Дослідники показують, що класичні комп’ютери можуть не відставати від своїх квантових аналогів

Квантові обчислення вітали як технологію, яка може перевершити класичні обчислення як за швидкістю, так і за використанням пам’яті, потенційно відкриваючи шлях до прогнозування фізичних явищ, які раніше були неможливими. Багато хто бачить появу квантових обчислень як зміну парадигми від класичних або звичайних обчислень. Звичайні комп’ютери обробляють інформацію у формі цифрових бітів (0 і 1), тоді як квантові комп’ютери використовують квантові біти (кубіти) для зберігання квантової інформації у значеннях від 0 до 1.

За певних умов цю здатність обробляти та зберігати інформацію в кубітах можна використовувати для розробки квантових алгоритмів, які значно перевершують класичні аналоги. Примітно, що здатність кванта зберігати інформацію в значеннях від 0 до 1 ускладнює класичним комп’ютерам ідеальну емуляцію квантових.

Однак квантові комп’ютери вибагливі й мають тенденцію втрачати інформацію. Крім того, навіть якщо втрати інформації можна уникнути, важко перевести її в класичну інформацію, що необхідно для отримання корисних обчислень.

Класичні комп’ютери не страждають від жодної з цих двох проблем. Крім того, вміло розроблені класичні алгоритми можуть додатково використовувати подвійну проблему втрати інформації та трансляції, щоб імітувати квантовий комп’ютер із набагато меншими ресурсами, ніж вважалося раніше, як нещодавно повідомлялося в дослідницькій статті в журналі PRX Quantum.

Результати вчених показують, що класичні обчислення можна переналаштувати для виконання швидших і точніших обчислень, ніж сучасні квантові комп’ютери.

Цей прорив був досягнутий за допомогою алгоритму, який зберігає лише частину інформації, що зберігається в квантовому стані — і рівно стільки, щоб можна було точно обчислити кінцевий результат.

«Ця робота показує, що є багато потенційних шляхів до вдосконалення обчислень, що охоплюють як класичні, так і квантові підходи», — пояснює Дріс Селс, доцент кафедри фізики Нью-Йоркського університету та один з авторів статті. «Щобільше, наша робота підкреслює, наскільки важко досягти квантової переваги за допомогою квантового комп’ютера, схильного до помилок».

У пошуках способів оптимізації класичних обчислень Селс і його колеги з Фонду Саймонса зосередилися на типі тензорної мережі, яка вірно представляє взаємодію між кубітами. З цими типами мереж, як відомо, важко мати справу, але останні досягнення в цій галузі тепер дозволяють оптимізувати ці мережі за допомогою інструментів, запозичених зі статистичних висновків.

Автори порівнюють роботу алгоритму зі стисненням зображення у файл JPEG, що дозволяє зберігати великі зображення, використовуючи менше місця, видаляючи інформацію з ледь відчутною втратою якості зображення.

«Вибір різних структур для тензорної мережі відповідає вибору різних форм стиснення, наприклад, різних форматів для вашого зображення», — каже Джозеф Тіндалл з Інституту Флетірона, який керував проектом. «Ми успішно розробляємо інструменти для роботи з широким спектром різних тензорних мереж. Ця робота відображає це, і ми впевнені, що незабаром ми піднімемо планку квантових обчислень ще далі».