Een van de manieren waarop computers denken, is door relaties binnen grote datasets te analyseren. Een internationaal team heeft aangetoond dat kwantumcomputers zo'n analyse sneller kunnen doen dan klassieke computers voor een breder scala aan gegevenstypen dan eerder werd verwacht.

Het voorgestelde kwantumlineaire systeemalgoritme van het team is gepubliceerd in: Fysieke beoordelingsbrieven . In de toekomst, het zou kunnen helpen om cijfers te krijgen over problemen die zo uiteenlopend zijn als de prijsstelling van grondstoffen, sociale netwerken en chemische structuren.

"Het vorige kwantumalgoritme van dit type was van toepassing op een heel specifiek type probleem. We hebben een upgrade nodig als we een kwantumversnelling willen bereiken voor andere gegevens, " zegt Zhikuan Zhao, corresponderende auteur op het werk.

Het eerste quantum lineaire systeemalgoritme werd in 2009 voorgesteld door een andere groep onderzoekers. Dat algoritme was de start van onderzoek naar kwantumvormen van machine learning, of kunstmatige intelligentie.

Een lineair systeemalgoritme werkt op een grote matrix van gegevens. Bijvoorbeeld, een handelaar probeert misschien de toekomstige prijs van goederen te voorspellen. De matrix kan historische gegevens bevatten over prijsbewegingen in de loop van de tijd en gegevens over kenmerken die deze prijzen kunnen beïnvloeden, zoals wisselkoersen. Het algoritme berekent hoe sterk elk kenmerk gecorreleerd is met een ander door de matrix te 'inverteren'. Deze informatie kan vervolgens worden gebruikt om te extrapoleren naar de toekomst.

"Er komt veel rekenwerk kijken bij het analyseren van de matrix. Als het verder gaat dan bijvoorbeeld 10, 000 bij 10, 000 inzendingen, het wordt moeilijk voor klassieke computers, " legt Zhao uit. Dit komt omdat het aantal rekenstappen snel toeneemt met het aantal elementen in de matrix:elke verdubbeling van de matrixgrootte vergroot de lengte van de berekening achtvoudig.

Het algoritme van 2009 kon beter omgaan met grotere matrices, maar alleen als hun gegevens schaars zijn. In deze gevallen, er zijn beperkte relaties tussen de elementen, wat vaak niet geldt voor gegevens uit de echte wereld. Zhao, Prakash en Wossnig presenteren een nieuw algoritme dat sneller is dan zowel de klassieke als de vorige kwantumversies, zonder beperkingen op het soort gegevens dat het kraakt.

Als een ruwe gids, voor een 10, 000 vierkante matrix, het klassieke algoritme zou de orde van een biljoen rekenstappen nemen, het eerste kwantumalgoritme enkele tienduizenden stappen en het nieuwe kwantumalgoritme slechts honderden stappen. Het algoritme is gebaseerd op een techniek die bekend staat als kwantum-singuliere waardeschatting.

Er zijn enkele proof-of-principle-demonstraties geweest van het eerdere kwantum lineaire systeemalgoritme op kleinschalige kwantumcomputers. Zhao en zijn collega's hopen samen te werken met een experimentele groep om een ​​proof-of-principle demonstratie van hun algoritme uit te voeren, te. Ze willen ook een volledige analyse maken van de inspanning die nodig is om het algoritme te implementeren, nagaan welke overheadkosten er mogelijk zijn.

Om een ​​echt kwantumvoordeel ten opzichte van de klassieke algoritmen te laten zien, zijn grotere kwantumcomputers nodig. Zhao schat dat "we misschien in de toekomst kijken naar drie tot vijf jaar wanneer we de hardware die door de experimentatoren is gebouwd daadwerkelijk kunnen gebruiken om zinvolle kwantumberekeningen uit te voeren met toepassing in kunstmatige intelligentie."