Проведенные исследователями расчеты показали, что созданная ими AlphaTensor-Quantum превосходит все существующие алгоритмы оптимизации квантовых логических цепочек и при этом позволяет достигать такого же качества работы, как вручную оптимизированные методы расчетов для квантовой химии, криптографии и других областей применения квантовых компьютеров
МОСКВА, 20 марта. /ТАСС/. Специалисты компании Deepmind и их коллеги из Нидерландов разработали нейросеть AlphaTensor-Quantum, способную ускорять работу квантовых логических цепочек и оптимизировать так, что для их исполнения нужно минимальное число самых дорогостоящих логических операций. Описание этого алгоритма и первые итоги его применения были раскрыты в статье, опубликованной в научном журналеNature Machine Intelligence.
"Одним из главных препятствий на пути к созданию квантовых вычислительных систем, устойчивых к случайным ошибкам, является проблема оптимизации логических цепочек. Мы разработали алгоритм на базе системы глубокого обучения с подкреплением, позволяющий максимальным образом уменьшить число Т-гейтов - самых дорогих квантовых операций, необходимых для реализации той или иной логической цепочки", - говорится в исследовании.
Эта система ИИ была создана группой математиков под руководством вице-президента Deepmind Пушмита Коли. Научная команда Deepmind уже более 10 лет лидирует в разработке систем искусственного интеллекта. Так, им удалось создать первую систему ИИ, победившую человека в настольной игре Го, а следующие ее версии освоили шахматы и компьютерные игры, а также научились решать некоторые биологические, физические и математические задачи.
В своей новой работе специалисты Deepmind разработали систему ИИ, способную значительным образом ускорить исполнение сложных логических цепочек на квантовых компьютерах путем оптимизации того, какие операции будут использоваться при исполнении данных алгоритмов. В целом, любой алгоритм можно исполнить при помощи набора из двух операций - CNOT и T-гейта, первая из которых относительно проста в реализации, тогда как вторая очень сложна для исполнения.
На ее реализацию нужно примерно в 100 раз больше ресурсов, чем на исполнение CNOT-операций, что побуждает ученых искать пути минимизации числа Т-гейтов при проведении вычислений. Коли и его коллеги выяснили, что подобную процедуру можно осуществить при помощи модифицированной версии нейросети AlphaTensor, которую ученые изначально создали для разработки новых алгоритмов перемножения матриц, используемых в машинном обучении.
Проведенные исследователями расчеты показали, что созданная ими нейросеть AlphaTensor-Quantum превосходит все существующие автоматические алгоритмы оптимизации квантовых логических цепочек и при этом позволяет достигать такого же качества работы, как вручную оптимизированные методы расчетов для квантовой химии, криптографии и других перспективных областей применения квантовых компьютеров. Как надеются ученые, их разработка ускорит создание квантовых компьютеров, стойких к появлению случайных ошибок в работе.