לאילו בעיות מחשבים קוונטיים מתאימים?

צפה בסרטון על יישומי מחשוב קוונטי מאת אוליביה ליינס, או פתח את הסרטון בחלון נפרד ב-YouTube.

מבוא

בשיעור הקודם, עסקנו לעומק בבעיה אחת – פתרון בעיית ה-Max-Cut באמצעות ניסוח QUBO. היום נבחן גישה שונה ונדון ביישומים לטווח קצר באופן רחב יותר. נתחיל בכך שנבנה לך תחושה לגבי האופן שבו אנחנו מחליטים אילו סוגי בעיות עשויות להפיק תועלת מפתרון קוונטי. לאחר מכן, נסתכל על מספר דוגמאות עדכניות מהעבודות שנעשו בקהילה שלנו. זה יעזור לך להתחיל לפתח אינטואיציה לגבי סוגים שונים של בעיות מחשוב קוונטי ואיך אנחנו ניגשים לפתור אותן.

קושי קלאסי לעומת קוונטי

לפני שנצלול לדוגמאות, בואו נדון תחילה באופן שבו אנחנו חוקרים ומסווגים את הקושי של בעיות שונות. חלק מהבעיות ניתנות לפתרון קל במחשב קלאסי, ואין לנו צורך במחשב קוונטי לפתרון שלהן. מצד שני, ישנן בעיות קשות מאוד שמחשבים קוונטיים נחוצים לפתרון שלהן. דוגמה מפורסמת אחת היא מציאת גורמים ראשוניים של מספרים שלמים עצומים. הצפנת RSA מסתמכת על הקושי של בעיה זו, ואלגוריתם שור תוכנן לפתור אותה על מחשב קוונטי. דוגמה נוספת היא מציאת פתרון בערכת נתונים לא ממוינת – זו יכולה תיאורטית להיפתר על ידי האלגוריתם הקוונטי הידוע כאלגוריתם גרובר. עם זאת, רוב המומחים מסכימים שאלגוריתמים מסוג זה ידרשו יישום של תיקון שגיאות, והטכנולוגיה עדיין לא שם.

אז, אנחנו מחפשים בעיות שנוכל להתמודד איתן בנקודת מתיקות בין הקל מאוד לקשה מאוד – בעיות שמחשבים קוונטיים של ימינו יכולים להתמודד איתן, אך מחשבים קלאסיים מתקשים בהן.

מחלקות סיבוכיות

הקושי של בעיות אלו מסווג ומנותח בתחום של מדעי המחשב הנקרא תורת הסיבוכיות החישובית. ישנן המון מחלקות סיבוכיות שונות במחשוב קלאסי, אבל חלק מהבסיסיות ביותר הן:

• P: בעיות שניתן לפתור בזמן פולינומי ככל שגודל הבעיה גדל. הן קלות לפתרון.
• NP: זה מייצג פולינומי לא-דטרמיניסטי. לבעיות אלו לא בהכרח ניתן למצוא פתרון בזמן פולינומי, אך ניתן לאמת את תשובותיהן בזמן פולינומי.
• NP-שלמות הן הבעיות הקשות ביותר ב-NP ואין להן פתרון פולינומי ידוע. כאן גרות בעיות מפורסמות כמו בעיית הסוכן הנוסע ומשחק סודוקו.
• BPP, או בעיות פולינומיות עם שגיאה חסומה, שניתן לפתור בסף שגיאה מסוים על ידי מחשב קלאסי הסתברותי בזמן פולינומי.

כשמושג המחשוב הקוונטי הומצא, אנשים השקיעו מאמצים ניכרים כדי להבין אילו סוגי בעיות סוגי מחשבים חדשים אלו יוכלו לפתור ביעילות. מחלקת בעיות חדשה הומצאה:

• BQP, או בעיות פולינומיות קוונטיות עם שגיאה חסומה. זו המקבילה הקוונטית ל-BPP: זו מחלקת בעיות ההחלטה שניתן לפתור על ידי מחשב קוונטי בזמן פולינומי עם סיכוי קטן לשגיאה.

כל המחלקות הללו חיות במחלקה גדולה יותר שאנחנו קוראים לה PSPACE. למעלה יש תרשים של היחסים החשודים בין חלק ממחלקות הסיבוכיות, אך קשה מאוד להוכיח זאת מתמטית באופן חד-משמעי. תשים לב שה-BQP לא חופף בהכרח ל-NP-שלמות. אבל אולי ראית בכל זאת גישות מחשוב קוונטי שמנסות לפתור בעיות ב-NP-שלמות.

אי-הבנה נפוצה אחת היא שאין טעם לחקור פתרונות קוונטיים לבעיות שבהן לא נמצאה הוכחה מתמטית להאצה קוונטית. אבל הוכחה מתמטית שאלגוריתם קוונטי מהיר יותר מהמקבילה הקלאסית שלו קשה למצוא. שור וגרובר הם שניים מתוך קומץ דוגמאות בלבד שבהן זה בוצע עד כה. למעשה, הוכחה קפדנית שה-P וה-NP שונים היא אחת השאלות הפתוחות הידועות לשמצה בכל המתמטיקה, למרות שכל האינטואיציה מספרת לנו שהם חייבים להיות.

אבל האופן שבו אלגוריתם מתרחב עם גדל גודל הבעיה – שזה מה שמשתקף במחלקת הסיבוכיות – הוא לא תמיד המאפיין הרלוונטי ביותר של אלגוריתם. סקיילינג זה הוא לרוב התרחיש הגרוע ביותר. לגמרי אפשרי שבפועל, התרחיש הגרוע ביותר הוא לא מה שאנחנו נתקלים בו בתדירות הגבוהה ביותר.

רק בגלל שהוכחות קשיות הן מסובכות לא אומר שאנחנו לא יכולים להתקדם. אנחנו מציגים את הרעיון של פתרונות היוריסטיים. אם אתה ניסיוני, כנראה שאתה מכיר ואוהב סוגי פתרונות אלו. היוריסטיקה היא כל גישה לפתרון בעיה שהיא פרגמטית, אך לא בהכרח אופטימלית, מכיוון שפתרונות לא צריכים להיות אופטימליים כדי להיות שימושיים. לדוגמה, חשוב על יישומים פיננסיים. עדיין לא מצאנו האצה אקספוננציאלית לרוב האלגוריתמים הפיננסיים שניתן להשתמש בהם בקוונטי, אבל אנחנו לא צריכים פתרון אופטימלי. בפיננסים, אפילו פתרון שיעיל רק ב-0.1% יותר יכול לשוות מיליארדי דולרים של רווח.

מחשבים קוונטיים של ימינו ומגבלותיהם

אז, איך אנחנו יודעים אילו מקרי שימוש ובעיות עשויים להיות מתאימים למחשוב קוונטי כרגע? האם יש סיבה טובה להאמין שניתן למצוא שירות קוונטי, או אפילו יתרון, עכשיו או בעתיד הקרוב?

אולי קל יותר לתת שם תחילה לדברים שהבעיה בהחלט לא אמורה להכיל. היא לא יכולה לדרוש מספר עצום של Qubits. עדיין אין לנו מעבדים עם אלפים עד מיליוני Qubits זמינים. זו אחת הסיבות העיקריות שאלגוריתם שור ודומיו רחוקים כל כך מהגשמה. ה-Circuits גם לא יכולים להיות עמוקים מדי. המגבלה לעומק Circuit תלויה בגורמים רבים, אבל בדרך כלל, אם הניסוי שלך דורש עומק שלא ראית מושג בספרות, כנראה שזה לא יעבוד. ולבסוף, כל סוג של אלגוריתם שאנחנו יודעים שידרוש תיקון שגיאות עדיין לא ניתן לביצוע.

כל המגבלות הללו מטופלות במפת הדרכים של IBM Quantum® ואנחנו מצפים להשיג תיקון שגיאות בתחילת שנות ה-2030, אבל לעת עתה, אנחנו צריכים לחפש ניסויים שמנצלים את רוב ה-Qubits הזמינים כרגע ב-QPU נתון. אנחנו גם מדגישים את החשיבות של הפחתת שגיאות ודיכויין. ולבסוף, צריכה להיות הרחבה ברורה ליישומים עתידיים שיהיו חשובים לחברה ושנוכל לראות שיובילו בסופו של דבר ליתרון קוונטי.

תחומי יישום ומקרי שימוש

עכשיו בואו נדבר על מספר דוגמאות של מקרי שימוש, שנכנסים לשלוש קטגוריות עיקריות שזיהינו כסבירות ביותר לראות תוצאות חיוביות בטווח הקצר עד הבינוני:

1. סימולציות טבע. שיטות קלאסיות נוכחיות לסימולציות אטומיות ומולקולריות מוגבלות בגלל תיאורים מתמטיים לא יעילים של המבנה האטומי. אחסון ומניפולציה של מצב קוונטי דורשים משאבים אקספוננציאלים רבים על מחשב קלאסי אך ניתן לבצע זאת ביעילות על מחשב קוונטי. זה עשוי להוביל להתפתחויות בסילוק פחמן דו-חמצני, סוללות חלופיות, או המצאת תרופות חדשות. כמה אלגוריתמים שרלוונטיים במיוחד בתחום זה הם: Variational Quantum Eigensolver‏ (VQE), שמשמש להערכת תכונות מסוימות של חומר, כגון מצבי שיווי משקל או אנרגיה מינימלית; אלגוריתם Time Dynamics Simulation‏ (TDS), שמשמש להערכת פונקציות תגובה או תכונות ספקטרליות של חומרים; וחדש יחסית, Sample-based Quantum Diagonalization (SQD), שאנחנו חושבים שנשמע עליו הרבה יותר בעתיד הקרוב.

2. אופטימיזציה. תחום זה נמצא בכל מקום במחשוב, כך שמקרי השימוש רבים ומגוונים. כמה דוגמאות שאנחנו שומעים עליהן הרבה הן אופטימיזציית תיקי השקעות בפיננסים, תכנון תעשייתי, ושרשרת הפצה ואספקה. האלגוריתם הנפוץ ביותר שכנראה תשמע עליו בהקשר לפיננסים הוא זה שכבר כיסינו לעומק: אלגוריתם האופטימיזציה הקוונטית המשוערת, או QAOA.

3. למידת מכונה קוונטית. תחום זה עורר הרבה התלהבות בשנים האחרונות, אבל סביר שלמידת מכונה קוונטית לא תהיה שימושית מוקדם כמו הסימולציה. אבל בכל זאת ישנם כמה אלגוריתמים מרשימים שעובדים עליהם כדי לטפל בחלק ממקרי השימוש החשובים מאוד. חלק ממקרי השימוש האפשריים הללו הם עיבוד שפה טבעית, ניתוח תעבורת רשת, ואפילו זיהוי הונאות בעסקאות פיננסיות. אלגוריתמים רלוונטיים בתחום זה הם מכונת וקטורי התמיכה הקוונטית (QSVM), רשתות עצביות קוונטיות (QNN), ורשתות יריבות גנרטיביות קוונטיות.

בתוך תחומי היישום הרחבים הללו, הקהילה רואה את התועלת בקבוצות שעובדות יחד ומתמקדות בנושא ספציפי יותר. IBM® יזמה יוזמה בשם קבוצות עבודה כדי לעזור לשותפים להכיר זה את זה וליצור סינרגיה פרודוקטיבית בארבעה תחומים ספציפיים: בריאות ומדעי החיים, חומרים ומחשוב ביצועים גבוה (HPC), פיזיקת אנרגיה גבוהה, ואופטימיזציה. לאחרונה נוצרה גם קבוצת עבודה חמישית בנושא קיימות.

עכשיו אנחנו הולכים להתקרב לכמה בעיות שטופלו לאחרונה על ידי חלק מקבוצות העבודה הללו. המטרה העיקרית כאן היא לא להבין כל פרט בניסוי – זה יכול להיות מאיים אפילו עבור מומחים אם המאמר קצת מחוץ לתחום המומחיות שלך. המטרה היא פשוט לעזור לפתח אינטואיציה לסוגי הבעיות שמחשבים קוונטיים טובים בהן ואיך להתמודד איתן. ואם אתה מתעניין, אנחנו מעודדים אותך לקרוא את המאמרים המלאים.

מקרה שימוש 1: סימולציה של דינמיקת הדרונים

ראשית, אנחנו הולכים להעמיק במאמר של קבוצת מרטין סאבאג' באוניברסיטת וושינגטון בשם Quantum Simulations of Hadron Dynamics in the Schwinger Model Using 112 Qubits.

אם אינך פיזיקאי של אנרגיה גבוהה, אולי עדיין מוכר לך המונח "הדרון", כמו ב-Large Hadron Collider‏ (LHC), שהוא מאיץ החלקיקים הענק בהיקף של 27 ק"מ, שאפשר לבסוף לצפות בבוזון היגס. הדרון הוא חלקיק מרוכב תת-אטומי המורכב מחלקיקים קטנים אחרים הנקראים קווארקים. דוגמאות להדרונים הם נויטרונים ופרוטונים.

להקשר קטן, ה-LHC נבנה כדי לאפשר חקר פיזיקה בסיסית על ידי התנגשות חלקיקים באנרגיות גבוהות במיוחד. עם ה-LHC, מדענים מקווים ללמוד עוד על היקום הקדום ועל חוקי הטבע הבסיסיים. באופן עקרוני, אינטראקציות החלקיקים הללו מתחילה ועד סוף ניתן לסמלץ עם מחשב קוונטי חזק מספיק. אנחנו עדיין לא שם, אבל מתקדמים.

מודל שווינגר הוא מודל פשוט ופופולרי המשמש לסימולציה של חלק מהדינמיקות הללו. זהו מודל שמתאר את ההתנהגות של אלקטרונים ופוזיטרונים המקיימים אינטראקציה דרך פוטונים ב-1+1D, כלומר זמן וממד מרחבי אחד. למודל יש הרבה קווי דמיון לכרומודינמיקה קוונטית (QCD), המתארת כיצד קווארקים והדרונים מקיימים אינטראקציה, אבל QCD קשה מאוד לסימולציה. לכן, מודל שווינגר משמש לעיתים קרובות כמודל צעצוע לחקירת חלק מהתופעות המשותפות לשניהם.

כדי להבין מדוע הם התמודדו עם בעיה זו, בואו נשאל לעצמנו סדרת שאלות.

ראשית, מדוע היה להם יסוד להאמין שסימולציה זו על מחשב קוונטי תעבוד בכלל? במקרה זה, לאלקטרונים ולפוזיטרונים במודל שווינגר יש אפקט סינון, הגורם לקורלציות בין פרמיונים מרוחקים לדעוך אקספוננציאלית עם ההפרדה. משמעות הדבר היא שאין כל כך הרבה אינטראקציות לטווח ארוך הכרחיות מ-Qubit בצד אחד של הצ'יפ לאחר, מה שאנחנו יודעים שמועד מאוד לשגיאות. אז, זה מצוין עבור החומרה שיש לנו כיום.

לאחר מכן, מדוע נושא זה מעניין? פיזיקת אנרגיה גבוהה בכלל היא בעלת עניין רב. אנשים היו מוכנים להוציא מיליארדי דולרים לבנות את ה-LHC, ואלפי מדענים וטכנאים ברחבי העולם הקדישו את הקריירות שלהם לתחום זה. למרות שמודל שווינגר פשטני ואינו מיועד לכסות שלושה ממדים מרחביים, הוא עדיין פישוט שימושי של התיאוריה המלאה.

לבסוף, כיצד בוצעה עבודה זו, או כיצד נתקרב לבעיה אם נחפש להמשיך עבודה זו? בניסויי סימולציה, VQE הוא אחת הגישות הנפוצות ביותר, והצעד הראשון כמעט תמיד זהה: הכנת מצב הבסיס. במקרה זה, זהו מצב ריק. בניסוי זה, הם משתמשים בגרסה חדשה של VQE הנקראת SC-ADAPT-VQE‏ (שמייצג Scalable Circuits - Adaptive Derivative-Assembled Pseudo-Trotter ansatz-VQE) להכנת גם מצב הבסיס וגם חבילת הגל של ההדרון על ריק זה. הצעד הבא הוא לאפשר להדרונים להתפתח בזמן. לבסוף, זיהוי האובזרבבלות שאתה רוצה למדוד ומדידתן.

אם הצעדים הללו נשמעים קצת מוכרים, בלי החלק של חבילת הגל של ההדרון, זה בגלל שהצעדים הללו דומים מאוד למה שכיסינו בדוגמת ה-QAOA בשיעור הקודם. אנחנו מתחילים במצב מוכר (כאן מצב הריק), ואז אנחנו מאפשרים לו להתפתח בזמן עם סדרה של המילטוניאנים מעוצרים. אלגוריתמים ווריאציוניים רבים עוקבים אחר גישה כללית זו. הבדל גדול כאן, לעומת זאת, הוא שאנחנו יוצרים את חבילת הגל של ההדרונים במרכז ה-Circuit שלנו, לפני שאנחנו מתחילים לאפשר לה להתפתח.

אז, איך אנחנו יוצרים את חבילת הגל? על הריק, ניתן לעורר הדרון על ידי יצירת זוג פרמיון-אנטי-פרמיון על אתרים סמוכים. על ידי הכנת סופרפוזיציה של הדרונים כאלה במיקומים שונים, ניתן להכין חבילת גל שרירותית. המחברים מרכזים את חבילת הגל שלהם באמצע ה-Circuit כדי לצפות בהתפתחות מבלי לפגוע בגבול.

אבל זכור: שם המשחק בעבודה עם QPUs רועשים הוא לשמור על עומק ה-Circuit ניתן לניהול. לשם כך, פרוטוקול SC-ADAPT-VQE משתמש בסימטריות ובהיררכיות בסקאלות אורך כדי לקבוע מעגלים קוונטיים בעומק נמוך להכנת מצב. זה ייצור אנסץ עם מספר קטן יותר של פרמטרים, ולכן, עומק רדוד יותר.

הניסוי הורץ על מכשיר IBM Quantum Heron וכלל כמה סוגים שונים של הפחתת שגיאות ודיכויין: פירוק דינמי, אקסטרפולציית אפס-רעש, סיבוב פאולי, וטכניקה שפותחה לאחרונה הנקראת renormalization של דה-קוהרנטיות של אופרטורים.

למעלה מוצג איור מהמאמר המציג את האובזרבבל של עניין, ה-chiral condensate, שהוא בעיקרו שלב על-נוזלי של ההדרונים. עכשיו, אנחנו יכולים לראות את חבילת הגל במרכז האתרים שהוקצו להרצת ניסוי זה. הקווים השחורים הם התוצאות חסרות השגיאות מהסימולציה הקלאסית (היקרה מבחינה חישובית), בעוד שהנקודות עם מוטות שגיאה הן התוצאות מהמחשב הקוונטי של IBM עם 133 קיוביטים, טורינו.

אנחנו רואים שני צעדי זמן שונים בהתפתחות חבילת הגל. בזמן $t=1$, ניתן לראות שה-chiral condensate צר ומרוכז, והוא גם מתאים היטב לסימולציה הקלאסית. ב-$t=14$, הוא מפוזר הרבה יותר. ההשוואה לסימולטור אינה מושלמת כעת, אבל ניתן עדיין לראות בבירור הסכמה טובה מאוד בין תיאוריה לנתונים, מה שמעודד.

לסיכום, זוהי דוגמה מגניבה מאוד לסוג עבודת הסימולציה שלא תחשוב בהתחלה ליישם עליה מחשוב קוונטי, אבל שמראה הבטחה אמיתית. זה לא מושלם אבל אתה לא צריך להיות מומחה לפיזיקת חלקיקים כדי לראות שהמחשב הקוונטי מנבא במדויק את ההתפשטות כלפי חוץ של חבילת הגל, שזה בדיוק מה שציפינו למצוא. נקווה שעבודות עתידיות בתחום זה תמשכנה ופיזיקאי האנרגיה הגבוהה ימשיכו למצוא דרכים לשלב מחשוב קוונטי בתהליכי העבודה שלהם. המטרה היא לפתור בעיות תיאורטיות קשות בצורה מדויקת יותר ולהשתמש בניסויים כדי לקבל או לדחות תיאוריות בתקווה לגלות פיזיקה חדשה, לבנות גלאים משופרים, ולהגיע להבנה טובה יותר של הטבע ברמה הבסיסית ביותר שלו.

מקרה שימוש 2: אופטימיזציה של זכוכית ספין איזינג

הדוגמה הבאה שלנו מתמקדת באופטימיזציה ותהיה עיון מעמיק במאמר הנקרא Bias-Field Digitized Counterdiabatic Quantum Optimization, שנעשה על ידי חברי צוות Kipu Quantum ואוניברסיטת המדינה הבסקית בספרד.

במאמר, המחברים פיתחו שיטת אופטימיזציה חדשה ויישמו אותה כדי למצוא את מצב הבסיס של זכוכית ספין איזינג. כפי שדיברנו קודם, בעיות אופטימיזציה קומבינטוריות רבות ניתנות לניסוח מחדש כפתרון עבור מצבי אנרגיה נמוכים של המילטוניאנים של איזינג. מודל איזינג מתאר את האינטראקציה של מערך של ספינים מיקרוסקופיים. בכמה משטרים, המודל מנבא שהספינים מתנהגים כזכוכית, שבה המומנטים המגנטיים מסודרים בצורה לא-מסודרת מעל "טמפרטורת הקפאה" הנקראת כך.

נתחיל כמו שעשינו קודם עם סדרת הגדרות. הראשונה היא counterdiabatic, שהוא סוג של אבולוציה שמדכאת אפקטים לא-אדיאבטיים שמערכת חווה, ללא קשר לכמה מהירים תהליכים אלו. זכור את המשפט האדיאבטי מהפרק הקודם – בדרך כלל צריך לאפשר למערכת להתפתח לאט מאוד אם ברצונך שהיא תישאר במצב הבסיס. זהו בעיה גדולה בגלל שככל שאנחנו צריכים לאפשר לדברים להתפתח לאט יותר, יש לנו יותר זמן לשגיאות להתרחש. נהיגה counterdiabatic‏ (CD) שואפת להילחם בזה על ידי הוספת איברים שמנטרלים עירורים לא-רצויים אלו. הרעיון המרכזי כאן הוא להאיץ את כל הניסוי ולהפחית את עומק ה-Circuit הקוונטי על ידי דיכוי עירורים שעלולים לגרום למעברים בלתי רצויים.

עכשיו לחלק הנוסף מהז'רגון בכותרת: שדה ההטיה. אלגוריתמים איטרטיביים אחרים, כמו VQE, לוקחים פרמטרים קלאסיים למצבים ומשתמשים באופטימייזרים קלאסיים כדי לחפש במרחב הפרמטרים הרב-ממדי את סט הפרמטרים שמניב ערך ציפייה מינימלי עבור המילטוניאן קבוע. במקרה זה, הם במקום זאת משנים את ההמילטוניאן בכל פעם, מתקדמים אדיאבטית ממקרה ידוע למקרה הנחקר. כדי לשנות את ההמילטוניאן, הם פשוט מיישמים ישירות את ערך הציפייה Pauli-Z מאיטרציה אחת כשדה הטיה בהמילטוניאן לאיטרציה הבאה. בדרך זו, הם מכוונים את הדינמיקה לעבר הפתרון האמיתי ללא צורך באופטימייזרים קלאסיים.

אז, מדוע ניסוי זה מעניין? זכוכיות ספין איזינג הן בעלות עניין בסיסי בפיזיקה, אבל גישה חדשה זו אפילו כוללנית יותר מכך. ניתן ליישמה על בעיות אופטימיזציה רבות, כך שהמאמר הוא בעל עניין רחב.

ומדוע חשבנו שזה יעבוד? האלגוריתם שהם מציעים מאיץ את האבולוציה כדי להפחית את עומק ה-Circuit, תוך דיכוי מעברים לא-אדיאבטיים. יתרה מזאת, הוא לא מסתמך על אף שגרת אופטימיזציה קלאסית, שיכולה להיות בעיה המובילה ל-barren plateaus ולתקיעה במינימות מקומיות. לבסוף, המחברים גם דואגים להיישר את האינטראקציות בהמילטוניאן הבעיה עם קישוריות החומרה ב-QPUs האמיתיות, שזה תמיד חשוב מאוד.

אז, כיצד שיטה זו עובדת? שוב, היא לא משתמשת באף אופטימייזרים קלאסיים, בניגוד לרוב אלגוריתמים קוונטיים איטרטיביים אחרים. במקום זאת, על ידי הזנת הפתרון מכל איטרציה לקלט של האיטרציה הבאה, אלגוריתם האופטימיזציה הקוונטית הדיגיטלי עם שדה הטיה מחדד בהדרגה את מצב הבסיס, מקרב אותו יותר ויותר למצב המפותח הסופי. ובשילוב עם פרוטוקולים counterdiabatic, אנחנו יכולים לעשות זאת אפילו עם מעגלים קוונטיים בעומק קצר שאמורים לרוץ בצורה חלקה על חומרה רועשת.

אז, כשהניסוי בוצע, המחברים בחרו להריץ את האלגוריתם על מחשב IBM Quantum Brisbane בן 127 קיוביטים. להלן איור המציג את האיטרציה ה-8 של אלגוריתם האופטימיזציה עבור מופע זכוכית ספין שנוצר באופן אקראי עם שכן קרוב על 100 קיוביטים. הם משווים תוצאות סימולציה קלאסיות מושלמות מ-DCQO ו-BF-DCQO, וכן את התוצאה הניסיונית שהורצה על המחשב הקוונטי. הם גם מציגים את התוצאה מפותר קלאסי הנקרא Gurobi כנקודת ייחוס. עם 10 איטרציות בלבד, BF-DCQO מספק שיפור דרמטי בהשוואה ל-DCQO. למרות שהתוצאה הניסיונית קצת שונה מהתוצאה האידיאלית בגלל רעש, הביצועים עדיין טובים יותר מה-DCQO האידיאלי. זה מראה שעדיין יש המון התקדמות מצוינת בנוגע לאופטימיזציה קוונטית ותוצאות טובות מדווחות על יותר מ-100 קיוביטים לראשונה.

מקרה שימוש 3: ניבוי מבנה משני של mRNA

לבסוף, נדון במאמר של Moderna Pharmaceuticals הנקרא mRNA Secondary Structure Prediction Using Utility-Scale Quantum Computers.

ראשית, רענון קצר על mRNA. RNA שליח הוא סוג של RNA המעורב בסינתזת חלבונים. הוא בעצם קורא הוראות שניתנו על ידי DNA. המבנה המשני של mRNA הוא האופן שבו השרשרת מקופלת, כפי שמוצג בתרשים להלן. ובעיית ניבוי המבנה המשני של RNA היא הבעיה של מציאת הקיפול היציב ביותר של רצף הבסיסים או הנוקלאוטידים שמרכיבים את ה-RNA: אדנין (A), ציטוזין (C), אורציל (U), וגואנין (G). התמונה למטה מציגה מספר מבני קיפול נפוצים שנמצאים ב-mRNA, כל צבע מייצג סוג שונה של מבנה משני. מה שהופך מבנה אחד לנוח יותר מאחרים אינו מובן היטב; כל מה שאנחנו יכולים לעשות הוא לחשב איזה מבנה מניב את האנרגיה החופשית הנמוכה ביותר בהשוואה למצב הלא-מקופל. ושם נכנסים המחשבים הקוונטיים.

אז, מדוע מבני המשני של mRNA חשובים? ניבוי מדויק שלהם הוא קריטי לא רק להבנת DNA והגנים שלנו, אלא גם לתכנון תרפויטיקה מבוססת RNA, כמו חיסון COVID-19.

זה ידוע מזמן כבעיית אופטימיזציה קשה מאוד למחשבים קלאסיים בגלל המספר העצום של תצורות אפשריות. עבור חלק מהתצורות, ידוע שזו בעיית NP-שלמות. עם זאת, על מחשב קוונטי, ניתן לנסח את ניבוי המבנה המשני כבעיית אופטימיזציה בינארית – משהו שאנחנו יודעים כיצד לטפל בו. יתרה מזאת, כבר היו בספרות ראיות לניבויי RNA מדויקים על מכשירים קוונטיים בקנה מידה קטן ועל סימולטורים קוונטיים. אבל האם זה יעבוד על חומרה גדולה יותר?

ניסוי זה בוצע באמצעות משהו הנקרא conditional value at risk variational quantum eigensolver, שהוא שינוי של אלגוריתם VQE מסורתי וצפוי להשיג התכנסות טובה יותר.

הגרף למעלה מציג את התפלגות הסתברויות המדידה של מחרוזות הביטים שנדגמו, עם האנרגיות המתאימות עבור מופע של 42 נוקלאוטידים ו-80 קיוביטים. כאן, מחרוזות הביטים מסמלות זיווגים של נוקלאוטידים. זה ממחיש שמחרוזת הביטים עם האנרגיה הנמוכה ביותר שנמצאה על ידי המחשב הקוונטי תואמת לזו של הפותר הקלאסי ההשוואתי, מה שמצוין. מוצג גם מבנה הקיפול האופטימלי של שרשרת הנוקלאוטידים המבוסס על מחרוזת הביטים עם האנרגיה הנמוכה ביותר שהמחשב הקוונטי מצא.

סיכום

נקווה ששלושת מקרי השימוש הללו נתנו לך מספיק הקשר כדי להבין כיצד נראית העבודה בחוד החנית בתחום כרגע, ואת הביטחון לנסות ניסויים קוונטיים חדשים שאולי לא ניסית לפני.

זכור: מחשוב קוונטי אינו טוב לכל בעיה. ובאמת זה רק מעיד על כמה טובים נהיינו במחשוב קלאסי. רק בגלל שאתה חושב שאתה יכול ליישם מחשוב קוונטי על בעיה לא אומר שזה יניב תוצאות מעניינות; אתה חייב לשקול את הסקיילינג.

עומק ה-Circuit הוא חרב פיפיות. אנחנו צריכים שהוא יהיה גדול מספיק כדי לעשות עבודה מעניינת שמחשבים קלאסיים לא יכולים לבצע, אבל כרגע, אנחנו לא יכולים להגדיל את העומק יותר מדי מכיוון שרעש החומרה יגרום לצמצום הנאמנות. הכל עניין של מציאת נקודת המתיקות ויידיעה שזהו יעד נע. אז, קח קצת זמן בין עכשיו לשיעור הבא כדי לחשוב על בעיה שנתקלת בה במחקר שלך, ואיך תתקרב אליה עם מה שלמדנו עד כה. ואגב, הפתרון שלך אולי לא יתממש, וזה בסדר. לכן זה נקרא מחקר.