Kvanttiedulla liikkuva maali12.02.2024 New York Universityn tutkijat osoittavat, että klassiset tietokoneet voivat pysyä kvanttivastineensa mukana ja jopa ylittävän ne Monet näkevät kvanttilaskennan tulon merkitsevän paradigman muutosta klassisesta eli perinteisestä tietojenkäsittelystä. Erityisesti kvantin kyky tallentaa informaatiota arvojen 0 ja 1 välillä tekee klassisten tietokoneiden vaikeaksi jäljitellä kvanttitietokoneita täydellisesti. Kvanttitietokoneet ovat kuitenkin nirsoja ja niillä on taipumus menettää informaatiota. Lisäksi, vaikka informaation menetys voidaan välttää, sitä on vaikea kääntää klassiseksi informaatioksi, mikä on välttämätöntä hyödyllisen laskennan saamiseksi. Klassiset tietokoneet eivät kärsi kummastakaan näistä kahdesta ongelmasta. Lisäksi taitavasti suunnitellut klassiset algoritmit voivat edelleen hyödyntää informaation menetyksen ja kääntämisen kaksoishaasteita jäljitelläkseen kvanttitietokonetta, jolla on paljon vähemmän resursseja kuin aiemmin uskottiin – kuten äskettäin osoitettiin tutkimusjulkaistussa Efficient Tensor Network Simulation of IBM’s Eagle Kicked Ising Experiment -tutkimuspaperissa. Tutkijoiden tulokset osoittavat, että klassinen tietojenkäsittely voidaan uuskonfiguroida suorittamaan nopeampia ja tarkempia laskelmia kuin huippuluokan kvanttitietokoneet. Tämä läpimurto saavutettiin algoritmilla, joka säilyttää vain osan kvanttitilassa tallennetusta informaatiosta – ja vain sen verran, että lopputulos voidaan laskea tarkasti. "Tämä työ osoittaa, että on monia mahdollisia tapoja parantaa laskelmia, jotka kattavat sekä klassiset että kvanttimaiset lähestymistavat", selittää Dries Sels, New Yorkin yliopiston fysiikan laitoksen apulaisprofessori ja yksi paperin kirjoittajista. "Lisäksi työmme korostaa, kuinka vaikeaa on saavuttaa kvanttietua virheherkillä kvanttitietokoneilla." Etsiessään keinoja klassisen laskennan optimoimiseksi Sels ja hänen kollegansa Simons Foundationista keskittyivät eräänlaiseen tensoriverkkoon, joka edustaa uskollisesti kubittien välistä vuorovaikutusta. Tällaisten verkkojen käsittely on ollut tunnetusti vaikeaa, mutta alan viimeaikaiset edistysaskeleet mahdollistavat nyt näiden verkkojen optimoinnin tilastollisista päättelyistä lainatuilla työkaluilla. Kirjoittajat vertaavat algoritmin työtä kuvan pakkaamisen JPEG-tiedostoon, mikä mahdollistaa suurten kuvien tallentamisen pienemmällä tilankäytöllä poistamalla informaatiota tuskin havaittavilla kuvan laadun heikkenemisellä. "Erilaisten rakenteiden valitseminen tensoriverkostolle vastaa erilaisten pakkausmuotojen, kuten eri muotojen valitsemista kuvalle", sanoo projektia johtanut Joseph Tindall Flatiron Institutesta. ”Kehitämme menestyksekkäästi työkaluja työskentelyyn monenlaisten tensoriverkkojen kanssa. Tämä työ heijastaa sitä, ja olemme varmoja, että nostamme pian rimaa kvanttilaskennan saavutettavaksi." Aiheesta aiemmin: |
Nanotekniikka on tulevaisuuden lupaus. Näillä sivuilla seurataan elektroniikkaa sekä tieto- ja sähkötekniikkaa sivuavia nanoteknisiä tiedeuutisia.