Er is veel geroezemoes geweest over kwantumcomputers en met een goede reden. De futuristische computers zijn ontworpen om op microscopische schaal na te bootsen wat er in de natuur gebeurt, wat betekent dat ze de kracht hebben om het kwantumrijk beter te begrijpen en de ontdekking van nieuwe materialen, waaronder farmaceutische producten, milieuvriendelijke chemicaliën en meer, te versnellen. Deskundigen zeggen echter dat levensvatbare kwantumcomputers nog een decennium of meer verwijderd zijn. Wat moeten onderzoekers in de tussentijd doen?

Een nieuwe door Caltech geleide studie in het tijdschrift Science beschrijft hoe tools voor machine learning, die op klassieke computers draaien, kunnen worden gebruikt om voorspellingen te doen over kwantumsystemen en zo onderzoekers te helpen bij het oplossen van enkele van de lastigste natuur- en scheikundeproblemen. Hoewel dit idee eerder experimenteel is aangetoond, is het nieuwe rapport het eerste dat wiskundig bewijst dat de methode werkt.

"Kwantumcomputers zijn ideaal voor vele soorten natuurkundige en materiaalwetenschappelijke problemen", zegt hoofdauteur Hsin-Yuan (Robert) Huang, een afgestudeerde student die samenwerkt met John Preskill, de Richard P. Feynman hoogleraar theoretische fysica en de Allen V. C. Davis en Lelabelle Davis Leadership Chair van het Institute for Quantum Science and Technology (IQIM). "Maar we zijn er nog niet helemaal en waren verrast toen we hoorden dat klassieke methoden voor machinaal leren in de tussentijd kunnen worden gebruikt. Uiteindelijk gaat dit artikel over het laten zien wat mensen kunnen leren over de fysieke wereld."

Op microscopisch niveau wordt de fysieke wereld een ongelooflijk complexe plaats die wordt geregeerd door de wetten van de kwantumfysica. In dit rijk kunnen deeltjes bestaan ​​in een superpositie van toestanden, of in twee toestanden tegelijk. En een superpositie van toestanden kan leiden tot verstrengeling, een fenomeen waarbij deeltjes met elkaar verbonden of gecorreleerd zijn, zonder zelfs maar met elkaar in contact te staan. Deze vreemde toestanden en verbindingen, die wijdverbreid zijn in natuurlijke en door de mens gemaakte materialen, zijn wiskundig moeilijk te beschrijven.

"Het voorspellen van de lage energietoestand van een materiaal is erg moeilijk", zegt Huang. "Er zijn enorme aantallen atomen, en ze zijn over elkaar heen geplaatst en verstrengeld. Je kunt geen vergelijking opschrijven om alles te beschrijven."

De nieuwe studie is de eerste wiskundige demonstratie dat klassieke machine learning kan worden gebruikt om de kloof tussen ons en de kwantumwereld te overbruggen. Machine learning is een soort computertoepassing die het menselijk brein nabootst om van gegevens te leren.

"We zijn klassieke wezens die in een kwantumwereld leven", zegt Preskill. "Onze hersenen en onze computers zijn klassiek, en dit beperkt ons vermogen om te communiceren met en de kwantumrealiteit te begrijpen."

Hoewel eerdere studies hebben aangetoond dat machine learning-toepassingen het vermogen hebben om een ​​aantal kwantumproblemen op te lossen, werken deze methoden doorgaans op een manier die het voor onderzoekers moeilijk maakt om te leren hoe de machines tot hun oplossingen zijn gekomen.

"Normaal gesproken weet je bij machine learning niet hoe de machine het probleem heeft opgelost. Het is een zwarte doos", zegt Huang. "Maar nu hebben we in wezen ontdekt wat er in de doos gebeurt door onze numerieke simulaties." Huang en zijn collega's deden uitgebreide numerieke simulaties in samenwerking met het AWS Center for Quantum Computing van Caltech, die hun theoretische resultaten bevestigden.

De nieuwe studie zal wetenschappers helpen om complexe en exotische fasen van kwantummaterie beter te begrijpen en te classificeren.

"De zorg was dat mensen die nieuwe kwantumtoestanden in het laboratorium creëren, ze misschien niet zouden kunnen begrijpen", legt Preskill uit. "Maar nu kunnen we redelijke klassieke gegevens verkrijgen om uit te leggen wat er aan de hand is. De klassieke machines geven ons niet alleen een antwoord als een orakel, maar leiden ons naar een dieper begrip."

Co-auteur Victor V. Albert, een NIST-fysicus (National Institute of Standards and Technology) en voormalig DuBridge Prize Postdoctoral Scholar bij Caltech, is het daarmee eens. "Het deel dat me het meest opwindt aan dit werk, is dat we nu dichter bij een hulpmiddel zijn dat je helpt de onderliggende fase van een kwantumtoestand te begrijpen zonder dat je van tevoren heel veel over die toestand hoeft te weten."

Uiteindelijk zullen toekomstige op kwantum gebaseerde machine learning-tools natuurlijk beter presteren dan klassieke methoden, zeggen de wetenschappers. In een gerelateerd onderzoek dat op 10 juni 2022 verscheen in Science , Huang, Preskill en hun medewerkers rapporteren dat ze Google's Sycamore-processor, een rudimentaire kwantumcomputer, gebruiken om aan te tonen dat kwantummachine learning superieur is aan klassieke benaderingen.

"We staan ​​nog aan het begin van dit veld", zegt Huang. "Maar we weten wel dat het leren van kwantummachines uiteindelijk het meest efficiënt zal zijn."

De Wetenschap studie is getiteld "Aantoonbaar efficiënte machine learning voor kwantum veel-lichaamsproblemen." + Verder verkennen

Theorie suggereert dat kwantumcomputers exponentieel sneller zouden moeten zijn bij sommige leertaken dan klassieke machines