Fig. 1:O circuito quântico QAOA. Uma representação esquemática do circuito QAOA e nossa abordagem para simulá-lo. O estado de entrada é inicializado trivialmente para | +⟩ | +⟩. Próximo, em cada p, a troca de portas aplicáveis exatamente (UC) e aproximadamente (RX (β) =e − iβX) (consulte a Seção Métodos). Conforme observado no texto principal, cada aplicação (exata) da porta UC leva a um aumento no número de unidades ocultas por ∣E∣ (o número de arestas no gráfico). Para manter esse número constante, nós "comprimimos" o modelo (consulte a Seção Métodos), indicado por linhas tracejadas vermelhas após cada porta UC. A compressão é repetida em cada camada após a primeira, reduzindo pela metade o número de unidades ocultas de cada vez, imediatamente após duplicá-lo com portas UC. Após a camada final, o RBM é parametrizado por θopt, aproximando o estado final do alvo QAOA | γ, β⟩ | γ, β⟩. Crédito:DOI:10.1038 / s41534-021-00440-z
Dois físicos, da EPFL e da Columbia University, introduziram uma abordagem para simular o algoritmo de otimização aproximada quântica usando um computador tradicional. Em vez de executar o algoritmo em processadores quânticos avançados, a nova abordagem usa um algoritmo de aprendizado de máquina clássico que imita de perto o comportamento de computadores quânticos de curto prazo.
Em um artigo publicado em Nature Quantum Information , Professor da EPFL Giuseppe Carleo e Matija Medvidović, um estudante de graduação na Columbia University e no Flatiron Institute em Nova York, descobriram uma maneira de executar um algoritmo de computação quântica complexo em computadores tradicionais em vez de nos quânticos.
O "software quântico" específico que eles estão considerando é conhecido como Algoritmo de Otimização Aproximada Quântica (QAOA) e é usado para resolver problemas clássicos de otimização em matemática; é essencialmente uma maneira de escolher a melhor solução para um problema a partir de um conjunto de soluções possíveis. "Há muito interesse em entender quais problemas podem ser resolvidos de forma eficiente por um computador quântico, e QAOA é um dos candidatos mais proeminentes, "diz Carleo.
Em última análise, O QAOA visa nos ajudar no caminho para a famosa "aceleração quântica, "o aumento previsto na velocidade de processamento que podemos alcançar com computadores quânticos em vez dos convencionais. QAOA tem vários proponentes, incluindo o Google, que estão de olho nas tecnologias quânticas e na computação em um futuro próximo:em 2019, eles criaram o Sycamore, um processador quântico de 53 qubit, e usou-o para executar uma tarefa que estimou que levaria um supercomputador clássico de última geração por volta de 10, 000 anos para ser concluído. Sycamore executou a mesma tarefa em 200 segundos.
"Mas a barreira da" aceleração quântica "é quase rígida e está sendo continuamente remodelada por novas pesquisas, também graças ao progresso no desenvolvimento de algoritmos clássicos mais eficientes, "diz Carleo.
Em seu estudo, Carleo e Medvidović abordam uma questão-chave em aberto no campo:os algoritmos executados em computadores quânticos atuais e próximos podem oferecer uma vantagem significativa sobre os algoritmos clássicos para tarefas de interesse prático? "Se quisermos responder a essa pergunta, primeiro precisamos entender os limites da computação clássica na simulação de sistemas quânticos, "diz Carleo. Isso é especialmente importante, uma vez que a geração atual de processadores quânticos opera em um regime em que cometem erros ao executar software quântico", "e, portanto, só pode executar algoritmos de complexidade limitada.
Usando computadores convencionais, os dois pesquisadores desenvolveram um método que pode simular aproximadamente o comportamento de uma classe especial de algoritmos conhecidos como algoritmos quânticos variacionais, que são formas de calcular o estado de menor energia, ou "estado fundamental" de um sistema quântico. QAOA é um exemplo importante dessa família de algoritmos quânticos, que os pesquisadores acreditam estar entre os candidatos mais promissores para "vantagem quântica" em computadores quânticos de curto prazo.
A abordagem é baseada na ideia de que as ferramentas modernas de aprendizado de máquina, por exemplo. os usados para aprender jogos complexos como Go, também pode ser usado para aprender e emular o funcionamento interno de um computador quântico. A principal ferramenta para essas simulações são os estados quânticos da rede neural, uma rede neural artificial que Carleo desenvolveu em 2016 com Matthias Troyer, e agora era usado pela primeira vez para simular o QAOA. Os resultados são considerados domínio da computação quântica, e definir uma nova referência para o desenvolvimento futuro de hardware quântico.
"Nosso trabalho mostra que o QAOA que você pode executar em computadores quânticos atuais e de curto prazo pode ser simulado, com boa precisão, em um computador clássico também, "diz Carleo." No entanto, isso não significa que algoritmos quânticos alusivos que podem ser executados em processadores quânticos de curto prazo possam ser emulados classicamente. Na verdade, esperamos que nossa abordagem sirva como um guia para desenvolver novos algoritmos quânticos que sejam úteis e difíceis de simular para computadores clássicos. "
