Najnowsze postępy technologiczne otwierają przedsiębiorstwom i badaczom nowe możliwości eksplorowania praktycznych zastosowań komputerów kwantowych, takich jak na przykład optymalizacja przydziałów bramek na lotniskach.
Niezwykła zdolność subatomowych cząstek do bycia jednocześnie w dwóch miejscach pozwala tzw. komputerom kwantowym na przeprowadzanie niektórych obliczeń znacznie szybciej niż ich konwencjonalne odpowiedniki. Ta umiejętność może wkrótce pomóc rozwiązywać problemy w naszym codziennym życiu, jak na przykład unikanie przegapionych połączeń lotniczych.
Podczas gdy tradycyjne komputery przechowują informacje jako cyfry binarne, czyli bity, które mogą być zerem lub jedynką, komputery kwantowe używają qubitów. Te qubity mogą reprezentować skomplikowaną mieszankę zera i jedynki dzięki swojemu subatomowemu zachowaniu. Mogą one natychmiast koordynować swoje działania z innymi qubitami, bez względu na to, jak daleko są one od siebie oddalone, zjawisko które Albert Einstein określił mianem "upiornego działania na odległość".
Mimo że maszyny o imponujących rozmiarach i wysokiej jakości, potrzebne do takich zadań, prawdopodobnie pozostają co najmniej dekadę w przyszłości, komputery kwantowe firm takich jak IBM i D-Wave Systems przewyższyły najsilniejsze konwencjonalne komputery świata w pewnych obliczeniach o znaczeniu fizycznym. Te postępy skłaniają firmy i badaczy do poszukiwania bardziej praktycznych zastosowań – jak obliczanie optymalnych tras dla pasażerów, aby dotrzeć na swoje połączenia lotnicze.
„Żyjemy teraz w epoce, w której naprawdę mamy szansę zbadać, gdzie powinniśmy użyć komputera kwantowego” – mówi Karl Jansen, fizyk z Niemieckiego Elektronowego Synchrotronu (DESY), który pracuje nad problemem bramki lotniczej wspólnie z firmą zajmującą się komputerami kwantowymi IonQ.
D-Wave wykorzystał swój komputer kwantowy, by pomóc klientom w ustalaniu harmonogramów dostaw dla sklepów spożywczych, planowaniu tras promocyjnych oraz obsłudze ładunków w porcie w Los Angeles. Zadania te są przykładami tzw. problemów optymalizacyjnych, które ze względu na mnogość opcji są niezwykle złożone. Inne przykłady obejmują najefektywniejsze pakowanie skrzyń w kontenerach oraz ocenę ryzyka i zysku w portfelach finansowych.
Istnieje 100 000 sposobów przypisania pięciu samolotów do dziesięciu bramek na lotnisku. Kiedy zwiększy się to do 50 samolotów i 100 bramek, liczba możliwości eksploduje do 10 do potęgi 100 – znacznie więcej niż liczba atomów we wszechświecie widzialnym. Żaden konwencjonalny komputer nie byłby w stanie śledzić wszystkich tych możliwości, ale komputer kwantowy mógłby to teoretycznie zrobić.
Zbiory kubitów zachowują się jak fale, które zawierają ogromną ilość danych. Kwantowy komputer z zaledwie 350 kubitami mógłby teoretycznie śledzić wszystkie możliwe rozwiązania problemu przydziału 50 samolotów do 100 bramek.
Angelo Bassi, fizyk z Uniwersytetu w Trieście, porównuje różnicę między klasycznym a kwantowym przetwarzaniem danych do różnicy między surferem a falą, które spotykają się ze skałą. Surfer omija skałę albo z lewej, albo z prawej strony, podczas gdy fala robi to obie rzeczy jednocześnie. Pewne podstawowe cechy skały mogą być wywnioskowane z drogi surfera, ale znacznie więcej można się nauczyć z obserwacji wzorców fal na wodzie.
"Fale niosą więcej informacji niż cząstki", mówi Bassi.
Kubity są jednak niezwykle trudne w obsłudze. Często tworzone przy użyciu nadprzewodzących obwodów lub uwięzionych jonów, kubity są niszczone przez najmniejsze zakłócenia i zazwyczaj muszą być schładzane do temperatur niższych niż w przestrzeni międzygwiezdnej. Nawet wtedy kubity są o wiele bardziej podatne na błędy niż zwykłe bity, które bazują na tradycyjnych układach elektronicznych.
Przyszłe komputery kwantowe będą potrzebowały ogromnej liczby qubitów – być może milionów – aby poradzić sobie z problemem błędów i jednocześnie mieć wystarczającą moc obliczeniową do zadań takich jak symulacja dynamiki atomów i cząsteczek, jak wynika z badania przeprowadzonego przez Microsoft w roku 2022.
Nawet dzisiejsze stosunkowo słabe urządzenia przekroczyły jednak próg, który czyni je na tyle mocnymi, by przewyższały najbardziej zaawansowane superkomputery świata w niektórych obliczeniach. Ten krytyczny punkt leży gdzieś pomiędzy 50 a 100 qubitami, mówi Travis Humble, dyrektor Quantum Science Center w Oak Ridge National Laboratory.
Osiągnięto kamień milowy w czerwcu ubiegłego roku, gdy IBM opublikował w czasopiśmie „Nature” badanie pokazujące, że jego procesor o 127 kubitach może przewyższać konwencjonalne komputery w niektórych obliczeniach związanych z materiałami magnetycznymi. W marcu badacze z firmy D-Wave opublikowali artykuł, który jeszcze nie został poddany recenzji i pokazuje, że ich najnowsza maszyna w podobnych sytuacjach może obliczać ilości w minutach, na które najmocniejsze superkomputery świata potrzebowałyby milionów lat.
„Spośród wszystkich dotychczasowych twierdzeń o przewadze komputerów kwantowych nad konwencjonalnymi, to jest rzeczywiście najsilniejsze” – mówi Daniel Lidar, dyrektor Centrum Nauki i Technologii Informacji Kwantowej Uniwersytetu Południowej Kalifornii.
D-Wave mocno stawia na aplikacje optymalizacyjne, rozwijając specjalny rodzaj komputera kwantowego zwany wyżarzaczem (Annealer), który jest specjalizowany w rozwiązywaniu tego typu problemów. Zawiera około 5000 qubitów, jednak jest ograniczony do szybkiego poszukiwania przybliżonych odpowiedzi, zamiast wykonywania dokładnych obliczeń.
Obiecujący znak, że technologia wyżarzania firmy D-Wave może oferować przewagę nad tradycyjnymi komputerami w praktycznych problemach, pojawił się, gdy Lidar z USC na początku tego roku zademonstrował, jak można jej użyć do wygrania matematycznej gry podobnej do optymalizacji, w pracy, która jest obecnie recenzowana.
Teraz rozpoczyna się wyścig, aby odkryć jakie inne praktyczne zastosowania może mieć najnowsza generacja komputerów kwantowych.
Jansen z DESY twierdzi, że rozwiązał małe wersje problemu optymalizacji bramek lotniczych na schwytanym jonowym komputerze kwantowym firmy IonQ i zauważył wczesne oznaki, że jego technika może przewyższyć tradycyjne metody obliczeniowe przy wystarczająco dużej liczbie qubitów.
Badacze z Cleveland Clinic mówią, że komputer kwantowy IBM, korzystając z podobnego podejścia co Jansen, przewyższył zaawansowany algorytm sztucznej inteligencji w przewidywaniu kształtu fragmentu cząsteczki białka na podstawie znajomości jego aminokwasów – zadanie, które może okazać się użyteczne w wykrywaniu i leczeniu określonych chorób, jeśli możliwości komputerów kwantowych będą się dalej rozwijać. Ich artykuł został opublikowany w czasopiśmie ACS Journal of Chemical Theory and Computation.
W miarę włączania optymalizacji do treningu algorytmów uczenia maszynowego, niektóre firmy wierzą, że obliczenia kwantowe mogą uczynić aplikacje AI jeszcze inteligentniejszymi.
IonQ współpracowało z Hyundai nad kwantową AI w celu umożliwienia samochodom autonomicznym rozpoznawanie znaków drogowych i innych obiektów. Przejście na szkolenie AI oparte na mechanice kwantowej w małym modelu uczenia maszynowego podwoiło jego dokładność z 30% do 60%, mówi IonQ. Firma wierzy, że gdy liczba kubitów wzrośnie z obecnych 36 do 64 w przyszłym roku, ich algorytm przewyższy każdy możliwy niekwantowy model uczenia maszynowego.
Podejścia metodą prób i błędów z pewnością mogą odkryć nowe zastosowania dla komputerów kwantowych, mówi Scott Aaronson, dyrektor Quantum Information Center na University of Texas w Austin. Znane teorie sugerują jednak, że zwiększenie prędkości kwantowej w optymalizacji i sztucznej inteligencji będzie raczej skromne i prawdopodobnie nie będzie miało komercyjnego wpływu, dopóki komputery kwantowe nie będą znacznie większe i skorygowane pod kątem błędów, mówi.
"Jest naprawdę, naprawdę trudno zobaczyć, jak można osiągnąć zysk z obecnej generacji urządzeń", mówi Aaronson. "Musi się wydarzyć coś, co wykracza poza to, co wiemy o obecnych algorytmach."
Ale właśnie na to liczą niektórzy dzisiejsi pionierzy kwantowi: przełom, który powstaje z eksperymentów.
To zachodziło już kiedyś, mówi Ricardo Garcia z Moody’s Analytics, który współpracował z firmą zajmującą się kwantowym komputerowaniem, Rigetti, nad projektem mającym na celu zwiększenie dokładności modelu prognozującego recesję opartego na sztucznej inteligencji. Jedna z najpotężniejszych metod używanych obecnie do rozwiązywania problemów optymalizacyjnych, algorytm Simplex, została opracowana w latach 40., na długo przed tym, zanim teoretycy mogli wyjaśnić, dlaczego działała tak dobrze.
"Nie oznacza to, że nie ma krótkoterminowych szans" - mówi Garcia.
