Οι κβαντικοί υπολογιστές έχουν τη δυνατότητα να ξεπεράσουν τους κλασικούς υπολογιστές σε συγκεκριμένες εργασίες, όμως η χρήση τους παραμένει περιορισμένη λόγω του υψηλού κόστους και των τεχνικών προκλήσεων που εμποδίζουν την κατασκευή τους σε μεγάλη κλίμακα.
Ερευνητές από το Κρατικό Εργαστήριο Κβαντικών Πληροφοριών και Κρυπτογραφίας της Χενάν και το Τεχνολογικό Πανεπιστήμιο Νανγιάνγκ ανέπτυξαν τους «προβλεπτικούς αντικαταστάτες», νέα υπολογιστικά μοντέλα που μπορούν να μάθουν και να αναπαράγουν τα αποτελέσματα των κβαντικών επεξεργαστών. Η συγκεκριμένη μελέτη δημοσιεύτηκε στο περιοδικό Nature Communications.
Τα δύο μεγάλα εμπόδια της κβαντικής τεχνολογίας
Ο He-Liang Huang, επικεφαλής συγγραφέας της μελέτης, εξήγησε ότι υπάρχουν δύο κύρια εμπόδια για την πρακτική χρήση των κβαντικών επεξεργαστών: η πρόσβαση και η ταχύτητα. Η κατασκευή και η αξιόπιστη λειτουργία τους είναι εξαιρετικά δαπανηρή, με αποτέλεσμα ελάχιστοι ερευνητές παγκοσμίως να έχουν άμεση πρόσβαση για να δοκιμάσουν τους αλγορίθμους τους. Επιπλέον, οι επεξεργαστές αυτοί λειτουργούν αργά, καθώς η εκτέλεση κβαντικών αλγορίθμων απαιτεί τη συλλογή εκατομμυρίων επαναλαμβανόμενων μετρήσεων για την εξαγωγή αξιόπιστων αποτελεσμάτων, δημιουργώντας μια σοβαρή πρακτική συμφόρηση.
Ψηφιακά δίδυμα κβαντικών επεξεργαστών
Για να αντιμετωπιστεί αυτό το πρόβλημα, η ομάδα ανέπτυξε κλασικά μοντέλα μηχανικής μάθησης που λειτουργούν ως «ψηφιακά δίδυμα» του κβαντικού επεξεργαστή. Αναλύοντας ένα μικρό σύνολο δεδομένων από τη συσκευή, τα μοντέλα αυτά μαθαίνουν τη σχέση μεταξύ των κλασικών εισροών και των αντίστοιχων μετρήσεων. Στην συνέχεια, μπορούν να προβλέψουν τα αποτελέσματα των μελλοντικών υπολογισμών εξολοκλήρου από την κλασική πλευρά, μειώνοντας δραστικά τις δαπανηρές αξιολογήσεις υλικού.
Το σημαντικό είναι ότι το πλαίσιο αυτό συνοδεύεται από αυστηρές θεωρητικές εγγυήσεις και η απόδοσή του δεν επηρεάζεται από το μέγεθος του κβαντικού συστήματος, γεγονός που σημαίνει ότι μπορεί να διαχειριστεί επεξεργαστές μεγάλης κλίμακας με χιλιάδες qubits.
Εργαστηριακές δοκιμές και αποτελέσματα
Οι ερευνητές αξιολόγησαν το μοντέλο χρησιμοποιώντας δεδομένα από έναν πραγματικό υπεραγώγιμο κβαντικό επεξεργαστή με έως και 42 προγραμματιζόμενα qubits. Εφάρμοσαν τους αντικαταστάτες σε δύο αντιπροσωπευτικές εργασίες: την επιτάχυνση της βελτιστοποίησης παραλλακτικών κβαντικών ιδιοεπιλυτών – VQE – και τον εντοπισμό μη ισορροπημένων κβαντικών φάσεων της ύλης. Και στις δύο περιπτώσεις, πέτυχαν υψηλή ακρίβεια πρόβλεψης, μειώνοντας ταυτόχρονα το κόστος των μετρήσεων κατά περισσότερο από 99.97%.
Διαπιστώθηκε επίσης ότι ο όγκος των δεδομένων που απαιτείται για την εκπαίδευση του μοντέλου δεν αυξάνεται δραματικά με την αύξηση του μεγέθους του επεξεργαστή.
Μελλοντικές κατευθύνσεις και εκδημοκρατισμός της πρόσβασης
Η ομάδα σχεδιάζει να εμβαθύνει στη θεωρία μάθησης για να κατανοήσει καλύτερα γιατί αυτά τα μοντέλα ξεπερνούν τις απλές κλασικές προσομοιώσεις.
Στόχος είναι επίσης να επεκταθεί το πλαίσιο πέρα από τους τυπικούς κβαντικούς υπολογιστές που βασίζονται σε qubits, σε άλλα συστήματα, όπως τα φερμιονικά. Μακροπρόθεσμα, η προσέγγιση αυτή ανοίγει τον δρόμο για τον εκδημοκρατισμό της πρόσβασης σε προηγμένο κβαντικό υλικό, επιτρέποντας σε περισσότερους επιστήμονες και μηχανικούς να επωφεληθούν από τις ισχυρές κβαντικές συσκευές χωρίς να χρειάζονται συνεχή και δαπανηρή πρόσβαση σε αυτές.
