Anong mga problema ang magaling na solusyunin ng quantum computers?

Panoorin ang video tungkol sa mga aplikasyon ng quantum computing mula kay Olivia Lanes, o buksan ang video sa hiwalay na window sa YouTube.

Panimula

Sa nakaraang aralin, malalim tayong tumingin sa isang partikular na problema — ang paglutas ng Max-Cut optimization problem gamit ang QUBO formulation. Ngayon, magkakaroon tayo ng ibang diskarte at tatalakayin ang mga near-term na aplikasyon nang mas malawak. Magsisimula tayo sa pamamagitan ng pagbibigay ng ideya kung paano namin tinutukoy ang mga uri ng problema na sa tingin namin ay maaaring makinabang sa quantum solution. Pagkatapos, titingnan natin ang ilang kamakailang halimbawa ng mga gawa sa ating komunidad. Makakatulong ito sa iyo na magsimulang bumuo ng intuisyon para sa iba't ibang uri ng quantum computing problems at kung paano natin ito nilalapitan.

Kahirapan ng klasikal vs. quantum

Bago tayo tumalon sa mga halimbawa, pag-usapan muna natin kung paano natin pinag-aaralan at kinakategorya ang kahirapan ng iba't ibang problema. Ang ilang problema ay madaling malutas sa isang klasikal na computer, at hindi na natin kailangan ng quantum computer para sa mga ito. Sa kabilang banda, may mga napakahirap na problema kung saan kailangan ng quantum computers para malutas ang mga ito. Ang isang kilalang halimbawa ay ang paghanap ng mga prime factor ng napakalaking integer. Ang RSA encryption ay umaasa sa kahirapan ng problemang ito, at ang Shor's algorithm ay dinisenyo para malutas ito sa isang quantum computer. Ang isa pang halimbawa ay ang paghanap ng solusyon sa isang unsorted na data set — ito ay maaaring malutas ng quantum algorithm na kilala bilang Grover's algorithm. Gayunpaman, karamihan sa mga eksperto ay sumasang-ayon na ang mga ganitong uri ng algorithm ay mangangailangan ng implementasyon ng error correction at hindi pa handa ang teknolohiya.

Kaya naman, naghahanap tayo ng mga problema na maaari nating harapin sa isang "sweet spot" sa pagitan ng napakadali at napakahirap — mga problemang kaya ng mga quantum computer ngayon, pero nahihirapan ang mga klasikal na computer.

Mga complexity class

Ang kahirapan ng mga problemang ito ay kinakategorya at sinusuri sa isang sangay ng computer science na tinatawag na computational complexity theory. Napakaraming iba't ibang complexity class sa klasikal na computing, ngunit ilan sa mga pinaka-fundamental ay:

• P: Mga problema na maaaring malutas sa polynomial time habang lumalaki ang sukat ng problema. Madali itong malutas.
• NP: Nangangahulugang nondeterministic polynomial. Hindi naman kailangang malutas ang mga problemang ito sa polynomial time, ngunit ang kanilang mga sagot ay maaaring ma-verify sa polynomial time.
• NP-complete ay ang mga pinakamahirap na problema sa NP at walang kilalang polynomial na solusyon. Dito naninirahan ang mga kilalang problema tulad ng traveling salesman at ang laruan na Sudoku.
• BPP, o bounded-error polynomial problems, na maaaring malutas sa loob ng ilang error threshold ng isang probabilistic klasikal na computer sa polynomial time.

Nang maimbento ang konsepto ng quantum computing, gumastos ang mga tao ng malaking pagsisikap na malaman kung anong uri ng problema ang kayang malutas nang mahusay ng mga bagong uri ng computer. Isang bagong klase ng problema ang naimbento:

• BQP, o bounded-error quantum polynomial problems. Ito ang quantum na katumbas ng BPP: Ito ang klase ng mga desisyon na problema na maaaring malutas ng isang quantum computer sa polynomial time na may maliit na pagkakataon ng error.

Ang lahat ng mga klasseng ito ay nabubuhay sa isang mas malaking klase na tinatawag nating PSPACE. Sa itaas ay isang diagram ng mga pinaghihinalaang relasyon sa pagitan ng ilang complexity class, ngunit napakahirap na patunayan ito nang tiyak sa matematika. Mapapansin mo na ang BQP ay hindi naman kailangang mag-overlap sa NP-complete. Ngunit maaaring nakita mo pa rin ang ilang quantum computing approach na naglalayong subukang malutas ang mga problema sa NP-complete.

Ang isang karaniwang maling pagkaunawa ay walang saysay ang pag-explore ng mga quantum na solusyon sa anumang problema kung saan hindi pa nahanap ang isang mathematical proof para sa quantum speed-up. Ngunit ang paghanap ng mathematical proof na mas mabilis ang isang quantum algorithm kaysa sa klasikal na katumbas nito ay mahirap. Ang Shor's at Grover's ay isa sa ilang halimbawa lamang kung saan nagawa ito hanggang ngayon. Sa katunayan, ang mahigpit na pagpapatunay na magkaiba ang P at NP ay isa sa mga pinakakilalang bukas na tanong sa lahat ng matematika, kahit na sinasabi ng lahat ng intuisyon na magkaiba sila.

Ngunit ang paraan ng pag-scale ng isang algorithm sa dumaraming laki ng problema — na siyang narerepresenta sa complexity class — ay hindi palaging pinaka-relevant na katangian ng isang algorithm. Ang scaling na ito ay kadalasang worst-case scenario. Posible na sa practice, ang worst-case scenario ay hindi ang pinaka-karaniwan nating narararanasan.

Kahit mahirap ang mga hardness proof, hindi ibig sabihin nito na hindi tayo makakagawa ng progreso. Ipinapakilala natin ang ideya ng heuristic na solusyon. Kung experimentalist ka, malamang ay pamilyar ka at gusto mo ang mga ganitong uri ng solusyon. Ang heuristic ay anumang diskarte sa paglutas ng problema na pragmatiko, ngunit hindi naman kailangang optimal, dahil hindi kailangang maging optimal ang mga solusyon para maging kapaki-pakinabang. Halimbawa, pag-isipan ang mga aplikasyon sa pananalapi. Hindi pa namin nahanap ang exponential speedup para sa karamihan ng mga financial algorithm na maaaring gamitin ng quantum, ngunit hindi namin kailangan ng optimal na solusyon. Sa finance, kahit ang solusyon na 0.1% lamang ang mas mahusay ay maaaring katumbas ng bilyun-bilyong dolyar na kita.

Mga quantum computer ngayon at ang kanilang mga limitasyon

Kaya, paano natin malalaman kung anong mga use case at problema ang maaaring angkop para sa quantum computing ngayon? May magandang dahilan ba para maniwala na maaaring mahanap ang quantum utility, o kahit quantum advantage, ngayon o sa malapit na hinaharap?

Marahil mas madali munang pangalanan ang mga bagay na tiyak na hindi dapat mayroon ang problema. Hindi ito maaaring mangailangan ng napakalaking bilang ng qubit. Wala pa tayong mga processor na may libu-libo hanggang milyun-milyong qubit na available. Iyan ang isa sa mga pangunahing dahilan kung bakit ang Shor's algorithm at katulad nito ay napakalayo pa sa pagiging katotohanan. Hindi rin maaaring masyado kalalim ang mga circuit. Ang limitasyon sa circuit depth ay nakasalalay sa maraming salik, ngunit sa pangkalahatan, kung ang iyong eksperimento ay nangangailangan ng lalim na hindi mo pa nakitang nakamit sa literatura, malamang ay hindi ito gagana. At panghuli, ang anumang uri ng algorithm na alam nating mangangailangan ng error correction ay hindi pa maaaring gawin.

Lahat ng mga limitasyong ito ay tinatalakay sa IBM Quantum® roadmap at inaasahan naming makamit ang error correction sa unang bahagi ng 2030s, ngunit sa ngayon, kailangan nating maghanap ng mga eksperimento na gumagamit ng karamihan ng mga qubit na kasalukuyang available sa isang partikular na QPU. Binibigyang-diin din namin ang kahalagahan ng error mitigation at suppression. At panghuli, dapat may malinaw na extension sa mga hinaharap na aplikasyon na mahalaga para sa lipunan at na maaari naming makita na kalaunan ay hahantong sa quantum advantage.

Mga Application Area at Use Case

Ngayon, pag-usapan natin ang ilang halimbawa ng mga use case, na nasa tatlong pangunahing kategorya na aming natukoy na pinakamalamang na makakita ng magagandang resulta sa malapit hanggang katamtamang termino:

1. Mga simulasyon ng kalikasan. Ang mga kasalukuyang klasikal na pamamaraan ng atomic at molecular na simulasyon ay limitado ng hindi mahusay na mga mathematical na paglalarawan ng atomic na istraktura. Ang pag-iimbak at pagmamanipula ng isang quantum state ay nangangailangan ng eksponensyal na maraming resources sa isang klasikal na computer ngunit maaaring gawin nang mahusay sa isang quantum computer. Maaari itong humantong sa mga pag-unlad sa carbon dioxide sequestration, mga alternatibong baterya, o ang paglikha ng mga bagong gamot. Ilang algorithm na espesyal na may kaugnayan sa larangang ito ay: ang Variational Quantum Eigensolver (VQE), na ginagamit upang tantiyahin ang ilang partikular na katangian ng isang materyal, tulad ng equilibrium o minimum na estado ng enerhiya; ang Time Dynamics Simulation (TDS) algorithm, na ginagamit upang tantiyahin ang mga response function o spectral na katangian ng mga materyal; at ang isang baguhan, ang Sample-based Quantum Diagonalization (SQD), na sa tingin namin ay maririnig natin nang higit pa sa malapit na hinaharap.

2. Optimization. Ang larangang ito ay laganap sa computing, kaya ang mga use case ay marami at iba-iba. Ilang halimbawa na madalas nating marinig ay ang portfolio optimization sa finance, industrial na disenyo, at distribusyon at supply chain. Ang pinaka-karaniwang algorithm na malamang na maririnig mo na may kaugnayan sa finance ay ang isa na aming na-cover nang may lalim: ang quantum approximate optimization algorithm, o QAOA.

3. Quantum machine learning. Ang larangang ito ay nakabuo ng malaking excitement sa nakaraang ilang taon, ngunit malamang na ang QML ay hindi magiging kapaki-pakinabang nang maaga tulad ng simulasyon. Ngunit mayroon pa ring ilang kahanga-hangang algorithm na ginagawa para harapin ang ilang napakahalagang use case. Ilang posibleng use case na ito ay ang natural language processing, network traffic analysis, at kahit fraud detection sa mga financial transaction. Mga kaugnay na algorithm sa larangang ito ay ang quantum support vector machine (QSVM), quantum neural networks (QNN), at quantum generative adversarial networks.

Sa loob ng mga malawak na application area na ito, nakikita ng komunidad ang benepisyo ng mga grupong nagtutulungan na nakatuon sa mas partikular na paksa. Nanguna ang IBM® sa isang inisyatiba na tinatawag na Working Groups upang tulungan ang mga collaborator na makilala ang isa't isa at lumikha ng produktibong synergy sa apat na partikular na larangan: healthcare at life science, materials at high-performance computing (HPC), high energy physics, at optimization. At kamakailan, isang ikalimang working group sa sustainability ay nilikha.

Ngayon, mag-zoom in tayo sa ilang problema na kamakailan ay tinugunan ng ilan sa mga working group na ito. Ang pangunahing layunin dito ay hindi ang maunawaan ang bawat detalye ng isang eksperimento — ito ay maaaring nakakatakot kahit sa mga eksperto kung ang papel ay bahagyang labas sa iyong larangan ng kaalaman. Ang layunin ay simpleng tumulong sa pagbuo ng intuisyon para sa mga uri ng problema na magaling ang mga quantum computer at kung paano ito harapin. At kung interesado ka, hinihikayat ka naming basahin ang mga buong papel.

Use Case 1: Pagsimula ng hadron dynamics

Una, tatalakayin natin ang isang papel ng grupo ni Martin Savage sa Unibersidad ng Washington na tinatawag na Quantum Simulations of Hadron Dynamics in the Schwinger Model Using 112 Qubits.

Kung hindi ka isang high energy physicist, maaari ka pa rin na pamilyar sa terminong "hadron," tulad ng sa Large Hadron Collider (LHC), na siyang malaking particle accelerator, 27-km ang circumference, na naging posible ang pagmamasid sa Higgs boson. Ang hadron ay isang subatomic composite particle na binubuo ng iba pang maliliit na particle na tinatawag na quarks. Ilang halimbawa ng hadron ay ang mga neutron at proton.

Para sa kaunting konteksto, ang LHC ay itinayo upang paganahin ang pag-aaral ng fundamental physics sa pamamagitan ng pagbanggaan ng mga particle sa napakataas na enerhiya. Sa LHC, umaasa ang mga siyentipiko na matuto nang higit pa tungkol sa unang sansinukob at sa mga pangunahing batas ng kalikasan. Sa prinsipyo, ang mga interaksyon ng mga particle na ito ay maaaring masimula mula simula hanggang katapusan gamit ang isang sapat na makapangyarihang quantum computer. Hindi pa tayo nakakarating doon, ngunit gumagawa tayo ng progreso.

Ang Schwinger model ay isang popular, simpleng modelo na ginagamit upang i-simulate ang ilan sa mga dynamics na ito. Ito ay isang modelong naglalarawan ng pag-uugali ng mga electron at positron na nag-iinteract sa pamamagitan ng mga photon sa 1+1D, nangangahulugang oras at isang spatial dimension. Ang modelo ay may maraming pagkakatulad sa quantum chromodynamics (QCD), na naglalarawan kung paano nag-iinteract ang mga quark at hadron, ngunit ang QCD ay napakahirap i-simulate. Kaya, ang Schwinger model ay madalas na ginagamit bilang isang toy model upang imbestigahan ang ilang phenomena na karaniwan sa dalawa.

Para maunawaan kung bakit nila tinugunan ang problemang ito, magtanong tayo ng isang serye ng mga katanungan.

Una, bakit may dahilan silang maniwala na ang pagsimula nito sa isang quantum computer ay gagana talaga? Sa kasong ito, ang mga electron at positron sa Schwinger model ay may screening effect, na nagdudulot ng mga ugnayan sa pagitan ng malalayong fermion na mag-decay nang eksponensyal sa pagitan. Ibig sabihin nito, mas kaunti ang mga kinakailangang long-range na interaksyon mula sa isang qubit sa isang panig ng chip patungo sa isa pa, na alam nating napaka-error-prone. Kaya, ito ay mahusay para sa hardware na available sa atin ngayon.

Susunod, bakit kawili-wili ang paksang ito? Ang high-energy physics sa pangkalahatan ay lubos na kawili-wili. Handang gumastos ang mga tao ng bilyun-bilyong dolyar para itayo ang LHC, at libu-libong mga siyentipiko at technician sa buong mundo ang nagtukoy ng kanilang mga karera sa larangang ito. Kahit ang Schwinger model ay simplistic at hindi dinisenyo para sumasaklaw sa tatlong spatial na dimensyon, ito ay isang kapaki-pakinabang na simplipikasyon ng buong teorya.

Panghuli, paano ginawa ang gawaing ito, o paano natin lalapitin ang problema kung hinahanap nating ipagpatuloy ang gawaing ito? Sa mga simulation-type na eksperimento, ang VQE ay isa sa mga pinaka-karaniwang diskarte, at ang unang hakbang ay halos palaging pareho: ihanda ang ground state. Sa kasong ito, ito ay isang vacuum state. Sa eksperimentong ito, gumamit sila ng bagong bersyon ng VQE na tinatawag na SC-ADAPT-VQE (na nangangahulugang Scalable Circuits - Adaptive Derivative-Assembled Pseudo-Trotter ansatz-VQE) upang ihanda ang parehong ground state at ang hadron wave packet sa vacuum na ito. Ang susunod na hakbang ay hayaan ang mga hadron na mag-evolve sa oras. Panghuli, tukuyin ang mga observable na gusto mong sukatin at sukatin ang mga ito.

Kung ang mga hakbang na iyon ay mukhang pamilyar, maliban sa bahagi ng hadron wave packet, iyon ay dahil ang mga hakbang na ito ay napakalapit sa kung ano ang aming tinalakay sa QAOA na halimbawa sa nakaraang aralin. Nagsisimula tayo sa isang pamilyar na estado (dito ang vacuum state), at pagkatapos ay hayaan nating mag-evolve ito sa oras gamit ang isang serye ng mga exponentiated Hamiltonian. Maraming variational algorithm ang sumusunod sa pangkalahatang diskarteng ito. Ang isang malaking pagkakaiba dito, gayunpaman, ay lumilikha tayo ng wave packet ng mga hadron na nakasentro sa loob ng ating circuit, bago pa natin simulan itong hayaang mag-evolve.

Kaya, paano tayo lumilikha ng wave packet? Sa vacuum, ang isang hadron ay maaaring ma-excite sa pamamagitan ng paglikha ng isang fermion-antifermion na pares sa mga katabing site. Sa pamamagitan ng paghahanda ng isang superposisyon ng mga ganitong hadron sa iba't ibang lokasyon, maaaring ihanda ang isang arbitrary na wave packet. Inukol ng mga may-akda ang kanilang wave packet sa gitna ng circuit upang obserbahan ang evolusyon nang hindi tumatama sa isang hangganan.

Ngunit tandaan: ang pangalan ng laro kapag nagtatrabaho sa mga maingay na QPU ay panatilihing mapamahalaan ang circuit depth. Para magawa ito, ang SC-ADAPT-VQE protocol ay gumagamit ng mga symmetry at hierarchy sa mga haba ng scale upang matukoy ang mga mababang-depth na quantum circuit para sa paghahanda ng estado. Lilikha ito ng isang ansatz na may mas maliit na bilang ng mga parameter, at samakatuwid, mas mababaw na lalim.

Ang eksperimento ay pinatupad sa isang IBM Quantum Heron device at kasama ang ilang iba't ibang uri ng error mitigation at suppression: dynamical decoupling, zero noise extrapolation, Pauli twirling, at isang kamakailan lang na nalikhang pamamaraan na tinatawag na operator decoherence renormalization.

Sa itaas ay isang figure mula sa papel na nagpapakita ng observable ng interes, ang chiral condensate, na basically ay isang superfluid phase ng mga hadron. Ngayon, makikita natin ang wave packet sa gitna ng mga site na itinalaga para patakbuhin ang eksperimentong ito. Ang mga itim na linya ay ang mga error-free na resulta mula sa (computationally mahal na) klasikal na simulasyon, habang ang mga puntos na may error bar ay ang mga resulta mula sa 133-qubit IBM quantum computer, Torino.

Nakikita natin ang dalawang iba't ibang time step sa evolusyon ng wave packet. Sa oras na $t=1$, makikita mo na ang chiral condensate ay makitid at nakakonsentrate, at tumutugma rin ito nang mabuti sa klasikal na simulasyon. Sa $t=14$, ito ay mas kumalat na. Ang paghahambing sa simulator ay hindi na perpekto ngayon, ngunit makikita mo pa ring halata ang napakahusay na kasunduan sa pagitan ng teorya at data, na nakakapagpasiglang makita.

Sa konklusyon, ito ay isang napaka-cool na halimbawa ng uri ng simulasyon na maaaring hindi mo unang iniisip na ilapat ang quantum computing, ngunit nagpapakita ng tunay na pag-asa. Hindi ito perpekto ngunit hindi mo kailangang maging eksperto sa particle physics para makita na tumpak na hinuhulaan ng quantum computer ang panlabas na paglaganap ng wave packet, na eksaktong kung ano ang inaasahan nating mahanap. Sana ang mga hinaharap na gawa sa larangang ito ay magpapatuloy at ang mga high energy physicist ay patuloy na makakahanap ng mga paraan upang isama ang quantum computing sa kanilang mga workstream. Ang layunin ay malutas ang mga mahirap na theoretical na problema nang mas tumpak at gumamit ng mga eksperimento upang tanggapin o tanggihan ang mga teorya sa pag-asang matuklasan ang bagong pisika, bumuo ng mga pinahusay na detector, at humantong sa mas malalim na pag-unawa ng kalikasan sa pinaka-fundamental na antas nito.

Use Case 2: Optimization ng Ising spin-glass

Ang aming susunod na halimbawa ay nakatuon sa optimization at magiging malalim na pagtingin sa isang papel na tinatawag na Bias-Field Digitized Counterdiabatic Quantum Optimization, na ginawa ng mga miyembro ng Kipu Quantum team at ng Unibersidad ng Basque Country sa Espanya.

Sa papel, ang mga may-akda ay nagtayo ng bagong paraan ng optimization at inilapat ito upang mahanap ang ground-state ng isang Ising spin-glass. Tulad ng aming tinalakay dati, maraming combinatorial optimization problem ang maaaring i-reformulate bilang paglutas para sa mga mababang-energiya na estado ng Ising Hamiltonian. Ang Ising model ay naglalarawan ng interaksyon ng isang hanay ng mga microscopic na spin. Sa ilang rehiyon, hinuhulaan ng modelo na ang mga spin ay kumilos bilang isang salamin, kung saan ang mga magnetic na sandali ay magulo sa itaas ng tinatawag na "freezing temperature."

Magsisimula tayo tulad ng ginawa natin dati sa isang serye ng mga kahulugan. Ang una ay counterdiabatic, na isang uri ng evolusyon na nagpipigil ng mga non-adiabatic na epekto na nararanasan ng isang sistema, anuman ang bilis ng mga prosesong iyon. Alalahanin ang adiabatic theorem mula sa nakaraang episode — kadalasan ay kailangan mong i-evolve ang isang sistema nang napakabagal kung nais mong manatili ito sa ground state. Ito ay isang malaking problema dahil mas mabagal na kailangan nating mag-evolve ng mga bagay, mas maraming oras ang mayroon tayo para sa mga error na mangyari. Ang counterdiabatic driving (CD) ay naglalayong labanan ito sa pamamagitan ng pagdaragdag ng mga term na nagtatapat sa mga hindi gustong excitation na ito. Ang pangunahing ideya dito ay pabilisin ang buong eksperimento at bawasan ang quantum circuit depth sa pamamagitan ng pagpigil ng mga excitation na maaaring magdulot ng mga spurious na transition.

Ngayon para sa isa pang piraso ng jargon sa pamagat: ang bias field. Ang iba pang iterative na algorithm, tulad ng VQE, ay kumukuha ng mga klasikal na parameter sa mga estado at gumagamit ng mga klasikal na optimizer upang hanapin ang maraming-dimensional na parameter space para sa hanay ng mga parameter na nagbubunga ng pinakamaliit na expectation value para sa isang nakatakdang Hamiltonian. Sa kasong ito, sa halip ay binabago nila ang Hamiltonian bawat oras, gumagalaw nang adiabatically mula sa isang kilalang kaso patungo sa kaso ng interes. Para baguhin ang Hamiltonian, direkta nilang inilalapat ang Pauli-Z expectation value mula sa isang iteration bilang isang bias field sa Hamiltonian para sa susunod na iteration. Sa ganitong paraan, pinapatungo nila ang dynamics patungo sa aktwal na solusyon nang hindi nangangailangan ng mga klasikal na optimizer.

Kaya, bakit kawili-wili ang eksperimentong ito? Ang Ising spin-glass ay may pangunahing interes sa pisika, ngunit ang bagong diskarteng ito ay mas pangkalahatan pa kaysa doon. Maaari itong ilapat sa maraming optimization na problema, kaya ang papel ay malawak na kawili-wili.

At bakit natin inakala na gagana ito? Ang algorithm na kanilang iminumungkahi ay nagpapabilis ng evolusyon upang mabawasan ang circuit depth, habang pinipigilan din ang mga non-adiabatic na transition. Bukod dito, hindi ito umaasa sa anumang klasikal na optimization subroutine, na maaaring maging isyu na humahantong sa mga barren plateau at pagkakaultrap sa mga lokal na minima. Panghuli, tinitiyak din ng mga may-akda na inaangkop ang mga interaksyon sa problem Hamiltonian sa hardware connectivity sa mga tunay na QPU, na palaging napakahalagang gawin.

Kaya, paano gumagana ang pamamaraang ito? Muli, hindi ito gumagamit ng anumang klasikal na optimizer, hindi tulad ng karamihan ng iba pang iterative quantum algorithm. Sa halip, sa pamamagitan ng pagpapakain ng solusyon mula sa bawat iteration sa input para sa susunod, ang bias-field digitized quantum optimization algorithm ay unti-unting pinipino ang ground state, na inililipat ito nang mas malapit at mas malapit sa panghuling evolved na estado. At kasama ang mga counterdiabatic protocol, magagawa natin ito kahit sa mga maikli-depth na quantum circuit na dapat mapatakbo nang maayos sa maingay na hardware.

Kaya, nang isagawa ang eksperimento, pinili ng mga may-akda na patakbuhin ang algorithm sa 127-qubit IBM Quantum computer Brisbane. Sa ibaba ay isang figure na nagpapakita ng ika-8 iteration ng optimization algorithm para sa isang nearest-neighbor, randomly generated na spin-glass instance sa 100 qubit. Inihambing nila ang mga idealized na resulta ng klasikal na simulasyon mula sa DCQO at BF-DCQO, pati na rin ang eksperimental na resulta na pinatakbo sa quantum computer. Ipinapakita rin nila ang resulta mula sa isang klasikal na solver na tinatawag na Gurobi bilang sanggunian. Sa 10 lamang na iteration, ang BF-DCQO ay nagbibigay ng malaking pagpapabuti kumpara sa DCQO. Kahit ang eksperimental na resulta ay bahagyang iba sa ideal na resulta dahil sa ingay, ang pagganap ay mas magaling pa rin kaysa sa ideal na DCQO. Nagpapakita ito na marami pa ring napakahusay na progreso na ginagawa tungkol sa quantum optimization at magagandang resulta ay iniuulat sa mahigit 100 qubit para sa isa sa mga unang pagkakataon.

Use Case 3: Hula ng mRNA secondary structure

Panghuli, tatalakayin natin ang isang papel mula sa Moderna Pharmaceuticals na tinatawag na mRNA Secondary Structure Prediction Using Utility-Scale Quantum Computers.

Una, isang maikling pagbabalik-tanaw sa mRNA. Ang Messenger RNA ay isang uri ng RNA na kasangkot sa protein synthesis. Basically, binabasa nito ang mga instruksyon na ibinibigay ng DNA. Ang secondary structure ng mRNA ay kung paano nakatiklop ang chain, tulad ng makikita sa diagram sa ibaba. At ang RNA secondary structure prediction problem ay ang problema ng paghanap ng pinaka-matatag na pagtitiklop ng pagkakasunud-sunod ng mga base o nucleotide na bumubuo sa RNA: adenine (A), cytosine (C), uracil (U), at guanine (G). Ang imahe sa ibaba ay nagpapakita ng ilang karaniwang istruktura ng pagtitiklop na matatagpuan sa mRNA, ang bawat kulay ay kumakatawan sa ibang uri ng secondary structure. Ang nagpapaging paborito ng isang istruktura kaysa sa iba ay hindi gaanong naiintindihan; lahat ng magagawa natin ay kalkulahin kung aling istruktura ang nagbubunga ng pinakamababang free energy kumpara sa hindi nakatiklop na estado. At doon pumapasok ang mga quantum computer.

Kaya, bakit mahalaga ang mga mRNA secondary structure? Ang tumpak na paghula sa mga ito ay mahalaga hindi lamang sa pag-unawa ng DNA at ng ating mga gene, kundi pati na rin para sa pagdidisenyo ng mga RNA-based na therapeutic, tulad ng bakuna para sa COVID-19.

Matagal na itong kilala bilang isang matinding optimization na problema para sa mga klasikal na computer dahil sa napakaraming posibleng configuration. Para sa ilang configuration, ito ay kilalang NP-complete na problema. Gayunpaman, sa isang quantum computer, maaari nating buuhin ang secondary structure prediction bilang isang binary optimization na problema — isang bagay na alam nating harapin. Bukod dito, mayroon nang katibayan sa literatura ng tumpak na mga RNA prediction sa maliliit na sukat na quantum device at quantum simulator. Ngunit gagana ba ito sa mas malaking hardware?

Ang eksperimentong ito ay isinagawa gamit ang tinatawag na conditional value at risk variational quantum eigensolver, na isang modipikasyon ng isang tradisyonal na VQE algorithm at inaasahang makamit ang mas mahusay na convergence.

Ang plot sa itaas ay nagpapakita ng distribusyon ng mga measurement probability ng mga na-sample na bitstring, na may kaukulang mga enerhiya para sa isang 42-nucleotide, 80-qubit na instance. Dito, ang mga bitstring ay sumasalamin sa mga pag-uugnayan ng mga nucleotide. Inilalarawan nito na ang pinakamababang energiya na bitstring na nahanap ng quantum computer ay tumutugma sa klasikal na solver para sa paghahambing, kaya maganda iyon. Ipinapakita rin ang optimal na nakatiklop na istruktura ng nucleotide chain na iyon batay sa pinakamababang energiya na bitstring na nahanap ng quantum computer.

Konklusyon

Sana, ang tatlong use case na ito ay nagbigay sa iyo ng sapat na konteksto upang maunawaan kung ano ang hitsura ng pinakabagong gawa sa larangang ito ngayon, at ng kumpiyansa na subukan ang mga bagong quantum na eksperimento na maaaring hindi mo pa nasubukan dati.

Tandaan: ang quantum computing ay hindi magaling para sa bawat problema. At talaga, ito ay patotoo lamang sa kung gaano kagaling tayo na naging sa klasikal na computing. Ang katotohanang maaari kang mag-apply ng quantum computing sa isang problema ay hindi nangangahulugang ito ay magbubunga ng kawili-wiling mga resulta; kailangan mong isaalang-alang ang scaling.

Ang circuit depth ay isang dalawang-talim na espada. Kailangan natin itong maging malaki nang husto upang makagawa ng kawili-wiling gawa na hindi kaya ng mga klasikal na computer, ngunit ngayon, hindi natin maaaring palakihin ang lalim nang labis dahil ang hardware noise ay magpapababa ng fidelity. Lahat ay tungkol sa paghanap ng sweet spot na iyon at pag-alam na ito ay isang gumagalaw na target. Kaya, maglaan ng oras sa pagitan ngayon at ng susunod na aralin upang mag-isip tungkol sa isang problema na naranasan mo sa iyong pananaliksik, at kung paano mo ito lalapitin gamit ang kung ano ang aming natutunan hanggang ngayon. At hoy, maaaring hindi magtuloy ang iyong solusyon, at okay lang iyon. Kaya nga ito ay pananaliksik.