AI Prediksi Keuntungan Kuantum: Jaringan Saraf Meramalkan Perilaku Sistem
- Model AI memprediksi apakah suatu mesin kuantum akan memiliki keuntungan kuantum.
- Model ini didasarkan pada jaringan saraf yang menganalisis struktur jaringan sistem kuantum dan secara bertahap belajar untuk meramalkan perilakunya.
- Ini akan membantu ilmuwan mengembangkan perangkat kuantum yang efisien baru.
Komputasi kuantum memiliki potensi untuk memecahkan berbagai masalah kompleks yang komputer saat ini bahkan tidak dapat memproses. Misalnya, komputasi kuantum dapat membantu ilmuwan mempelajari reaksi kimia secara detail dan mendeteksi struktur molekul yang stabil untuk farmasutika dan bidang lainnya.
Namun, salah satu isu kunci dalam ilmu komputer klasik dan kuantum adalah percepatan komputasi. Meskipun komputer kuantum dapat beroperasi jauh lebih cepat dari komputer klasik, pengembangan mesin semacam ini akan memerlukan banyak waktu dan uang. Bahkan demikian, tidak ada yang dapat menjamin bahwa mesin ini akan menunjukkan keuntungan kuantum.
Baru-baru ini, tim penelitian di Moscow Institute of Physics and Technology, ITMO University, dan Valiev Institute of Physics and Technology mengembangkan alat baru yang memprediksi apakah suatu mesin kuantum akan memiliki keuntungan kuantum.
Alat baru ini didasarkan pada jaringan saraf yang menganalisis struktur jaringan sistem kuantum dan secara bertahap belajar untuk meramalkan perilakunya. Ini akan membantu ilmuwan mengembangkan perangkat kuantum yang efisien baru.
AI Menentukan Calon untuk Membangun Komputer Kuantum
Random walks kuantum telah digunakan dalam beberapa tahun terakhir untuk memproses informasi kuantum secara efisien. Mereka adalah kuantum counterparts dari random walks klasik. Anda dapat memvisualisasikan fenomena ini sebagai partikel yang bepergian dalam jaringan tertentu yang mendasari sirkuit kuantum.
Berbeda dengan status pengendara klasik, status pengendara kuantum dapat berupa superposisi koheren dari beberapa posisi. Sebuah perangkat akan memiliki keuntungan kuantum jika partikel dalam sirkuit perangkat menunjukkan random walk kuantum (dari satu simpul jaringan ke simpul lain) lebih cepat dari samplah klasiknya.
Referensi: New Journal of Physics | DOI:10.1088/1367-2630/ab5c5e | MIPT
Dalam studi ini, peneliti menggunakan model pembelajaran mesin untuk mengidentifikasi jaringan yang unggul semacam itu. Model membedakan antara jaringan dan secara bertahap belajar untuk meramalkan apakah suatu jaringan akan memberikan keuntungan kuantum. Ini memberikan jaringan yang dapat digunakan untuk mengembangkan komputer kuantum yang efisien.
Ilustrasi AI yang mencari keuntungan kuantum
Contoh pelatihan dihasilkan dengan mensimulasikan dinamika random walk dari partikel klasik dan kuantum. Setiap contoh pelatihan berisi matriks adjacency dan label yang sesuai ('klasik' atau 'kuantum').
Tim penelitian juga membangun alat untuk menyederhanakan pengembangan sirkuit komputasi berdasarkan algoritma kuantum. Alat ini dapat digunakan untuk melakukan penelitian dalam ilmu material dan biophotonik.
Random Walks Kuantum
Random walks kuantum akan memberikan cara sederhana (lebih sederhana dari arsitektur berbasis qubit dan gate) untuk mengimplementasikan perhitungan kuantum dari fenomena alami. Misalnya, mereka memiliki potensi untuk menggambarkan dengan presisi eksitasi protein sensitif cahaya seperti klorofil atau rodopsin.
Baca: 5 Prosesor Kuantum yang Menampilkan Paradigma Komputasi Baru
Karena protein adalah biomolekul kompleks dengan struktur yang mirip dengan jaringan, menentukan waktu random walk dari satu simpul jaringan ke simpul lain mungkin mengungkap apa yang sebenarnya terjadi dalam sebuah molekula: di mana elektron akan bergerak dan jenis eksitasi apa yang akan ditimbulkannya.
