Fig. 1:El circuito cuántico QAOA. Una representación esquemática del circuito QAOA y nuestro enfoque para simularlo. El estado de entrada se inicializa trivialmente a | +⟩ | +⟩. Próximo, en cada p, el intercambio de exactamente (UC) y aproximadamente (RX (β) =e − iβX) puertas aplicables está etiquetado (ver Sec. Métodos). Como se indica en el texto principal, cada aplicación (exacta) de la puerta UC conduce a un aumento en el número de unidades ocultas en ∣E∣ (el número de bordes en el gráfico). Para mantener ese número constante, "comprimimos" el modelo (consulte la sección Métodos), indicado por líneas rojas discontinuas después de cada puerta UC. La compresión se repite en cada capa después de la primera, reduciendo a la mitad el número de unidades ocultas cada vez, inmediatamente después de duplicarlo con puertas UC. Después de la última capa, el RBM está parametrizado por θopt, aproximando el estado objetivo final de QAOA | γ, β⟩ | γ, β⟩. Crédito:DOI:10.1038 / s41534-021-00440-z
Dos físicos, de EPFL y la Universidad de Columbia, han introducido un enfoque para simular el algoritmo de optimización aproximada cuántica utilizando una computadora tradicional. En lugar de ejecutar el algoritmo en procesadores cuánticos avanzados, el nuevo enfoque utiliza un algoritmo clásico de aprendizaje automático que imita de cerca el comportamiento de las computadoras cuánticas a corto plazo.
En un artículo publicado en Información cuántica de la naturaleza , El profesor de EPFL Giuseppe Carleo y Matija Medvidović, estudiante de posgrado en la Universidad de Columbia y en el Flatiron Institute de Nueva York, han encontrado una manera de ejecutar un complejo algoritmo de computación cuántica en computadoras tradicionales en lugar de en las cuánticas.
El "software cuántico" específico que están considerando se conoce como algoritmo de optimización aproximada cuántica (QAOA) y se utiliza para resolver problemas de optimización clásicos en matemáticas; es esencialmente una forma de elegir la mejor solución a un problema entre un conjunto de posibles soluciones. "Hay mucho interés en comprender qué problemas se pueden resolver de manera eficiente con una computadora cuántica, y QAOA es uno de los candidatos más destacados, "dice Carleo.
Por último, QAOA está destinado a ayudarnos en el camino hacia la famosa "aceleración cuántica, "el aumento previsto en la velocidad de procesamiento que podemos lograr con las computadoras cuánticas en lugar de las convencionales. Es comprensible que QAOA tiene varios proponentes, incluido Google, que tienen la vista puesta en las tecnologías cuánticas y la computación en un futuro cercano:en 2019 crearon Sycamore, un procesador cuántico de 53 qubits, y lo usó para ejecutar una tarea que estimó que se necesitaría una supercomputadora clásica de última generación alrededor de 10, 000 años para completar. Sycamore ejecutó la misma tarea en 200 segundos.
"Pero la barrera de la" aceleración cuántica "es casi rígida y está siendo remodelada continuamente por nuevas investigaciones, también gracias al progreso en el desarrollo de algoritmos clásicos más eficientes, "dice Carleo.
En su estudio, Carleo y Medvidović abordan una pregunta clave abierta en el campo:¿pueden los algoritmos que se ejecutan en computadoras cuánticas actuales y de corto plazo ofrecer una ventaja significativa sobre los algoritmos clásicos para tareas de interés práctico? "Si vamos a responder a esa pregunta, primero tenemos que entender los límites de la computación clásica en la simulación de sistemas cuánticos, "dice Carleo. Esto es especialmente importante ya que la generación actual de procesadores cuánticos opera en un régimen en el que cometen errores al ejecutar software cuántico", "y, por lo tanto, solo puede ejecutar algoritmos de complejidad limitada.
Usando computadoras convencionales, Los dos investigadores desarrollaron un método que puede simular aproximadamente el comportamiento de una clase especial de algoritmos conocidos como algoritmos cuánticos variacionales. que son formas de calcular el estado de energía más bajo, o "estado fundamental" de un sistema cuántico. QAOA es un ejemplo importante de tal familia de algoritmos cuánticos, que los investigadores creen que se encuentran entre los candidatos más prometedores para la "ventaja cuántica" en las computadoras cuánticas a corto plazo.
El enfoque se basa en la idea de que las herramientas modernas de aprendizaje automático, p.ej. los que se utilizan para aprender juegos complejos como Go, también se puede utilizar para aprender y emular el funcionamiento interno de una computadora cuántica. La herramienta clave para estas simulaciones son los estados cuánticos de la red neuronal, una red neuronal artificial que Carleo desarrolló en 2016 con Matthias Troyer, y que ahora se utilizó por primera vez para simular QAOA. Los resultados se consideran la provincia de la computación cuántica, y establecer un nuevo punto de referencia para el desarrollo futuro de hardware cuántico.
"Nuestro trabajo muestra que el QAOA que puede ejecutar en computadoras cuánticas actuales y de corto plazo se puede simular, con buena precisión, en una computadora clásica también, "dice Carleo." Sin embargo, Esto no significa que todos los algoritmos cuánticos útiles que se pueden ejecutar en procesadores cuánticos a corto plazo puedan emularse de forma clásica. De hecho, esperamos que nuestro enfoque sirva de guía para diseñar nuevos algoritmos cuánticos que sean útiles y difíciles de simular para las computadoras clásicas ".
