کامپیوترهای کوانتومی از ابررایانه‌ها پیشی گرفتند

محققان USC با نشان دادن اینکه روش بازپخت کوانتومی می‌تواند مسائل بهینه‌سازی پیچیده را سریع‌تر از روش‌های کلاسیک حل کند، به نقطه عطفی در محاسبات کوانتومی دست یافته‌اند.

با تصحیح خطای پیشرفته، آنها با استفاده از پردازنده کوانتومی D-Wave، الگوریتم‌های کلاسیک برتر را شکست دادند.

مزیت کوانتومی اثبات شد

در یک پیشرفت بزرگ، محققان دانشگاه USC نشان داده‌اند که رایانه‌های کوانتومی می‌توانند حتی از سریع‌ترین ابررایانه‌ها در حل برخی مسائل پیچیده بهتر عمل کنند.

این جهش رو به جلو، که به عنوان مزیت کوانتومی شناخته می‌شود، با استفاده از تکنیکی تخصصی به نام آنیلینگ کوانتومی نشان داده شد. آن را به عنوان روشی هوشمندانه‌تر برای جستجوی راه‌حل‌های عالی (نه لزوماً بی‌نقص) برای معما‌های پیچیده‌ای که رایانه‌های سنتی با آنها دست و پنجه نرم می‌کنند، در نظر بگیرید. نتایج اخیراً در Physical Review Letters منتشر شده است.

دانیل لیدار، نویسنده‌ی مسئول این مطالعه و استاد مهندسی برق و کامپیوتر، شیمی، فیزیک و نجوم در دانشکده‌ی مهندسی ویتربی دانشگاه کالیفرنیای جنوبی و کالج ادبیات، هنر و علوم دورنسیف دانشگاه کالیفرنیای جنوبی، گفت: «روش کار آنیلینگ کوانتومی، یافتن حالت‌های کم‌انرژی در سیستم‌های کوانتومی است که با راه‌حل‌های بهینه یا نزدیک به بهینه برای مسائل حل‌شده مطابقت دارند.»

تغییر به سمت بهینه‌سازی تقریبی

سال‌هاست که دانشمندان تلاش می‌کنند ثابت کنند کامپیوتر‌های کوانتومی می‌توانند با بزرگتر شدن مسائل، مقیاس‌پذیرتر شوند و سیستم‌های کلاسیک را شکست دهند. این مطالعه با تغییر تمرکز از یافتن راه‌حل‌های بی‌نقص و در عوض هدف قرار دادن پاسخ‌های تقریباً بی‌نقص، که اغلب در دنیای واقعی بیش از حد کافی خوب هستند، رویکرد جدیدی را در پیش می‌گیرد.

این نوع «بهینه‌سازی تقریبی» به ویژه در حوزه‌هایی مانند امور مالی، لجستیک و یادگیری ماشین مفید است، جایی که نزدیک شدن سریع به بهترین راه‌حل ارزشمندتر از صرف زمان زیاد برای رسیدن به کمال است.

با استفاده از بازپخت کوانتومی، محققان توانستند پاسخ‌های با کیفیت بالا را سریع‌تر از بهترین الگوریتم‌های کلاسیک پیدا کنند - که گامی بزرگ به سوی محاسبات کوانتومی در دنیای واقعی است.

آنیلینگ کوانتومی نوع خاصی از محاسبات کوانتومی است که می‌تواند از اصول فیزیک کوانتومی برای یافتن راه‌حل‌های با کیفیت بالا برای مسائل بهینه‌سازی دشوار استفاده کند. این مطالعه به جای نیاز به راه‌حل‌های بهینه دقیق، بر یافتن راه‌حل‌هایی در محدوده درصد مشخصی (≥۱%) از مقدار بهینه تمرکز داشت.

کاربرد‌های دنیای واقعی پاسخ‌های تقریبی

بسیاری از مسائل دنیای واقعی نیازی به راه‌حل‌های دقیق ندارند، و این رویکرد را عملاً مرتبط می‌سازد. برای مثال، در تعیین اینکه کدام سهام را در یک صندوق سرمایه‌گذاری مشترک قرار دهیم، اغلب کافی است که فقط یک شاخص بازار پیشرو را شکست دهیم تا اینکه هر سبد سهام دیگری را شکست دهیم.

برای نشان دادن مزیت مقیاس‌بندی کوانتومی الگوریتمی، محققان از یک پردازنده‌ی بازپخت کوانتومی D-Wave Advantage، نوع خاصی از دستگاه محاسبات کوانتومی که در موسسه‌ی علوم اطلاعات USC نصب شده است، استفاده کردند. مانند تمام رایانه‌های کوانتومی فعلی، نویز نقش مهمی در از بین بردن مزیت کوانتومی در بازپخت کوانتومی ایفا می‌کند.

برای غلبه بر این مشکل، تیم تکنیکی به نام اصلاح بازپخت کوانتومی (QAC) را روی پردازنده D-Wave پیاده‌سازی کرد و بیش از ۱۳۰۰ کیوبیت منطقیِ سرکوب‌شده با خطا ایجاد کرد. این سرکوب خطا، کلید دستیابی به مزیت نسبت به تعدیل موازی با حرکات خوشه‌ای هم‌انرژی (PT-ICM)، کارآمدترین الگوریتم کلاسیک فعلی برای مسائل مشابه، بود.

معیارسنجی با مسائل اسپین-گلاس

این مطالعه با استفاده از چندین روش تحقیقاتی، مزیت کوانتومی را نشان داد و بر خانواده‌ای از مسائل اسپین-گلاس دوبعدی با برهمکنش‌های با دقت بالا تمرکز کرد. لیدار گفت: «مسائل اسپین-گلاس دسته‌ای از چالش‌های بهینه‌سازی پیچیده هستند که از مدل‌های فیزیک آماری سیستم‌های مغناطیسی بی‌نظم سرچشمه می‌گیرند.» محققان به جای جستجوی راه‌حل‌های دقیق، عملکرد «زمان به اپسیلون» را محک زدند و اندازه‌گیری کردند که هر رویکرد با چه سرعتی می‌تواند راه‌حل‌هایی را در درصد مشخصی از پاسخ بهینه پیدا کند.

به سوی بهینه‌سازی کوانتومی آینده

محققان قصد دارند یافته‌های خود را به مسائل چگال‌تر و با ابعاد بالاتر تعمیم دهند و کاربرد‌های آن را در بهینه‌سازی دنیای واقعی بررسی کنند. لیدار گفت که پیشرفت‌های بیشتر در سخت‌افزار کوانتومی و حذف خطا می‌تواند مزیت مشاهده‌شده را تقویت کند. «این امر راه‌های جدیدی را برای الگوریتم‌های کوانتومی در وظایف بهینه‌سازی باز می‌کند که در آنها راه‌حل‌های تقریباً بهینه کافی هستند.»

مرجع: «مزیت مقیاس‌بندی در بهینه‌سازی تقریبی با آنیلینگ کوانتومی» نوشته‌ی هامبرتو مونوز-باوزا و دنیل لیدار، ۲۳ آوریل ۲۰۲۵، Physical Review Letters.

DOI: ۱۰.۱۱۰۳/PhysRevLett.۱۳۴.۱۶۰۶۰۱

درباره این مطالعه: این مطالعه با همکاری هومبرتو مونوز-باوزا از مرکز تحقیقات ایمز ناسا و لیدار انجام شده است.

این مطالعه توسط: آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) با کمک‌های مالی HR۰۰۱۱۲۱۹۰۰۷۱ و NASA-DARPA SAA۲-۴۰۳۶۸۸، دفتر تحقیقات ارتش ایالات متحده با کمک هزینه W۹۱۱NF۲۳۱۰۲۵۵، ناسا پشتیبانی شده است.