Kecerdasan Buatan Memprediksi Perilaku Sistem Kuantum
- Model AI memprediksi apakah mesin kuantum tertentu akan memiliki keunggulan kuantum.
- Ini didasarkan pada jaringan saraf yang menganalisis struktur jaringan sistem kuantum dan secara bertahap belajar memprediksi perilakunya.
- Ini akan membantu para ilmuwan mengembangkan perangkat kuantum baru yang efisien.
Komputasi kuantum memiliki potensi untuk memecahkan berbagai masalah kompleks yang bahkan tidak dapat diproses oleh komputer saat ini. Misalnya, ini dapat membantu para ilmuwan mempelajari reaksi kimia secara mendetail dan mendeteksi struktur molekul yang stabil untuk bidang farmasi dan bidang lainnya.
Namun, salah satu masalah utama dalam ilmu komputer klasik dan kuantum adalah kecepatan komputasi. Meskipun komputer kuantum dapat bekerja jauh lebih cepat daripada komputer klasik, mengembangkan mesin seperti itu akan membutuhkan banyak waktu dan uang. Meski begitu, tidak ada yang bisa menjamin bahwa mesin ini akan menunjukkan keunggulan kuantum.
Baru-baru ini, tim peneliti di Institut Fisika dan Teknologi Moskow, Universitas ITMO, dan Institut Fisika dan Teknologi Valiev mengembangkan alat baru yang memprediksi apakah mesin kuantum tertentu akan memiliki keunggulan kuantum.
Alat baru ini didasarkan pada jaringan saraf yang menganalisis struktur jaringan sistem kuantum dan secara bertahap belajar memprediksi perilakunya. Ini akan membantu para ilmuwan mengembangkan perangkat kuantum baru yang efisien.
AI Menentukan Kandidat Untuk Membangun Komputer Quantum
Jalan kuantum telah digunakan dalam beberapa tahun terakhir untuk memproses informasi kuantum secara efisien. Mereka adalah rekan kuantum dari jalan acak klasik. Anda dapat memvisualisasikan fenomena ini sebagai partikel yang bergerak dalam jaringan tertentu yang mendasari sirkuit kuantum.
Tidak seperti keadaan pejalan kaki klasik, keadaan pejalan kaki kuantum dapat menjadi superposisi yang koheren dari beberapa posisi. Sebuah perangkat akan memiliki keuntungan kuantum jika sebuah partikel di sirkuit perangkat menunjukkan perjalanan kuantum (dari satu node jaringan ke yang lain) lebih cepat daripada rekan klasiknya.
Referensi:Jurnal Fisika Baru | DOI:10.1088/1367-2630/ab5c5e | MIPT
Dalam penelitian ini, peneliti menggunakan model pembelajaran mesin untuk mengidentifikasi jaringan superior tersebut. Model membedakan antara jaringan dan secara bertahap belajar untuk memprediksi apakah jaringan tertentu akan memberikan keuntungan kuantum. Ini memberi kita jaringan yang dapat digunakan untuk mengembangkan komputer kuantum yang efisien.
Ilustrasi AI yang mencari keuntungan kuantum
Contoh pelatihan dihasilkan dengan mensimulasikan dinamika jalan acak dari partikel klasik dan kuantum. Setiap contoh pelatihan berisi matriks ketetanggaan dan label yang sesuai ('klasik' atau 'kuantum').
Tim peneliti juga membangun alat untuk menyederhanakan pengembangan sirkuit komputasi berdasarkan algoritma kuantum. Ini dapat digunakan untuk melakukan penelitian dalam ilmu material dan biofotonik.
Jalan Kuantum
Jalan kuantum akan memberikan cara sederhana (jauh lebih sederhana daripada arsitektur berdasarkan qubit dan gerbang) untuk menerapkan perhitungan kuantum fenomena alam. Misalnya, mereka memiliki potensi untuk secara tepat menggambarkan eksitasi protein fotosensitif seperti klorofil atau rhodopsin.
Baca:5 Prosesor Quantum yang Menampilkan Paradigma Komputasi Baru
Karena protein adalah biomolekul kompleks dengan struktur yang mirip dengan jaringan, menentukan waktu berjalan kuantum dari satu simpul jaringan ke simpul lain dapat mengungkapkan apa yang sebenarnya terjadi di dalam molekul:ke mana elektron akan bergerak dan jenis eksitasi apa yang akan ditimbulkannya. .
