Negli ultimi anni, Sono diventati disponibili dispositivi quantistici che consentono ai ricercatori, per la prima volta, di utilizzare hardware quantistico reale per iniziare a risolvere problemi scientifici. Però, a breve termine, il numero e la qualità dei qubit (l'unità di base dell'informazione quantistica) per i computer quantistici dovrebbero rimanere limitati, rendendo difficile l'utilizzo di queste macchine per applicazioni pratiche.

Un approccio ibrido quantistico e classico potrebbe essere la risposta per affrontare questo problema con l'hardware quantistico esistente. Ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) e del Los Alamos National Laboratory, insieme ai ricercatori della Clemson University e dei Fujitsu Laboratories of America, hanno sviluppato algoritmi ibridi da eseguire su macchine quantistiche e li hanno dimostrati per applicazioni pratiche utilizzando computer quantistici IBM (vedi sotto per la descrizione del ruolo di Argonne nell'IBM Q Hub presso l'Oak Ridge National Laboratory [ORNL]) e un computer quantistico D-Wave.

"Questo approccio consentirà ai ricercatori di utilizzare computer quantistici a breve termine per risolvere applicazioni che supportano la missione DOE. Ad esempio, può essere applicato per trovare strutture comunitarie nelle reti metaboliche o in un microbioma, "dice Yuri Alekseev, specialista principale del progetto, Divisione di Scienze Computazionali

Il lavoro del team è presentato in un articolo intitolato "A Hybrid Approach for Solving Optimization Problems on Small Quantum Computers" che appare nel numero di giugno 2019 dell'Institute of Electrical and Electronics Engineers (IEEE) Computer Rivista.

Preoccupazioni sulla connettività qubit, alti livelli di rumore, lo sforzo necessario per correggere gli errori, e la scalabilità dell'hardware quantistico hanno limitato la capacità dei ricercatori di fornire le soluzioni che il futuro computing quantistico promette.

Gli algoritmi ibridi sviluppati dal team utilizzano le migliori caratteristiche e capacità dei computer classici e quantistici per affrontare queste limitazioni. Per esempio, i computer classici hanno grandi memorie in grado di memorizzare enormi set di dati, una sfida per i dispositivi quantistici che hanno solo un piccolo numero di qubit. D'altra parte, gli algoritmi quantistici hanno prestazioni migliori per determinati problemi rispetto agli algoritmi classici.

Per distinguere tra i tipi di calcolo eseguiti su due tipi di hardware completamente diversi, il team ha fatto riferimento alle fasi classiche e quantistiche degli algoritmi ibridi come unità di elaborazione centrale (CPU) per computer classici e unità di elaborazione quantistica (QPU) per computer quantistici.

Il team ha sfruttato il partizionamento e il clustering dei grafi come esempi di problemi pratici e importanti di ottimizzazione che possono già essere risolti utilizzando i computer quantistici:un piccolo problema di grafi può essere risolto direttamente su una QPU, mentre i problemi di grafi più grandi richiedono approcci ibridi quanto-classici.

Poiché un problema è diventato troppo grande per essere eseguito direttamente su computer quantistici, i ricercatori hanno utilizzato metodi di decomposizione per suddividere il problema in parti più piccole che la QPU potrebbe gestire, un'idea che hanno preso in prestito dal calcolo ad alte prestazioni e dai metodi numerici classici.

Tutti i pezzi sono stati poi assemblati in una soluzione finale sulla CPU, che non solo ha trovato parametri migliori, ma ha anche identificato la migliore dimensione del sottoproblema da risolvere su un computer quantistico.

Tali approcci ibridi non sono un proiettile d'argento; non consentono l'accelerazione quantistica perché l'uso di schemi di decomposizione limita la velocità all'aumentare della dimensione del problema. Nei prossimi 10 anni, anche se, miglioramenti attesi in qubit (qualità, contare, e connettività), Correzione dell'errore, e gli algoritmi quantistici ridurranno il tempo di esecuzione e consentiranno calcoli più avanzati.

"Intanto, " secondo Yuri Alexeev, principale specialista di progetto nella divisione di Scienze Computazionali, "questo approccio consentirà ai ricercatori di utilizzare computer quantistici a breve termine per risolvere applicazioni che supportano la missione DOE. Ad esempio, può essere applicato per trovare strutture comunitarie nelle reti metaboliche o in un microbioma".