Japan lanceert een quantumcomputerprototype dat 100x sneller is dan de huidige supercomputers

In november 2017 onthulde Japan zijn eerste prototype van een kwantumcomputer dat via internet gratis voor het publiek wordt opengesteld voor tests. Met deze machine heeft Japan zich aangesloten bij de race om de krachtigste computer ter wereld te bouwen met grotere brute kracht, wat de sleutel is om het volledige potentieel van kunstmatige intelligentie te benutten.

Het project is ontwikkeld door Nippon Telegraph and Telephone Corporation, Universiteit van Tokio, National Institute of Informatics, Stanford University, en financieel ondersteund door het ImPACT-programma van de Japanse overheid.

De machine is gebaseerd op een kwantumneuraal netwerk dat theoretisch complexe problemen ongeveer 100 keer sneller kan oplossen dan traditionele supercomputers. Wat nog indrukwekkender is, is dat het dit allemaal doet terwijl het slechts 1 kilowatt aan stroom verbruikt, in plaats van de 10.000 kilowatt die conventionele supercomputers gebruiken om dezelfde taak uit te voeren. Laten we eens kijken wat ze precies hebben ontwikkeld en hoe het werkt.

Kwantumneurale netwerken

Quantum Neural Networks (QNN's) gebruiken optische parametrische oscillatoren als kwantumneuronen en optische homodyne meetfeedbackcircuits als kwantumsynapsen. Het zoekt naar een oplossing voor verschillende combinaties van optimalisatieproblemen door gebruik te maken van collectief symmetrieremmen op de drempel van de optische parametrische oscillatoren.

Bovendien kunnen gebruikers ervaren hoe het is om experimenten uit te voeren met de QNN en simulaties uit te voeren op basis van de kwantumtheorie van optische parametrische oscillatornetwerken.

Simpel gezegd proberen onderzoekers in een kwantumneuraal netwerk kunstmatige neurale netwerkmodellen te integreren door gebruik te maken van de voordelen van kwantuminformatie om efficiëntere toepassingen te bouwen. Het doel is om quantum computing-functies (kwantumparallellisme, interferentie, verstrengeling) als bronnen te gebruiken. Het is echter vrij moeilijk om klassieke neurale netwerken te trainen, vooral in big data-apps. 

QNNCLoud

Als u geïnteresseerd bent in de principes en kenmerken van een kwantumneuraal netwerk, biedt QNNCloud 3 tools:

1. Een witboek waarin de kwantumtheorie wordt uitgewerkt
2. Kwantumsimulatiemogelijkheden met behulp van de Shoubu-supercomputer
3. Kwantumberekening met QNN

De QNNcloud is gebouwd op een netwerk van 2000 optische parametrische oscillatoren met programmeerbare alles-naar-alles-verbindingen, waarmee gebruikers NP Hard Max Cut-problemen met een grootte tot N=2.000 op volledige grafieken kunnen oplossen (wat veel verder gaat dan de beperkingen van de huidige kwantumcomputers), zonder enige moeite te doen om een doelgrafiek in de hardware van de machine in te bedden.

Er bestaan miljoenen problemen die te maken hebben met continue en combinatorische optimalisatie, zoals de optimalisatie van leadverbindingen bij de ontwikkeling van frequentiebanden, zendvermogen in draadloze communicatie, geneeskunde, portfolio-optimalisatie in de fin-tech, Boltzmann-sampling in machinaal leren, spaarzame codering voor gecomprimeerde detectie, enzovoort.

De meerderheid van deze problemen valt onder de klassen niet-deterministische polynomen (NP), NP Complete en NP Hard in de complexiteitstheorie. Het vereist een enorme hoeveelheid computerbronnen om ze op te lossen, omdat de omvang van het probleem bij elke iteratie toeneemt.

Het QNN-systeem maakt gebruik van kwantumparallel zoeken onder de drempel van de optische parametrische oscillatoren, het breken van collectieve symmetrie bij de drempelwaarde en exponentiële waarschijnlijkheidsversterking boven de drempelwaarde om met deze beperkingen om te gaan.

In de nabije toekomst zal de QNNcloud een simulatietool aanbieden voor het ontwikkelen van kwantumalgoritmen voor toepassingen in de echte wereld.

Hardware van QNN

De QNN-hardware is niet zo ingewikkeld als het klinkt. In een vezelringholte van één kilometer lang worden gelijktijdig N=2.000 pulsen van een optische parametrische oscillator gecreëerd door een exciterend intracaviteits- en periodiek gepoold LiNb03-golfgeleiderinstrument met behulp van een pulstrein met een frequentie van 1 GHz.

Bron:QNNcloud

Een binaire variabele wordt weergegeven als π-fase- en 0-fasetoestanden van elke optische parametrische oscillatorpuls. Alle pulsen worden gegenereerd in een π-fase en 0-fase superpositie onder de drempelwaarde, maar met een van de twee boven de drempelwaarde. Elk paar van deze pulsen kan worden gekoppeld door de amplitude ervan opeenvolgend te meten.

Meten heeft hier betrekking op het evalueren van een geschikte feedbackpulsamplitude met FPGA (afkorting van field programmable gate array). De feedback wordt vervolgens geïnjecteerd in de optische parametrische oscillatorpuls van het doel.

Bij elke retourvlucht (die 5 microseconden duurt) worden all-to-all-verbindingen voor N=2.000 plussen uitgevoerd. Wanneer de externe pompsnelheid boven de drempel stijgt, wordt de oplossing verkregen als een π-fase- of 0-faseconfiguratie na 10 tot 1000 retourvluchten.

QNN-simulator

De QNN-dynamiek kan theoretisch worden voorspeld met behulp van de kwantummastervergelijking, rekening houdend met de golfpakketreductie die door metingen wordt veroorzaakt. Het model wordt uitgevoerd op de Shoubu-supercomputer en dankzij de enorme parallelle simulatie kan de QNN-dynamiek in aanzienlijk minder tijd worden hersteld.

Begroting en toekomstplannen

Momenteel besteden de Verenigde Staten meer dan 200 miljoen dollar per jaar aan onderzoek en ontwikkeling van kwantumcomputertechnologie, terwijl China naar verluidt een onderzoekscentrum voor kwantumtoepassingen ter waarde van 10 miljard dollar bouwt.

Japan daarentegen is van plan om vanaf april 2018 in de komende tien jaar bijna 267 miljoen dollar te besteden aan kwantumcomputers. Hitachi doet ook onderzoek naar kwantumcomputertechnieken in samenwerking met de Universiteit van Cambridge.

De algoritmen voor verschillende toepassingen in de echte wereld, simulatietools voor het ontwikkelen van nieuwe algoritmen en een geavanceerde QNN met terugkerende neurale netwerkarchitectuur zullen in de toekomst worden vrijgegeven. Momenteel mikken ze op commercialisering in het eerste kwartaal van 2020. Ze zullen zich richten op diepere optimalisatieproblemen met mobiele optimalisatie, stedelijke verkeersopstoppingen en de ontdekking van nieuwe medicijnen en chemicaliën.

Lezen:10+ meest interessante feiten over kwantumcomputers

Ondertussen werken technologiegiganten als Microsoft, IBM en Google aan hun eigen kwantummachines, en uit hun tests blijkt dat een doorbraak binnen handbereik is.