Квантовые компьютеры могут оказаться гораздо более мощными, чем любой обычный суперкомпьютер, когда дело доходит до выполнения сложных физических и химических симуляций, которые могут привести к созданию батарей следующего поколения или новых лекарств . Однако может пройти много лет, прежде чем практические и широко распространенные квантовые вычисления станут реальностью.
Теперь новое исследование показывает, что машинное обучение , которое теперь обеспечивает компьютерное зрение, распознавание речи и многое другое, также может оказаться значительно лучше, чем обычные компьютеры, в тех задачах, в которых преуспевают квантовые компьютеры. Эти результаты показывают, что машинное обучение может помочь решить ключевые квантовые проблемы в эпоху, когда квантовые компьютеры, наконец, не появятся.
Квантовые компьютеры теоретически могут достичь « квантового преимущества », когда они могут найти ответы на проблемы, которые никогда не могли решить классические компьютеры. Чем больше компонентов, известных как кубиты, в квантовом компьютере, тем больше его вычислительная мощность может расти в геометрической прогрессии.
«Если бы квантовые компьютеры были зрелыми прямо сейчас, было бы определенно лучше использовать квантовые компьютеры».
— Роберт Синь-Юань Хуан, Калифорнийский технологический институт
Основным применением квантовых компьютеров может быть моделирование сложных молекул и других систем, в которых странные квантовые эффекты играют ключевую роль. Эти странные явления включают суперпозицию , когда объект может существовать в двух или более местах или состояниях одновременно, и запутанность , когда несколько тел могут мгновенно влиять друг на друга, независимо от того, насколько далеко они друг от друга.
Классические компьютеры часто с трудом моделируют квантовые системы, особенно включающие множество тел. Напротив, квантовые компьютеры сами по себе являются квантовыми системами, и поэтому теоретически могут решать подобные квантовые задачи многих тел гораздо быстрее.
Однако квантовые компьютеры в настоящее время представляют собой шумные квантовые платформы среднего масштаба (NISQ), а это означает, что число их кубитов не превышает нескольких сотен. Чтобы оказаться полезными для практических приложений, будущим квантовым компьютерам, вероятно, потребуются тысячи кубитов, чтобы помочь компенсировать ошибки , и на это может уйти много лет.
В новом исследовании исследователи изучили алгоритмы машинного обучения, которые автоматически улучшаются благодаря опыту и работают на классических компьютерах. Они обнаружили, что эти классические алгоритмы машинного обучения могут решать сложные квантовые задачи лучше, чем любой другой алгоритм на классических компьютерах. Они подробно описали свои выводы онлайн 22 сентября в журнале Science .
Один набор приложений, проанализированных учеными, включал поиск основного состояния молекулы, в котором она имеет наименьшее количество энергии. Суперпозиция и запутанность могут очень затруднить предсказание основного состояния молекулы, особенно когда она состоит из многих атомов, говорит ведущий автор исследования Роберт Синь-Юань Хуанг , теоретик квантовой информации из Калифорнийского технологического института в Пасадене, Калифорния.
Исследователи исследовали, что происходило, когда классическим алгоритмам машинного обучения давали данные об основных состояниях молекул — например, информацию, полученную в результате экспериментов по сбору квантовых данных от молекул. Они обнаружили, что такие классические алгоритмы машинного обучения могут эффективно и точно предсказывать основные состояния других молекул значительно лучше, чем другие виды классических алгоритмов.
Это преимущество связано с тем, что «природа действует квантово-механически», поэтому данные, собранные в результате квантовых экспериментов, «содержат фрагменты квантовой вычислительной мощности природы», — говорит Хуанг. Это означает, что классические алгоритмы машинного обучения, которые учатся на основе этих данных, «могут прогнозировать точнее и эффективнее, чем любой алгоритм, не связанный с машинным обучением», — добавляет он.
В целом, когда дело доходит до предсказания основных состояний, классический алгоритм машинного обучения «может предсказывать более точно, чем классические алгоритмы без машинного обучения с таким же количеством вычислительного времени», — говорит Хуанг. «Если вместо этого мы нацелимся на достижение той же точности прогнозирования, то классическое машинное обучение может работать на суперполиномино быстрее, чем классические алгоритмы, не связанные с машинным обучением».
Еще одним набором приложений, которые исследовали исследователи, была классификация широкого спектра квантовых фаз материи. Знакомые фазы материи включают множество кристаллических структур, которые может принять лед, в то время как более экзотические квантовые фазы материи включают виды, наблюдаемые в топологических изоляторах , где электричество или свет могут протекать без рассеяния или потерь.
Ученые обнаружили, что когда классические алгоритмы машинного обучения обучались на классических данных о квантовых фазах, они могли эффективно научиться точно классифицировать квантовые фазы, с которыми они не столкнулись во время обучения.
«Очень интересно получить формальное доказательство того, что классические алгоритмы машинного обучения, обученные на данных физических экспериментов, могут превзойти любые классические алгоритмы без машинного обучения в важной проблеме квантовой физики», — говорит Хуанг. «Это действительно показывает силу классического машинного обучения в решении сложных задач в физике, химии и материаловедении».
По словам Хуанга, в будущих исследованиях можно будет изучить, какие еще важные квантовые задачи могут решить классическое машинное обучение. Он отмечает, что дальнейшая работа может также изучить, как оптимизировать способ, которым классические алгоритмы машинного обучения могут решать квантовые задачи, с точки зрения того, сколько обучающих данных и вычислительного времени они требуют.
В конце концов, когда-нибудь квантовые компьютеры превзойдут даже классическое машинное обучение, когда дело доходит до моделирования химических и физических экспериментов . «Если бы квантовые компьютеры были зрелыми прямо сейчас, было бы определенно лучше использовать квантовые компьютеры», — говорит Хуанг.
Тем не менее, пока не появятся квантовые компьютеры, «классические модели машинного обучения, обученные на экспериментальных данных, могут решать практические задачи в химии и материаловедении, которые было бы слишком сложно решить, используя только классическую обработку», — говорит Хуанг.
