantumapparaten te ontwikkelen.

Quantum computing heeft het potentieel om verschillende complexe problemen op te lossen die de computers van vandaag niet eens kunnen verwerken. Het kan wetenschappers bijvoorbeeld helpen bij het gedetailleerd bestuderen van chemische reacties en het detecteren van stabiele moleculaire structuren voor de farmacie en andere gebieden.

Een van de belangrijkste problemen in zowel de klassieke als de kwantumcomputerwetenschap is echter de snelheid van de computer. Hoewel kwantumcomputers veel sneller kunnen presteren dan klassieke computers, zou het ontwikkelen van dergelijke machines veel tijd en geld vergen. Zelfs dan kan niemand garanderen dat deze machines kwantumvoordelen zullen vertonen.

Onlangs heeft een onderzoeksteam van het Moscow Institute of Physics and Technology, ITMO University en Valiev Institute of Physics and Technology een nieuwe tool ontwikkeld die voorspelt of een bepaalde kwantummachine enig kwantumvoordeel zal hebben.

Deze nieuwe tool is gebaseerd op een neuraal netwerk dat de netwerkstructuur van een kwantumsysteem analyseert en geleidelijk leert het gedrag ervan te voorspellen. Het zal wetenschappers helpen nieuwe efficiënte kwantumapparaten te ontwikkelen.

AI lokaliseert kandidaten om kwantumcomputers te bouwen

Kwantumwandelingen zijn de afgelopen jaren gebruikt om kwantuminformatie efficiënt te verwerken. Het zijn kwantumtegenhangers van klassieke willekeurige wandelingen. Je kunt dit fenomeen visualiseren als een deeltje dat in een specifiek netwerk reist dat ten grondslag ligt aan een kwantumcircuit.

In tegenstelling tot de toestand van een klassieke wandelaar, kan de toestand van de kwantumwandelaar een coherente superpositie van verschillende posities zijn. Een apparaat heeft een kwantumvoordeel als een deeltje in het apparaatcircuit sneller een kwantumwandeling (van het ene netwerkknooppunt naar het andere) vertoont dan zijn klassieke tegenhanger.

Referentie:New Journal of Physics | DOI:10.1088/1367-2630/ab5c5e | MIPT

In deze studie gebruikten onderzoekers een machine learning-model om dergelijke superieure netwerken te identificeren. Het model maakt onderscheid tussen netwerken en leert geleidelijk te voorspellen of een bepaald netwerk enig kwantumvoordeel zal opleveren. Dit geeft ons de netwerken die kunnen worden gebruikt om een ​​efficiënte kwantumcomputer te ontwikkelen.

Illustratie van AI die op zoek is naar kwantumvoordelen 

Trainingsvoorbeelden werden gegenereerd door de random walk-dynamica van zowel klassieke als kwantumdeeltjes te simuleren. Elk trainingsvoorbeeld bevatte een aangrenzende matrix en een bijbehorend label ('klassiek' of 'kwantum').

Het onderzoeksteam bouwde ook een tool om de ontwikkeling van computationele circuits op basis van kwantumalgoritmen te vereenvoudigen. Het kan worden gebruikt voor onderzoek in materiaalwetenschap en biofotonica.

Kwantumwandelingen

Kwantumwandelingen zullen een eenvoudige manier bieden (een stuk eenvoudiger dan architecturen op basis van qubits en poorten) om kwantumberekeningen van natuurlijke fenomenen te implementeren. Ze hebben bijvoorbeeld het potentieel om de excitatie van lichtgevoelige eiwitten zoals chlorofyl of rodopsine nauwkeurig te beschrijven.

Lezen:5 kwantumprocessors met een nieuw computerparadigma

Omdat eiwit een complex biomolecuul is met een structuur die vergelijkbaar is met die van een netwerk, kan het bepalen van de kwantumlooptijd van het ene netwerkknooppunt naar het andere onthullen wat er werkelijk in een molecuul gebeurt:waar het elektron zal bewegen en wat voor soort excitatie het zal veroorzaken .