Come riportato in un nuovo articolo in Natura Recensioni Fisica , invece di aspettare che emergano computer quantistici completamente maturi, Il Los Alamos National Laboratory e altre importanti istituzioni hanno sviluppato algoritmi ibridi classici/quantistici per estrarre il massimo delle prestazioni, e potenzialmente il vantaggio quantistico, dai rumorosi, hardware soggetto a errori. Conosciuti come algoritmi quantistici variazionali, usano le scatole quantistiche per manipolare i sistemi quantistici mentre spostano gran parte del carico di lavoro sui computer classici per consentire loro di fare ciò che attualmente sanno fare meglio:risolvere problemi di ottimizzazione.

"I computer quantistici hanno la promessa di superare i computer classici per determinati compiti, ma sull'hardware quantistico attualmente disponibile non possono eseguire algoritmi lunghi. Fanno troppo rumore mentre interagiscono con l'ambiente, che corrompe le informazioni in elaborazione, " ha detto Marco Cerezo, un fisico specializzato in informatica quantistica, apprendimento automatico quantistico, e informazioni quantistiche a Los Alamos e autore principale dell'articolo. "Con algoritmi quantistici variazionali, otteniamo il meglio di entrambi i mondi. Possiamo sfruttare la potenza dei computer quantistici per compiti che i computer classici non possono svolgere facilmente, quindi utilizzare i computer classici per completare la potenza di calcolo dei dispositivi quantistici".

Corrente rumorosa, i computer quantistici su scala intermedia hanno tra 50 e 100 qubit, perdono rapidamente la loro "quantità", e mancanza di correzione degli errori, che richiede più qubit. Dalla fine degli anni '90, però, i teorici hanno sviluppato algoritmi progettati per funzionare su un grande, idealizzato, correzione di errori, computer quantistico tollerante ai guasti.

"Non possiamo ancora implementare questi algoritmi perché danno risultati senza senso o richiedono troppi qubit. Quindi le persone si sono rese conto che avevamo bisogno di un approccio che si adattasse ai vincoli dell'hardware che abbiamo:un problema di ottimizzazione, " ha detto Patrick Coles, un fisico teorico che sviluppa algoritmi a Los Alamos e l'autore principale senior dell'articolo.

"Abbiamo scoperto che potevamo trasformare tutti i problemi di interesse in problemi di ottimizzazione, potenzialmente con vantaggio quantistico, il che significa che il computer quantistico batte un computer classico nel compito, " ha detto Coles. Questi problemi includono simulazioni per la scienza dei materiali e la chimica quantistica, fattorizzazione dei numeri, Analisi dei Big Data, e praticamente ogni applicazione che è stata proposta per i computer quantistici.

Gli algoritmi sono chiamati variazionali perché il processo di ottimizzazione varia l'algoritmo al volo, come una sorta di apprendimento automatico. Modifica parametri e porte logiche per minimizzare una funzione di costo, che è un'espressione matematica che misura quanto bene l'algoritmo ha eseguito il compito. Il problema è risolto quando la funzione di costo raggiunge il valore più basso possibile.

In una funzione iterativa nell'algoritmo quantistico variazionale, il computer quantistico stima la funzione di costo, quindi passa quel risultato al computer classico. Il computer classico regola quindi i parametri di input e li invia al computer quantistico, che esegue nuovamente l'ottimizzazione.

L'articolo di rassegna vuole essere un'introduzione completa e un riferimento pedagogico per le ricerche che iniziano in questo campo nascente. Dentro, gli autori discutono tutte le applicazioni degli algoritmi e come funzionano, oltre a coprire le sfide, insidie, e come affrontarli. Finalmente, guarda al futuro, considerando le migliori opportunità per ottenere un vantaggio quantico sui computer che saranno disponibili nei prossimi due anni.