Японские ученые создали метод повышения производительности квантового компьютера

Группа японских исследователей разработала метод систематического поиска оптимальной последовательности квантовых операций для квантового компьютера. Исследование было опубликовано в научном журнале Physical Review A .

Группа разработала систематический метод, применяющий теорию оптимального управления (алгоритм GRAPE) для определения оптимальной последовательности среди всех последовательностей квантовых операций.

Последовательность квантовых операций — это компьютерная программа, написанная на понятном человеку языке, которая преобразуется для обработки квантовым компьютером. Лучшая последовательность имеет наименьшее количество операций при наилучшей производительности.

Одна из основных проблем квантовых вычислений заключается в том, что квантовое состояние очень чувствительно к шуму, а это означает, что его трудно поддерживать стабильным в течение длительного периода времени. Операции должны быть завершены в течение времени, когда поддерживается когерентное квантовое состояние, и для этого требуется метод систематического определения оптимальных последовательностей.

Метод анализирует все возможные последовательности элементарных квантовых операций с помощью алгоритма GRAPE (Gradient Ascent Pulse Engineering), который является численным алгоритмом теории оптимального управления.

Команда создает таблицу последовательностей операций и индекс производительности для каждой из них, который может варьироваться от тысяч до миллионов. Затем оптимальная последовательность может быть систематически определена на основе накопленных данных.

Новый метод также может анализировать полный список всех последовательностей и оценивать обычные методы, что позволяет установить ориентиры для прошлых и будущих исследований.

По словам ученых, новый метод повысит производительность квантовых компьютеров среднего масштаба и снизит воздействие на окружающую среду в ближайшем будущем.

Команда также обнаружила, что существует множество оптимальных последовательностей операций. Это означает, что вероятностный подход может расширить применение нового алгоритма в более крупных задачах. Интегрируя машинное обучение с разработанным методом, можно еще больше повысить прогностическую силу.

Алгоритм GRAPE основан на активации реакции на случайные измерения в вычислениях, при которой прямая градиентного восхождения остается постоянной.