人工智能“看到”量子优势–帮助开发新型高效量子计算机

人工智能正在寻找量子优势。

莫斯科物理技术学院，瓦里耶夫物理技术学院和ITMO大学的俄罗斯研究人员创建了一个神经网络，该神经网络通过“观察”其网络结构来学习预测量子系统的行为。神经网络自动找到非常适合量子优势演示的解决方案。这将有助于研究人员开发新的高效量子计算机。研究结果发表在新物理学杂志上。

通过量子力学计算解决了现代科学中的许多问题。其中的一些例子是对化学反应的研究，以及在医药，制药和其他行业中寻找稳定的分子结构。所涉及问题的量子性质使量子计算更适合于它们。相反，经典计算往往只返回庞大的近似解。

创建量子计算机既昂贵又费时，并且不能保证所产生的设备具有任何量子优势。即，比常规计算机更快地操作。因此，研究人员需要用于预测给定量子设备是否具有量子优势的工具。

实现量子计算的方法之一是量子游走。简而言之，该方法可以可视化为在某个网络中运行的粒子，该网络是量子电路的基础。

如果粒子从一个网络节点到另一网络节点的量子行进比其经典模拟快，那么基于该电路的设备将具有量子优势。寻找这样的高级网络是量子步行专家解决的一项重要任务。

俄罗斯研究人员所做的就是用人工智能代替了专家。他们训练了机器，以区分网络，并判断给定的网络是否会带来量子优势。这指出了构建量子计算机的良好候选网络。

该团队使用了面向图像识别的神经网络。邻接矩阵与输入和输出节点的编号一起用作输入数据。神经网络返回有关给定节点之间的经典游走或量子游走会更快的预测。

“目前尚不清楚这种方法是否可行，但确实可以。MIPT理论物理学系副教授Leonid Fedichkin说：“我们已经成功地训练了计算机，可以自动预测复杂的网络是否具有量子优势。”

“量子行为和经典行为之间的界线通常是模糊的。MIPT毕业生和ITMO大学研究员Alexey Melnikov补充说，我们研究的显着特征是产生的专用计算机视觉，能够识别网络空间中的这一细线。

与他们的合著者Alexander Alodjants一起，研究人员创建了一种工具，该工具简化了基于量子算法的计算电路的开发。由此产生的设备将在生物光子学研究和材料科学中引起人们的兴趣。

量子游走描述得很好的过程之一是光敏蛋白（如视紫红质或叶绿素）的激发。蛋白质是一种复杂的分子，其结构类似于网络。解决一个形式上涉及发现从一个节点到另一个节点的量子行走时间的问题，实际上可以揭示出电子在分子中特定位置发生了什么变化，将在何处移动以及将引起何种激发。

与基于量子位和门的体系结构相比，预计量子游走将为实现自然现象的量子计算提供更简便的方法。原因是步行本身是自然的物理过程。

参考：阿列克谢·梅尔尼科夫（Alexey A Melnikov），列昂尼德·E·费迪奇金（Leonid E Fedichkin）和亚历山大·奥洛丹茨（Alexander Alodjants）借助卷积神经网络通过量子行走预测量子优势，2019年12月13日，新物理学。
10.1088 / 1367-2630 / ab5c5e

这个故事中报道的研究得到了俄罗斯政府08-08资助和俄罗斯基础研究基金会MHT-a和17-07-00994-a资助的第19-52-52012号资助。

瓦列夫物理技术研究所是俄罗斯科学院的一部分。