Künstliche Intelligenz sagt das Verhalten von Quantensystemen voraus

• KI-Modell sagt voraus, ob eine bestimmte Quantenmaschine einen Quantenvorteil haben wird.
• Es basiert auf einem neuronalen Netz, das die Netzstruktur eines Quantensystems analysiert und nach und nach lernt, sein Verhalten vorherzusagen.
• Dies wird Wissenschaftlern helfen, neue effiziente Quantengeräte zu entwickeln.

Quantencomputing hat das Potenzial, verschiedene komplexe Probleme zu lösen, die heutige Computer nicht einmal verarbeiten können. Es kann beispielsweise Wissenschaftlern dabei helfen, chemische Reaktionen im Detail zu untersuchen und stabile molekulare Strukturen für die Pharmazie und andere Bereiche zu erkennen.

Eines der Schlüsselthemen sowohl in der klassischen als auch in der Quanteninformatik ist jedoch die Rechengeschwindigkeit. Obwohl Quantencomputer viel schneller arbeiten können als klassische Computer, würde die Entwicklung solcher Maschinen viel Zeit und Geld erfordern. Selbst dann kann niemand garantieren, dass diese Maschinen Quantenvorteile aufweisen.

Vor kurzem hat ein Forschungsteam des Moskauer Instituts für Physik und Technologie, der ITMO-Universität und des Valie-Instituts für Physik und Technologie ein neues Werkzeug entwickelt, das vorhersagt, ob eine bestimmte Quantenmaschine einen Quantenvorteil haben wird.

Dieses neue Werkzeug basiert auf einem neuronalen Netz, das die Netzstruktur eines Quantensystems analysiert und nach und nach lernt, sein Verhalten vorherzusagen. Es wird Wissenschaftlern helfen, neue effiziente Quantengeräte zu entwickeln.

KI identifiziert Kandidaten für den Bau von Quantencomputern

Quantenwanderungen wurden in den letzten Jahren eingesetzt, um Quanteninformationen effizient zu verarbeiten. Sie sind Quanten-Gegenstücke zu klassischen Random Walks. Sie können sich dieses Phänomen als Teilchen vorstellen, das sich in einem bestimmten Netzwerk bewegt, das einem Quantenkreis zugrunde liegt.

Im Gegensatz zu einem klassischen Walker-Zustand kann der Zustand des Quantenwalkers eine kohärente Überlagerung mehrerer Positionen sein. Ein Gerät hat einen Quantenvorteil, wenn ein Teilchen im Schaltkreis des Geräts einen Quantengang (von einem Netzwerkknoten zum anderen) schneller als sein klassisches Gegenstück zeigt.

Referenz:Neue Zeitschrift für Physik | DOI:10.1088/1367-2630/ab5c5e | MIPT

In dieser Studie verwendeten die Forscher ein Modell des maschinellen Lernens, um solche überlegenen Netzwerke zu identifizieren. Das Modell unterscheidet zwischen Netzwerken und lernt nach und nach vorherzusagen, ob ein bestimmtes Netzwerk einen Quantenvorteil bietet. Dies gibt uns die Netzwerke, die verwendet werden können, um einen effizienten Quantencomputer zu entwickeln.

Illustration einer KI auf der Suche nach Quantenvorteilen 

Trainingsbeispiele wurden durch Simulation der Random-Walk-Dynamik von klassischen und Quantenteilchen generiert. Jedes Trainingsbeispiel enthielt eine Adjazenzmatrix und ein entsprechendes Label („klassisch“ oder „quantum“).

Das Forschungsteam baute auch ein Werkzeug, um die Entwicklung von Rechenschaltungen basierend auf Quantenalgorithmen zu vereinfachen. Es könnte für die Durchführung von Forschungen in den Bereichen Materialwissenschaften und Biophotonik verwendet werden.

Quantenspaziergänge

Quantenwanderungen werden einen einfachen Weg (viel einfacher als Architekturen basierend auf Qubits und Gates) bieten, um Quantenberechnungen von Naturphänomenen zu implementieren. Sie haben beispielsweise das Potenzial, die Anregung lichtempfindlicher Proteine ​​wie Chlorophyll oder Rhodopsin präzise zu beschreiben.

Lesen Sie:5 Quantenprozessoren mit neuem Rechenparadigma

Da Protein ein komplexes Biomolekül mit einer netzwerkähnlichen Struktur ist, kann die Bestimmung der Quantenwegzeit von einem Netzwerkknoten zum anderen Aufschluss darüber geben, was in einem Molekül tatsächlich vor sich geht:wohin sich das Elektron bewegt und welche Art von Anregung es verursacht .