AI Voorspelt Kwantumvoordeel: Neuraal Netwerk Voorspelt Systeemgedrag

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

AI Identificeert Kandidaat Om Kwantumcomputers Te Bouwen

Kwantumwandelingen zijn in de afgelopen jaren ingezet om kwantuminformatie efficiënt te verwerken. Ze zijn kwantum-counterparts van klassieke willekeurige wandelingen. Je kunt dit fenomeen visualiseren als een deeltje dat reist in een specifiek netwerk dat een kwantumcircuit onderligt.

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

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

Illustratie van AI die uitkijkt naar kwantumvoordelen

Trainingsvoorbeelden werden gegenereerd door de willekeurige wandelingsdynamica van zowel klassieke als kwantumdeeltjes te simuleren. Elk trainingsvoorbeeld bevatte een adjacency matrix en een corresponderend label ('klassiek' of 'kwantum').

Het onderzoeks team bouwde ook een tool om de ontwikkeling van computationele circuits gebaseerd op kwantumalgoritmes te vereenvoudigen. Het kan gebruikt worden voor onderzoek in materiaalwetenschap en biofotonica.

Kwantumwandelingen

Kwantumwandelingen zullen een eenvoudige manier bieden (veel eenvoudiger dan architecturen gebaseerd op qubits en gates) om kwantumberekeningen van natuurlijke fenomenen te implementeren. Bijvoorbeeld, ze hebben het potentieel om de excitatie van fotogevoelige eiwitten zoals chlorofyl of rhodopsine precies te beschrijven.

Omdat eiwit een complex biomolecuul is met een structuur vergelijkbaar met die van een netwerk, kan het bepalen van de kwantumwandelingstijd van een netwerkknooppunt naar een ander onthullen wat er daadwerkelijk binnenin een molecuul gebeurt: waar het elektron naartoe zal bewegen en welk type excitatie het zal veroorzaken.