Inteligência Artificial prevê o comportamento de sistemas quânticos

• O modelo de IA prevê se uma determinada máquina quântica terá alguma vantagem quântica.
• É baseado em uma rede neural que analisa a estrutura de rede de um sistema quântico e gradualmente aprende a prever seu comportamento.
• Isso ajudará os cientistas a desenvolver novos dispositivos quânticos eficientes.

A computação quântica tem o potencial de resolver vários problemas complexos que os computadores de hoje nem conseguem processar. Por exemplo, pode ajudar os cientistas a estudar reações químicas em detalhes e detectar estruturas moleculares estáveis ​​para a indústria farmacêutica e outros campos.

No entanto, um dos principais problemas na ciência da computação clássica e quântica é a aceleração computacional. Embora os computadores quânticos possam ter um desempenho muito mais rápido do que os computadores clássicos, o desenvolvimento de tais máquinas exigiria muito tempo e dinheiro. Mesmo assim, ninguém pode garantir que essas máquinas apresentarão vantagens quânticas.

Recentemente, uma equipe de pesquisa do Instituto de Física e Tecnologia de Moscou, da Universidade ITMO e do Instituto Valiev de Física e Tecnologia desenvolveu uma nova ferramenta que prevê se uma determinada máquina quântica terá alguma vantagem quântica.

Esta nova ferramenta é baseada em uma rede neural que analisa a estrutura de rede de um sistema quântico e gradualmente aprende a prever seu comportamento. Isso ajudará os cientistas a desenvolver novos dispositivos quânticos eficientes.

AI identifica candidatos para construir computadores quânticos

Caminhadas quânticas têm sido empregadas nos últimos anos para processar informações quânticas de maneira eficiente. Eles são contrapartes quânticas dos passeios aleatórios clássicos. Você pode visualizar esse fenômeno como uma partícula viajando em uma rede específica subjacente a um circuito quântico.

Ao contrário do estado de um caminhante clássico, o estado do caminhante quântico pode ser uma superposição coerente de várias posições. Um dispositivo terá uma vantagem quântica se uma partícula no circuito do dispositivo exibir caminhada quântica (de um nó da rede para outro) mais rápido do que sua contraparte clássica.

Referência:New Journal of Physics | DOI:10.1088 / 1367-2630 / ab5c5e | MIPT

Neste estudo, os pesquisadores usaram um modelo de aprendizado de máquina para identificar essas redes superiores. O modelo distingue entre redes e aprende gradualmente a prever se uma determinada rede fornecerá alguma vantagem quântica. Isso nos dá as redes que podem ser utilizadas para desenvolver um computador quântico eficiente.

Ilustração de IA em busca de vantagens quânticas

Os exemplos de treinamento foram gerados simulando a dinâmica do passeio aleatório de partículas clássicas e quânticas. Cada exemplo de treinamento continha uma matriz de adjacência e um rótulo correspondente ("clássico" ou "quântico").

A equipe de pesquisa também construiu uma ferramenta para simplificar o desenvolvimento de circuitos computacionais baseados em algoritmos quânticos. Ele poderia ser usado para a realização de pesquisas em ciência de materiais e biofotônica.

Quantum Walks

Caminhadas quânticas irão fornecer uma maneira simples (muito mais simples do que arquiteturas baseadas em qubits e portas) para implementar cálculos quânticos de fenômenos naturais. Por exemplo, eles têm o potencial de descrever com precisão a excitação de proteínas fotossensíveis como clorofila ou rodopsina.

Leia:5 processadores quânticos que apresentam um novo paradigma de computação

Uma vez que a proteína é uma biomolécula complexa com uma estrutura semelhante à de uma rede, determinar o tempo de caminhada quântica de um nó da rede para outro pode revelar o que realmente acontece dentro de uma molécula:para onde o elétron se moverá e que tipo de excitação ele causará .